L'analyse de données de séries chronologiques multi-fonctionnalités est essentielle pour les missions spatiales
rendre la détection d'événements efficace, potentiellement à bord, indispensable pour automatique
analyse. Cependant, ressources informatiques embarquées limitées et liaison descendante de données
les contraintes nécessitent des méthodes robustes pour identifier les régions d’intérêt dans
temps réel. Ce travail présente un algorithme adaptatif de détection des valeurs aberrantes basé sur
l'erreur de reconstruction de l'analyse en composantes principales (APC) pour la fonctionnalité
réduction, conçu explicitement pour les applications de missions spatiales. L'algorithme
s'adapte dynamiquement à l'évolution des distributions de données grâce à l'utilisation de la PCA incrémentielle,
permettre un déploiement sans modèle prédéfini pour toutes les conditions possibles. UN
le processus de pré-mise à l'échelle normalise l'ampleur de chaque entité tout en préservant
variance relative au sein des types de fonctionnalités. Nous démontrons l’algorithme
efficacité dans la détection des événements de plasma spatial, comme un espace distinct
environnements, phénomènes transitoires diurnes et nocturnes, et couches de transition
grâce aux observations de la mission MMS de la NASA. En plus, nous appliquons la méthode à
Données THEMIS de la NASA, identifier avec succès un transitoire diurne à l'aide
mesures disponibles à bord.

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: