〇 ;)，i= 1， 2，...，m所得到的模型的附加噪声项的超参数的估计值分别记为SjPS。。
[0221] 作为本发明一优选实施方式，采用马尔科夫过程{Xyi= 1，2, ???}建立遥测数据 的模式演化模型。所述马尔科夫过程模型的状态空间为X=MXR+XRXR+;记
[0222] x= (Mx，tx，yx，〇 y)GX，y= (My，ty，yy，〇 y)GX;
[0223] 所述马尔科夫过程状态转移函数Pl (x，y)，i= 2, 3，…定义为
[0224]
[0225]
[0226]其中函数S(?)定义为：自变量取值为〇时函数值为1，否则函数值为〇;
[0227] 上式中，pM(Mx，My;Sy，yy，〇y)表示模式转移概率，其主要采用如下方法确定：
[0228] 8. 1若当前分段序列的模式仅与其时间长度、均值、标准差特征有关，与其先前模 式的类型无关，即
[0229] pM(Mx,My；Ty,yy, 〇 y) =FM(xy,yy, 〇 y)；
[0230] 其中FM(ty，yy，〇y)为取值于[0, 1]的实值函数；则当前分段序列的模式取决于 其时间长度、均值、标准差特征取值的集合时，定义FM(Ty，yy，〇y)为集合{(Ty，yy，〇y)} 的划分的示性函数；对其它情况，采用逻辑斯蒂回归方法确定FM(Ty，yy，〇y);
[0231] 8. 2若当前分段序列的模式仅与其先前模式的类型有关，与其时间长度、均值、标 准差特征无关，即
[0232] pM(Mx,My；Iy,yy,oy) =pM(Mx,My)；
[0233] 则按以下方式确定模式转移概率：统计两两模式M,_和M,之间转移的频数n^，并以 两两模式之间的转移频率作为PM(MX，My)的估计值，艮
[0234] 8.3其它情况下，按以下方式确定模式转移概率pM(Mx，Myyy，yy，〇y): 在给定分段序列的时间长度、均值、标准差Ty、yy和〇 ￥的条件下，统计两两模 式％和^之间的条件转移频数&4?,,卜，/^〇\，得到两两模式之间的条件转移概率
[0235] 7.虚拟遥测数据生成。
[0236]依据上述获得的卫星遥测数据模式演化过程模型以及各模式的形式化模型，利用 数据处理系统生成虚拟遥测数据，其利用所建立的模式演化过程模型和模式的形式化模 型，设当前时段的序号为i，卫星状态为（Mpti，yi，oi)，其中Mpti、yi、oi分别是当前 分段序列的模式、时间长度、均值和标准差，当前时段的起始时刻为t，生成虚拟遥测数据 的步骤如下：
[0237] 9. 1令i=i+1，虚拟遥测数据序列的起始时刻为0;=0;彳t; 1;
[0238] 9. 2生成第i个分段序列的时间长度、均值和标准差为：tfT (i)、y=fw (i) 和 〇 =f0 (i);
[0239] 9.3根据所述模式转移概率？"％，1^^，1^，％)生成第1个分段序列的模式 M1；
[0240] 9. 4根据模式％的形式化模型模式Y生成第i个分段序列的标准化数据；
[0241] 9. 5根据第i个分段序列的时间长度ti、均值yi和标准差〇i，进行反变换生成 第i个分段序列的虚拟遥测数据t;
[0242] 9. 6重复步骤9. 2~9. 5,直到产生所需时间长度的遥测数据序列。
[0243] 上述根据分段序列长度^、均值yi、标准差〇1，以及遥测数据起始时 刻0,，对标准化数据分段序列进行反变换，是指如下变换：设标准化分段序列为
[0244] 则反变换后的分段序列为1= {(尽，灯19,>),(、1+,.:，\|:+,) :，一，^\)，(先14^
[0245] %^U,=ti +t]-T,,j = nlA +l---,nl ；xt = /i,+x]-a,,j = n,__l + lnl_l + 2,--,nl t
[0246]
[0247]8.状态预测及异常检测。
[0248] 通过地面观测站设备接收卫星载波信号，再经解调、译码、分路获得实时遥测数 据，基于所生成的上述虚拟遥测数据与前述实时遥测数据进行比较，以预测卫星状态并判 断卫星运行状态是否异常。设待检测时段的起始时间为t，其步骤如下：
[0249] 10.1设待检测时段的起始时间为t，根据分段时间规则fT (?)确定当前分段序号 i，即
[0250]
[0251] 确定当前分段的起始时间为翁，分段的时间长度为t=fTa+i)，分段 序列的均值和标准差为y=fu(i+l)和。=f。（i+1)，根据模式转移概率PM(MX，My;sy，yy，。y)确定其模式为M;
[0252]10.2通过地面观测站设备接收卫星载波信号，经解调、译码、分路，获得[t，t+t] 时段内的实时遥测数据，剔除实时遥测数据中的野值，记为ST;对ST按时间和数值进行标 准化，并记其均值和标准差为y'和〇 '，标准化序列为ST、并计算标准化序列ST#与模 式M的形式化模型的相关系数P;
[0253]10.3按如下操作规则判断卫星状态：
[0254](1031)若P<P_，则观测模式与预测模式不符，状态异常；
[0255] (1032)若|y'-y| > 3Sw，则观测值变化水平与预测值不符，状态异常；
[0256] (1033)若|。' _。| > 3S。，则观测值变化幅度与预测值不符，状态异常；
[0257] (1034)若P彡pmin 且|y'-yl彡 3511且|〇' -〇| 彡 35。，则状态正常。
[0258] 为了便于理解本发明，下文将结合说明书附图和较佳的实施例对本发明作更全 面、细致地描述，但本发明的保护范围并不限于以下具体的实施例。
[0259] 实施例：
[0260] 以图2所示某卫星某参数某年度（共365天）的遥测数据为例，说明其基于模式 演化的建模以及虚拟遥测数据生成过程。
[0261] (1)准备卫星遥测数据。通过测控中心数据系统获取历史遥测数据，并剔除野点。 图2数据为采用a=0.90、k= 2的中值滤波算法剔除原始遥测数据中的野点得到历史遥 测数据。
[0262] (2)根据遥测数据变化以及卫星轨道，认为每隔24小时遥测数据的变化呈现出相 似的模式，故取时间规则为fT ( ?) = 24h;依时间规则fT ( ?) = 24h对图2所示遥测数据 分段，所得365个分段序列如图3所示。
[0263] (3)对365个分段序列进行标准化，所得标准化数据序列、各分段序列均值和标准 差如图4、图5、图6所示。
[0264] (4)计算365个标准化分段序列相关系数，取临界值y= 0. 70,采用聚类算法识 别此365个分段序列共分为8种模式，如图7所示。
[0265] (5)取各段的拟合误差为e= 1.60,采用阶梯函数建立各模式的形式化模型，如 图8为图7中模式7的形式化模型。
[0266] (6)建立模式演化过程模型。其中，米用相关向量机建立均值和标准差模型，其中 带宽h= 0. 025,迭代次数阈值为1000,如图9、图10所示，其中"〇"为所得相关向量。另外， 认为分段序列模式与其特征无关，基于频率估计获得模式转移概率矩阵，如下表1所示。
[0267] 表1 :模式间转移概率
[0268]
[0269] (7)利用上述基于模式演化的遥测数据模型，根据本发明所述状态预测方法，生成 虚拟遥测数据，检测卫星状态。如图11为部分虚拟遥测数据与实际遥测数据对比。
[0270] 以上所述，仅为本发明优选实施例的【具体实施方式】，但本发明的保护范围并不局 限于此，任何熟悉本领域的技术人员在本发明所揭露的技术范围内，可不经过创造性劳动 获得的变化或替换，都应涵盖在本发明的保护范围之内，本说明书内容亦不应理解为对本 发明的限制。
【主权项】
1. 一种基于模式演化的卫星长期在轨运行状态的预测方法，包括W下步骤： (1) 数据获取准备：通过相应的数据接收设备接收卫星遥测数据，并根据需要对所获 取的卫星遥测数据进行解码，按时间先后顺序对数据帖排序，剔除卫星遥测数据中的野点， 生成按时间顺序排列且有效的遥测参数工程值序列；通过相应的数据接收设备接收卫星遥 测数据具体包括：通过测控中屯、数据系统获得历史遥测数据，通过地面观测站设备接收卫 星载波信号后经解调、译码、分路获得实时遥测数据； (2) 数据分段处理：构造遥测参数工程值序列分段的时间规则，依据该时间规则将前 述遥测参数工程值序列划分为时间上相连但不交的分段序列；计算各分段序列的汇总特征 数据； (3) 分段序列标准化：对上述步骤（2)获得的各分段序列按时间和数值进行标准化，获 得定义于区间[〇，1]上、取值服从标准正态分布的标准化分段序列； (4) 模式聚类：对所获得的标准化分段序列，根据序列的距离或相似性度量，采用聚类 分析方法将相互接近或相似的标准化分段序列归为一类，由此形成标准化分段序列的变化 模式，并W标准化分段序列所对应的变化模式作为上述分段序列的变化模式； (5) 模式建模：利用上述各变化模式中对应的标准化分段序列，采用函数逼近方法建 立各模式的形式化模型，描述该模式对应的标准化分段序列中的标准化数据在[〇，1]上的 变化规律； (6) 模式演化建模：利用上述各分段序列的模式、时间长度及特征数据，W各分段序列 的序号为索引变量，建立卫星遥测数据模式演化过程模型，并描述各分段序列的模式、时间 长度及特征数据随其序号的变化； (7) 虚拟遥测数据生成：依据上述获得的卫星遥测数据模式演化过程模型W及各模式 的形式化模型，利用数据处理系统生成虚拟遥测数据； (8) 状态预测及异常检测：通过地面观测站设备接收卫星载波信号，再经解调、译码、 分路获得实时遥测数据，基于所生成的上述虚拟遥测数据与所述实时遥测数据进行比较， W预测卫星状态并判断卫星运行状态是否异常。2. 根据权利要求1所述的基于模式演化的卫星长期在轨运行状态的预测方法，其特征 在于：所述步骤（1)中，剔除卫星遥测数据中的野点主要采用中值滤波方法，其具体操作包 括W下步骤： (11)给定窗口宽度为N=化+1，k为正整数； (。）对i= 1，2,…，n-k，计算遥测数据序列位于窗口 [i，i+N-l]内的数据心心1，…， 心Wi的中位数，记为 ?* (13) 人工判别遥测数据序列T°的前k个数据Yi, 72,…，yk是否为正常数据，若否， 则将非正常数据修正为正常数据；将修正后的T°的前k个数据记作如耗，…，只，与序列 範+;1，教+2 , ' ??九合并，得到序列教，耗:，"'J。; (14) 给定显著性水平a，〇<a< 1，计算序列棄Jv?，夫,的（l-a)/2和（l+a)/2分 位数，分别记为Zfi"/2和Z 并计算序列真，夕2,…，夫，的（1-a)/2~（1+a)/2分位数间 距为： E〇 二ZZ(10)/2; (15) 根据下述规则判断时刻tk的遥测数据是否为野点：若I知-JV|>E。:;;则时刻tk的 遥测数据为野点；否则为正常值； (16) 对剔除野点的遥测数据序列T°，认为所剔除数据等于其前一观测时刻的遥测数据 值，并据此填充所剔除数据。3. 根据权利要求1所述的基于模式演化的卫星长期在轨运行状态的预测方法，其特征 在于：所述步骤（2)中，构造遥测参数工程值序列分段的时间规则的具体方法包括W下步 骤： (21) 绘制卫星遥测数据曲线，忽略趋势性，通过直观分析、周