XGBoost在卫星网络协调态势预测中的应用
Application of Xgboost in the Prediction of Satellite Network Coordination Situation
查看参考文献15篇
|
文摘
|
针对目前卫星网路协调任务存在协调成本高、协调效率较低的问题,提出基于XGBoost(eXtreme Gradient Boosting,极端梯度提升树)的卫星网络协调态势预测方法.该方法采用XGBoost算法学习高维的卫星网络协调数据,构建卫星网络协调态势预测模型,实现卫星网络协调态势的有效预测.实验结果表明,XGBoost模型在卫星网络协调态势预测方面具有较好的优越性. |
|
其他语种文摘
|
Aiming at the problem of high coordination cost and low coordination efficiency of satellite network coordination tasks,a coordinated prediction method based on XGBoost(eXtreme Gradient Boosting) is proposed. The method uses XGBoost algorithm to learn the high-dimensional satellite network coordination data and to construct the satellite network coordination situation prediction model, and thus ensures the effective prediction of the satellite network coordination situation. The results show that the XGBoost model is better at predicting the satellite network coordination situation. |
|
来源
|
小型微型计算机系统
,2019,40(12):2561-2565 【扩展库】
|
|
关键词
|
卫星网络
;
协调态势
;
频轨协调
;
XGBoost
;
回归预测
;
集成学习
|
|
地址
|
1.
中国科学院国家空间科学中心, 北京, 100190
2.
中国科学院大学, 北京, 100049
|
|
语种
|
中文 |
|
文献类型
|
研究性论文 |
|
ISSN
|
1000-1220 |
|
学科
|
自动化技术、计算机技术 |
|
基金
|
中国科学院战略性先导科技专项
|
|
文献收藏号
|
CSCD:6624802
|
参考文献 共
15
共1页
|
|
1.
周鑫林. 面向GEO卫星频轨协调风险的定量化评估.
计算机仿真,2018,35(2):410-416
|
被引
2
次
|
|
|
|
|
2.
Liang B. The status and prospect of orbital servicing in the geostationary orbit.
Journal of Astronautics,2010,34(2):1-13
|
被引
2
次
|
|
|
|
|
3.
Steigenberger P. Orbit and clock analysis of compass GEO and IGSO satellites.
Journal of Geodesy,2013,87(6):515-525
|
被引
37
次
|
|
|
|
|
4.
张海燕. 协调弧的概念及其应用.
中国无线电,2015(9):43-46
|
被引
1
次
|
|
|
|
|
5.
高晓阳. 对卫星网络轨道/频率协调中若干问题的探讨.
中国空间科学技术,2000,20(3):37-42
|
被引
2
次
|
|
|
|
|
6.
叶倩怡. 基于Xgboost的商业销售预测.
南昌大学学报(理科版),2017,41(3):275-281
|
被引
10
次
|
|
|
|
|
7.
施国良. 基于Lasso和Xgboost的油价预测研究.
工业技术经济,2018,37(7):31-37
|
被引
5
次
|
|
|
|
|
8.
邱耀. 基于XGBoost算法的用户行为预测与风险分析.
工业控制计算机,2018,31(9):44-45
|
被引
2
次
|
|
|
|
|
9.
王桂兰. XGBoost算法在风机主轴承故障预测中的应用.
电力自动化设备,2019:1-6
|
被引
1
次
|
|
|
|
|
10.
黄骞. 基于XGBoost节假日路网流量预测研究.
公路,2018,63(12):229-233
|
被引
1
次
|
|
|
|
|
11.
余锦娟. 基于机器学习的骨质疏松性骨折预测研究.
中国医学物理学杂志,2018,35(11):1329-1333
|
被引
2
次
|
|
|
|
|
12.
曹莹. AdaBoost算法研究进展与展望.
自动化学报,2013,39(6):745-758
|
被引
89
次
|
|
|
|
|
13.
Chen T. XGBoost: a scalable tree boosting system.
Knowledge Discovery and Data Mining,2016:785-794
|
被引
4
次
|
|
|
|
|
14.
候营辉. 用户情境感知的流式移动应用推荐.
计算机工程与应用,2018:1-10
|
被引
1
次
|
|
|
|
|
15.
Chen T. Higgs boson discovery with boosted trees.
Neural Information Processing Systems,2014:69-80
|
被引
1
次
|
|
|
|
|
了解气象卫星更多信息，请访问