Machine Translated by Google

Restauração de informações de telemetria em comunicações por satélite

Kiril Alexiev † Ivan Tkachenko Maxim Ivanushkin

MMSIP Departamento de Engenharia Departamento de Engenharia
IICT - BAS Espacial Samara State Aerospace Espacial Samara State Aerospace
Sofia Bulgária University Samara University Samara
alexiev@bas.bg Rússia innovatore@mail.ru Rússia ivanushkin.mks@gmail.com

Sergey Volgin
Departamento de Engenharia
Espacial Samara State Aerospace
University Samara
Rússia vss.space@gmail.com

ABSTRATO CONCEITOS DE CCS

A comunicação por satélite desempenha um papel importante no controle • Sistemas de informação
do espaço sideral. Serve tanto para o controle remoto de satélites ou do
sistema de satélites quanto para a transmissão de informações dos PALAVRAS-CHAVE
satélites para a Terra. A informação transmitida inclui tanto a informação
Restauração de sinal, decomposição de sinal de auto-semelhança
descrevendo o estado interno dos sistemas de satélites e informações
dos objetos monitorados pelos satélites. O último desempenha um papel Formato de referência ACM:
importante no controle de satélites e será considerado principalmente
Kiril Alexiev, Ivan Tkachenko, Maksim Ivanushkin, Sergey Volgin. 2020.
neste artigo. Normalmente, apenas um número muito pequeno de satélites
Restauração de informações de telemetria em comunicações por satélite.
se move em órbitas geoestacionárias (ou seja, eles estão localizados In Proceedings of 20th International Conference on Computer Systems and
acima do mesmo ponto acima da superfície da Terra. Isso significa que a Technologies (CompSysTech'2020). ACM, Nova York, NY, EUA, 6 páginas.
maioria dos satélites deve adaptar suas antenas aos dispositivos de https://doi.org/10.1145/3407982.3408024
recepção da Terra. A mudança na posição dos satélites os satélites em
relação às estações de comunicação da Terra com os satélites está associado
com uma mudança significativa nos parâmetros do canal e resulta muitas
1. Introdução
vezes em uma perda de informação transmitida. Todo processo físico observado ou medido é caracterizado por algumas
regularidades nele. Em caso de perda de parte do sinal, essas regularidades
Este artigo propõe um método para restauração de dados perdidos. Baseia-
poderiam ser utilizadas para recuperar parte da informação perdida
se na hipótese de correlação entre os dados enviados anteriormente com
irremediavelmente. O presente artigo sugere uma abordagem de como
os perdidos, válida para as informações transmitidas sobre o estado
usar regularidades de sinal para restaurar parte danificada do sinal. A
interno dos subsistemas de satélites. Um algoritmo eficiente é sugerido
tarefa de recuperação de sinal faz parte da tarefa mais comum de
para a detecção do segmento de dados mais próximo da escala em dados
processamento de um sinal danificado. O sinal gerado pelos sensores
enviados com sucesso com o segmento de dados, envolvendo dados
está sujeito a muitos fatores perturbadores e, como resultado, é alterado
perdidos. A demonstração e validação do algoritmo são apresentadas
ou parcialmente perdido. A restauração de um sinal tão danificado só é
sobre dados de pequenos satélites AIST. Para verificação de precisão do
possível se houver informações a priori sobre as características estatísticas
papel estruturado, o usuário pode executar a opção
dos fatores perturbadores e o padrão de comportamento do sinal (o

† A permissão para fazer cópias digitais ou impressas de todo ou parte deste
trabalho para uso pessoal ou em sala de aula é concedida sem taxa, desde que as
cópias não sejam feitas ou distribuídas com fins lucrativos ou vantagens comerciais
e que as cópias contenham este aviso e a citação completa no primeiro página. Os
direitos autorais de componentes deste trabalho pertencentes a outros que não a
ACM devem ser respeitados. Abstraindo com crédito é permitido. Para copiar de
outra forma, ou republicar, postar em servidores ou redistribuir para listas, requer
permissão específica prévia e/ou taxa. Solicite permissões de Permissions@acm.org.
CompSysTech '20, 19 a 20 de junho de 2020, Ruse,
Bulgária © 2020 Association for Computing Machinery.
ACM ISBN 978-1-4503-7768-3/20/06...$15,00
https:// doi.org/ 10.1145/3407982.3408024
sistema observado). Nestes casos, vários métodos como deconvolução,
interpolação/extrapolação, filtração, etc. podem ser aplicados com
sucesso. As características de sinal mais importantes são a média e
variância do sinal [1], a periodicidade do sinal [2,3], a distribuição de
probabilidade das amostras de sinal [4], etc. Muitas vezes essas
características têm natureza variável no tempo e modelos de sinais
complexos têm para ser aplicado. Em vários casos, no entanto, informações
a priori sobre o ruído ou o sistema observado estão ausentes no todo ou
em parte. Nesses casos, buscam-se novos métodos de recuperação de
dados inteligentes e adaptáveis, com os parâmetros de ruído necessários

129
Machine Translated by Google
CompSysTech'20, junho de 2020, Ruse, Bulgária
e/ou comportamento do sistema avaliado dinamicamente em tempo
real e a restauração do sinal inicial na forma de alguma tarefa de otimização. continuidade de suas derivadas até certo ponto. É importante notar
A abordagem proposta neste artigo é do tipo, descrita acima.
O objetivo em consideração é recuperar um sinal perdido procurando
a auto-semelhança de uma parte do sinal, ao redor da peça perdida,
com outras partes do sinal. A questão do impacto de diferentes tipos
de ruído não é abordada (seu efeito é insignificante). Outro pedaço de
sinal, tão próximo quanto a textura (comportamento) pode ser usado
para recuperar, independentemente da diferença de amplitude ou
escala de tempo.
O segundo capítulo discute as principais abordagens para sinalizar
recuperação.
O capítulo a seguir discute uma abordagem para decompor um sinal
de biblioteca auto-semelhante.
O capítulo quatro discute vários casos importantes de recuperação de sinal.
O Capítulo 5 discute os resultados obtidos e seguem-se as conclusões
sobre a aplicabilidade do algoritmo proposto.
2 Restauração de sinal Os
algoritmos padrão de proteção contra ruído são divididos em dois
grupos principais – usando algoritmos de correção de erros e
solicitação de repetição automática. O segundo encontrou ampla
implementação no conjunto de protocolos TCP/IP [5], mas requer
retransmissão de dados quando o receptor detecta um erro e sua
implementação para comunicação via satélite é questionável devido
aos recursos limitados de energia e tempo no satélite.
A aplicação de algoritmos de correção de erros torna o sistema geral
mais complicado. A sua implementação bem sucedida está relacionada
com um conhecimento estatístico prévio sobre o número de bits
individuais ou grupos de bits perdidos e a sua percentagem em toda a
informação transmitida. O algoritmo escolhido deve corrigir o número
especificado de erros/detecções perdidas. A eficiência/vantagem
algoritmo de do
correção de erro é geralmente estimada como uma redução da taxa de
erro de bits da sequência codificada em comparação com a não
codificada. Começando com o código de bloco de repetição mais
simples, passando pelos códigos cíclico, BCH, Reed Solomon,
convolucional, turbo e etc. todos eles requerem não apenas recursos
adicionais de computador/codificador/decodificador, mas também
levam a um aumento significativo do volume de informações
transmitidas [6].
A implementação de métodos de recuperação de sinal para o caso de
parte perdida/omitida do sinal também são numerosos e variados em
recursos e implementação.
Os métodos de interpolação [7] com base nas medidas obtidas geram
um novo conjunto maior de pontos, preservando os valores do sinal
nos pontos já obtidos. Muitas vezes, no campo do processamento de
sinais, esse método é chamado de upsampling.
Normalmente, nestes métodos os novos valores estão nos intervalos
entre as medições já obtidas. Polinômios de vários graus são mais
comumente usados para interpolação. A interpolação linear é a melhor
para sinais de singularidade (sinais de trem de pulso, retangular, dente
de serra, etc.). A interpolação polinomial cúbica é mais adequada para
sinais mais suaves. A interpolação spline também usa polinômios
(geralmente de baixo grau), mas
130
K. Alexiev et ai.
adicionalmente fornece a suavidade da função de interpolação - a
que apenas uma seleção apropriada de funções de interpolação e uma
taxa de upsampling adequada podem melhorar a precisão do processo
de recuperação de sinal.
Outra classe de métodos de recuperação de sinal são os de
extrapolação [8]. Esses métodos usam as medidas disponíveis para
construir um modelo de comportamento do sinal e novos pontos são
gerados usando esse modelo além dos pontos finais das observações
recebidas. Os métodos de extrapolação para recuperação de sinal
aplicam uma informação lateral dos dados recebidos (os dados
recebidos antes da perda de informação) e como consequência têm
capacidades limitadas na recuperação de dados perdidos, especialmente
no caso de uma série maior de bits perdidos.
A análise de regressão é uma ferramenta matemática em estatística
matemática usada para encontrar a relação funcional entre duas ou
mais variáveis aleatórias [9]. O modelo de regressão é definido
analiticamente com:
= , (1)
A relação descrita é correlacional, não funcional, devido à falta de uma
relação exclusivamente consistente entre x e y.
A característica mais característica de uma análise de regressão é que
ela procura a correspondência mais próxima sem tentar encontrar as
razões para isso. A análise de regressão linear e não linear pode ser
aplicada para reconstruir dados perdidos.
A análise de aproximação [10] é utilizada para representar o sinal por
meio de funções simplificadas, que por sua vez podem ser utilizadas
para recuperar medições faltantes. A chave na análise de aproximação
é a escolha do modelo de comportamento do sinal funcional e a
precisão da aproximação. O modelo funcional geralmente implica
algum conhecimento a priori do comportamento da grandeza medida.
Para evitar essa dependência, o sinal é decomposto em uma
combinação linear de vetores de base. O mais famoso deles
são o uso de séries de Fourier, Chebishev, wavelets, e etc. O sinal é
representado como:
=ÿ (2)
Onde , , … são os coeficientes em decomposição e , … para o
= 1, , , , …, caso da transformada
de Fourier. Quando a decomposição do sinal em série é cumprida,
pode-se usar (2) para calcular as medidas omitidas. O problema desses
métodos é encontrar representações de sinais ortogonais compactas
e interpretáveis para diferentes conjuntos de sinais de entrada.
Por exemplo, o sinal analógico suave tem uma boa representação em
série sen, mas todo sinal de singularidade deve ser apresentado por
séries dimensionais infinitas (praticamente por séries temporais muito longas).
Além disso, a apresentação do sinal em série não depende do local de
singularidade, ou seja, a decomposição não depende das propriedades
locais do sinal, o que é muito importante na restauração do sinal.
A recuperação de uma parte do sinal é frequentemente associada ao
aprendizado sobre suas propriedades locais. A análise tempo-
frequência é a principal abordagem aplicável neste caso. Tempo-frequência (TF) Fourie
Machine Translated by Google
Restauração de informações de telemetria em comunicações por satélite
A análise é amplamente usada para analisar sinais contendo muitos
componentes oscilatórios com amplitudes e frequências instantâneas que
variam lentamente. Transformada de Fourier de Curto Prazo (STFT),
Transformação Wavelet Contínua (CWT) e Distribuição de Wigner-Ville são os
exemplos mais típicos de análise tempo-frequência [11-16]. Recentemente,
surgiu um novo método de análise de tempo-frequência - a chamada
transformação de Decomposição de Modo Empírico de Hilbert-Huang (EMD)
[17]. EMD é um algoritmo de decomposição original usado em muitas aplicações
[18-
19].
Outra classe de algoritmos utilizada para recuperar sinais é baseada no filtro
de Kalman (KF) e suas modificações. Este tipo de algoritmo pressupõe o
conhecimento da função de transição do sistema investigado de um estado
para outro (modelo do sistema), bem como o conhecimento das estatísticas de
ruído do sensor e dos erros no modelo do sistema. Originalmente, o filtro de
Kalman foi projetado para avaliar apenas sistemas lineares [20]. Posteriormente
foi generalizado para sistemas não lineares (filtro de Kalman estendido - EKF).
Além disso, foi proposta sua modificação com a suplementação de Maximização
de Expectativa (EM). Hoje, muitas versões do KF estão disponíveis, como
estimadores Pseudo-Bayesianos Generalizados (GPB) de diferentes ordens,
Modelos Múltiplos Interativos de Estrutura Fixa (IMM), IMM de Estrutura
Variável, IMM de Associação de Dados Probabilísticos e assim por diante
[21-25]. Todos eles estão estimando os parâmetros do sistema não linear.
Embora haja uma rica variedade de métodos e algoritmos, eles são baseados
principalmente em aproximações lineares. determina o comportamento no
momento seguinte. No entanto, em muitas aplicações essa condição não é
cumprida e o sinal ausente pode ser restaurado incorretamente.
Os métodos descritos acima demonstram a enorme variedade de métodos de
recuperação de sinal disponíveis - desde os mais simples, que implicam a
interpolação de sinal em regiões de medição ausentes, até aqueles que utilizam
modelos comportamentais.
A abordagem proposta no artigo está mais próxima daquelas que utilizam
modelos comportamentais. A recuperação do sinal é baseada na hipótese de
que no comportamento do satélite observado/medido
parâmetros do subsistema caracteriza-se com repetibilidade devido à rotação
cíclica dos satélites ao redor da Terra, a rotação periódica dos painéis
fotovoltaicos para o sol, o vôo periódico sobre o mesmo ponto na Terra, etc. A
repetibilidade é observada até uma precisão de magnitude , tanto em amplitude
quanto em tempo. Para usar a repetibilidade dos sinais medidos, o sinal
recebido é decomposto em uma biblioteca de componentes principais.
A decomposição do sinal não usa formas determinadas preliminarmente como
senoides, wavelets, etc. A segmentação do sinal depende inteiramente do
comportamento do sinal observado. Isso significa que a decomposição do
sinal é específica para cada sinal processado. A biblioteca de componentes
segmentados é usada para recuperar seções de sinal perdidas.
A ideia básica é recuperar a parte faltante do sinal usando um(s) componente(s)
de biblioteca de forma que a estrutura do sinal em torno da informação perdida
fique o mais próximo possível (em escala) de outro fragmento do sinal. Essa
ideia não é nova. Tem
131
CompSysTech'20, junho de 2020, Ruse, Bulgária
já foi aplicado em aplicativos de restauração de textura de imagens (com sinais
2D).
Neste artigo, o foco está na restauração de sinais unidimensionais pela
decomposição adequada do sinal.
3 Decomposição auto-similar (SSD) de sinais O SSD [26] é uma tentativa
de combinar a representação do sinal no domínio do tempo com uma
representação no domínio da frequência. Uma breve descrição da consideração
mais importante será dada aqui.
O algoritmo SSD é baseado na hipótese de que os pontos mais importantes no
sinal observado do ponto de vista da informação são seus extremos. Um sinal
pode codificar a informação de muitas maneiras diferentes por modulação de
sinal. Mas, apesar da forma de modulação, a informação é codificada nas
mudanças do sinal. As mudanças de um sinal podem ser determinadas apenas
comparando os valores de vários pontos de sinal. Para quaisquer dois pontos
de sinal vizinhos (o menor conjunto para comparação) existem apenas três
estados possíveis – preservação do sinal, aumento do sinal ou diminuição do
sinal. O conjunto de três pontos vizinhos possui possibilidades mais ricas –
possui meios para detectar a transição do sinal de um estado para outro. Os
pontos de mudança de estado do sinal são considerados os portadores de
informação de sinal mais importantes e desempenham um papel fundamental
no algoritmo SSD. Esses pontos são extremos de sinal usados como pontos de
fronteira para segmentação de sinal.
A realização do algoritmo usa uma biblioteca de formas básicas de sinais para
representação de sinais. Espera-se que sejam repetitivos dentro do sinal
observado. Esta ideia não é nova. Existem duas abordagens diferentes para a
descrição do sinal usando as propriedades das formas. O primeiro usa um
conjunto de formas de sinais ou dicionários definidos a priori [27-31]. Cada
fragmento é comparado com este conjunto e classificado de acordo com sua
semelhança com o padrão correspondente. A segunda abordagem vem da
análise fractal onde um sinal é descrito usando sua auto-semelhança.
Normalmente a análise fractal é aplicada para estimar o grau de repetição de
uma determinada forma em diferentes escalas. A aplicação no contexto da
segunda abordagem é limitada devido ao pequeno número de sinais fractais na
prática. A abordagem SSD pode ser considerada como uma extensão da
segunda abordagem. Os passos principais do algoritmo SSD são dados na fig.
1:
Sinal Eliminar ruído Achar Biblioteca
de entrada Extrema Segmentação
Figura 1. A arquitetura do algoritmo SSD
O sinal recebido (primeiro passo) quase sempre está contaminado com ruído.
A detecção correta do sinal requer filtragem/suavização do sinal (passo dois)
para reduzir a influência do ruído de alta frequência. Simultaneamente, o sinal
é suavizado para compensar o erro de arredondamento do ADC. A terceira
etapa do algoritmo localiza os extremos do sinal. O processo de segmentação
Machine Translated by Google
CompSysTech'20, junho de 2020, Ruse, Bulgária
(quarta etapa) consiste em decompor o sinal de entrada em partes não
sobrepostas chamadas segmentos, seguidas de sua agregação (quinta
etapa). A agregação de segmentos é realizada pela fusão de duplos, triplos,
quádruplos, ..., n-tuplas de segmentos semelhantes.
O sinal contém também duas partes de borda: a parte do sinal antes de
seu primeiro extremo e a parte do sinal após seu último extremo. Todos os
segmentos se caracterizam por sua monotonicidade (antes da agregação),
posição e escala. Esta informação permite reconstruir o sinal da biblioteca
dos segmentos de sinal específicos buscados.
O procedimento mais importante do algoritmo SSD é a busca por
similaridade. É calculado pelo coeficiente de correlação de Pearson:
=
&
! ÿ "#$$'#
"%$ (ÿ&$'#"#$
)(ÿ "%$ $'# )
&
(3)
% %
*+! ÿ "#$ (ÿ$'#
"#$) ,+! ÿ "%$ (ÿ$'#
"%$) ,
&% & &% &
$'# $'#
Esta estimativa de similaridade é preferida para ser usada para flutuação
normalmente distribuída de pontos de sinal, que está em conformidade
com o caráter de ruído de medição aditivo.
Um exemplo demonstrativo de implementação do algoritmo SSD em um
sinal senoidal com amplitude linearmente crescente é dado na Fig. 2 [26].
O sinal de entrada é exibido na Fig. 2a, onde os segmentos agregados são
representados com cores diferentes. O algoritmo SSD determina 3 formas
primitivas representadas na Fig. 2b para descrição do sinal.
uma. Segmentação b. Três formas primitivas
descrevem o sinal
Figura 2. Algoritmo SSD para função senoidal com amplitude linearmente
crescente
4 Implementação de SSD para restauração de sinal O capítulo anterior
dá a ideia de como decompor um sinal usando auto-similaridade. O
resultado da implementação do SSD sobre um sinal é uma biblioteca de
segmentos e/ou duplos, triplos, quádruplos, ..., n-tuplas de segmentos
semelhantes. Normalmente cada biblioteca é única e corresponde apenas
ao sinal decomposto. O SSD do sinal garante que um sinal observado pode
ser restaurado usando apenas os elementos da biblioteca. Vamos supor
que uma parte do sinal esteja danificada/perdida. A influência da parte
danificada do sinal no resultado do SSD depende de quão grande é a parte
perdida do sinal e quantos extremos foram perdidos. Vejamos em detalhes
os casos particulares: Caso 1: Uma parte do segmento é perdida. Os
extremos do sinal não estão danificados. Quando parte insignificante do
segmento é perdida, a tarefa de restauração do sinal é trivial. O restante do
segmento danificado é comparado quanto à proximidade com os segmentos
na biblioteca usando
132
K. Alexiev et ai.
critério de Pearson. Para que o teste de correlação seja aplicado
corretamente, os segmentos da biblioteca devem ser reamostrados. Vamos
denotar as medições de sinal no segmento danificado -. como -.# , … , -./ ,
-./010#, … , -.& . O segmento de dano continha inicialmente N medições,
mas m delas foram perdidas na transmissão – as medições de k+1 a k+m.
Vamos denotar o
medições do i-ésimo segmento s3 da biblioteca por s3# , s3% , … , s34 . O
número de medições recebidas é L. O procedimento de reamostragem cria
N pontos s3# , s3% , … , s3& . Então m deles são removidos (de k+1 a k+m)
e os pontos restantes são renumerados de 1 a Nm. A expressão modificada
para o coeficiente de correlação de Pearson será:
=
&81
! 5 ÿ "$6 6'#
" 76
&81
9ÿ6'# :9ÿ
"$6
&81
6'# "76 :
: =<! 5 ÿ "76 :
% %
&81% &81 &81% &81
6'# 9ÿ6'# "$6 6'# 9ÿ6'# "76
;<! 5 ÿ "$6 =
(4)
Se o coeficiente de correlação de Pearson do segmento mais próximo
ultrapassar um certo limite (por exemplo 0,98) a parte danificada de -. pode
ser substituído pela peça retirada do segmento mais próximo após sua
reescalonamento e deslocamento. Às vezes, pode acontecer que o
segmento de dano seja único e não haja segmentos semelhantes. O caso
poderia ser resolvido usando técnicas de interpolação padrão, conhecendo
(e preservando) a monotonicidade do segmento danificado.
O algoritmo descrito acima é aplicável quando o número de medições
restantes nos segmentos danificados Nm é suficiente para busca de
similaridade. Em outros casos, os segmentos circundantes devem ser
usados.
Um exemplo simples de demonstração é dado na Fig. 3. O sinal do satélite
“AIST” [33, 34] é recebido com algumas perdas (Fig.3a). Os dados de
telemetria, recebidos do pequeno satélite “AIST”, são uma série de
medições dos principais parâmetros, definindo o estado da espaçonave.
Os dados de telemetria são transmitidos para a estação terrestre como
uma série de quadros. Estruturalmente, esses quadros são séries de bits
de comprimento predefinido com um cabeçalho no início e uma soma de
controle no final. Os dados de telemetria são a principal fonte de informação
sobre os eventos ocorridos a bordo de uma espaçonave em operação.
Através do processo de análise de telemetria, identificam-se os marcadores
de emergência, monitoriza-se o funcionamento do satélite, avalia-se o
desempenho da plataforma e detectam-se falhas e avarias nos equipamentos
de bordo. O algoritmo detecta e restaura as informações perdidas (Fig.3b).
uma. Segmentação de um sinal com b. Restauração de sinal
perdas
Figura 3. Restauração de um sinal com perdas em um segmento
Machine Translated by Google
Restauração de informações de telemetria em comunicações por satélite
Caso 2: A parte perdida do sinal contém um ou mais extremos. Este caso
é mais complicado devido à perda das medidas mais importantes. Para k
extremos perdidos pelo menos k+1 segmentos (k+1 -
tuplas de segmentos semelhantes) devem ser usadas para restauração de sinal.
O algoritmo de restauração desses segmentos é análogo ao do caso
anterior. A escolha do número de segmentos a serem considerados é
extremamente delicada. Isso se deve à maior quantidade de medidas
perdidas e aos problemas relacionados à suficiência de segmentos
circunvizinhos para verificação de similaridade. O número mínimo de
segmentos k+1 é muitas vezes muito escasso para restaurar corretamente
o sinal. A escolha do maior número de segmentos leva a dificuldades de
encontrar n-tuplas semelhantes correspondentes na biblioteca. Esta
estratégia é bem sucedida apenas para sinais altamente repetitivos.
Quando o pacote de informações perdidas contém um ou mais pontos
extremos (Fig.4a), os segmentos circundantes são incluídos e o sinal é
restaurado usando a textura de sinal preservada mais próxima (Fig.4b).
É importante notar que a restauração do sinal é realizada usando
similaridade até escala em amplitude ou em tempo.
uma. Segmentação de um sinal com b. Restauração de sinal
perdas
Figura 4. Restauração de um sinal com perdas em dois segmentos
5 Discussão
Cada algoritmo tem seus próprios pontos fortes e fracos para um dado
dado. A análise, dada aqui, descreve os lados positivos e negativos do
novo algoritmo. Pode servir como recomendação ou alerta de onde e como
implementar o algoritmo e prognosticar os resultados de seu trabalho.
O novo algoritmo proposto para recuperação de informações perdidas ou
danificadas é aplicável e eficaz para um determinado tipo de sinal. Os
melhores resultados são obtidos com sinais periódicos e repetitivos, que
carecem de grande variedade de variações. Sinais semelhantes a ruído
branco implicam em baixa repetibilidade, o que leva a uma rica biblioteca
de segmentos e a aplicação bem-sucedida do algoritmo é problemática. A
eficiência e principalmente a correção do funcionamento do algoritmo
proposto também diminuem bastante com o aumento da quantidade de
informação perdida, embora resultados não tão ruins tenham sido obtidos
para a mesma classe de sinais com textura rica em repetição. A melhor
característica do algoritmo é sua capacidade de recuperar extremos.
Nesses casos, os algoritmos de interpolação estão totalmente errados e os
baseados em modelos geralmente criam seus próprios picos.
Outra grande vantagem do algoritmo proposto é que não é necessário
aumentar a quantidade de informação transmitida. Além disso, o algoritmo
é aplicável para estudar dados de informações telemétricas, identificando
instâncias de dados que podem
133
CompSysTech'20, junho de 2020, Ruse, Bulgária
requerem atenção específica, seja um outlier ou uma mudança repentina
nos parâmetros operacionais do equipamento de bordo da espaçonave.
6. Conclusão
O estado do monitoramento da espaçonave é realizado usando informações
enviadas regularmente do satélite para as estações terrestres sobre a
operação de vários sistemas e sensores a bordo.
Muitas vezes, essas informações são corrompidas devido a links de
comunicação complicados e precisam ser restauradas. O artigo propõe
uma abordagem para restauração de sinais baseada na repetibilidade dos
sinais dos satélites como resultado do funcionamento cíclico de quase
todos os sistemas e sensores de satélites. O algoritmo usa decomposição
auto-semelhante do sinal recebido. Dois casos de realização de algoritmos
são considerados – sem perda extrema e com
perda extrema. Os exemplos demonstram a restauração do sinal para
ambos os casos. Uma discussão é dada para a aplicabilidade do algoritmo
e seus prós e contras.
REFERÊNCIAS
[1] Allen RL, DW Mills. Análise de Sinal Tempo, Frequência, Escala e Estrutura, Copyright
© 2004 pelo Instituto de Engenheiros Elétricos e Eletrônicos, Inc., ISBN: 0-471-23441-9.
[2] Fourier J. The Analytical Theory of Heat, Cosimo Inc., Nova York, 2007, ISBN:
978-1-60206-107-1, publicado originalmente em 1822.
[3] Cooley JW, JW Tukey. (1960) "Um algoritmo para o cálculo da máquina de séries
complexas de Fourier", Matemática da Computação. 19 (90): 297–301, doi:10.1090/
S0025-5718-1965-0178586-1, ISSN 0025-5718 [4] Robert M. Gray, Lee D. Davisson,
(2005) Uma Introdução ao Sinal Estatístico
Processing, Cambridge University Press.
[5] Forouzan, Behrouz A. (2003) TCP/IP Protocol Suite (2ª ed.). McGraw
Hill.ISBN978-0-07-246060-5.
[6] Moreira JC, Farrell PG, (2006) Essentials of Error-Control-Coding, John
Wiley & Sons Ltda.
[7] Rainer Kress, (1998) Análise Numérica, Publicado por Springer, ISBN: 978-1-
4612-6833-8, DOI: 10.1007/978-1-4612-0599-9.
[8] C. Brezinski, M. Redivo Zaglia, (1991) Métodos de Extrapolação, Volume 2, Teoria e
Prática, ISBN: 9780080506227, Holanda do Norte.
[9] A. Sen, M. Srivastava, (2011) Análise de Regressão - Teoria, Métodos e
Aplicações, Springer-Verlag, Berlim, (4ª impressão).
[10] LN Trefethen, (2013) "Teoria da aproximação e prática da aproximação", SIAM 2013,
The University of Oxford & TheChebfun Team.
[11] L. Cohen, (1999) Análise de Tempo-Frequência, Prentice Hall, Nova Jersey (1995).
[12] P. Flandrin, Análise de tempo-frequência/escala de tempo, Análise Wavelet e suas
Aplicações, vol. 10, Academic Press Inc., San Diego, CA.
[13] L. Stankoviÿ, M. Dakoviÿ, T. Thayaparan, (2013) Análise de Sinal de Tempo-Frequência
com Aplicações, Artech House, Boston.
[14] F. Hlawatsch, GF Boudreaux-Bartels, (1992) Representações de sinal TF lineares e
quadráticas, IEEE Signal Proc. Mag., 9 (2), pp. 21-67.
[15] S. Mallat, (1999) A Wavelet Tour of Signal Processing, Imprensa Académica.
[16] S. Meignen, T. Oberlin, P. Depalle, P. Flandrin, S. McLaughlin, (2016)
Reconstrução adaptativa de sinal multimodo a partir de representações de frequência
de tempo, Phil. Trans. R. Soc. A, 374 (2065)
[17] Huang NE, Shen Z., Long SR, Wu MC, Shih HH, Zheng QN, Yen NC, Tung CC, Liu HH
(1998) A decomposição de modo empírico e o espectro de Hilbert para análise de
séries temporais não-lineares não estacionárias. Proc. R. Soc. Londres.
A. 1998;454:903–995. doi: 10.1098/rspa.1998.0193.
[18] Hariharan H.; Gribok, A.; Abidi, MA; Koschan, A. (2006) "Image Fusion and Enhancement
via Empirical Mode Decomposition", Journal of Pattern Recognition Research, 1(1):
16–31, doi:10.13176/11.6.
[19] Chang, JC; Huang, MEU; Lee, JC; Chang, CP; Tu, TM (2009) "Iris Recognition with an
Empirical Mode Decomposition Method", Optical Engineering, 48 (4): 047007–047007–
15, doi:10.1117/1.3122322.
[20] Kalman, RE, (1960) A New Approach to Linear Filtering and Prediction Problems,
Journal of Basic Engineering, 82: 35-45, doi: 10.1115/1.3662552
[21] Bar-Shalom, Yaakov, Thomas Forthmann, (1988) Rastreamento e Dados
Association, San Diego, CA, Academic Press.
[22] Bar-Shalom, Yaakov, (editor), (1990) Multitarget-Multisensor Tracking:
Aplicações Avançadas, Norwood, MA.
Machine Translated by Google

CompSysTech'20, junho de 2020, Ruse, Bulgária K. Alexiev et ai.

[23] Bar-Shalom, Y.,XR. Li, (1993) Multitarget-Multisensor Tracking: Princípios e Técnicas,

Artech House, Boston, Londres.
[24] X.Rong Li, (2000) Guia dos Engenheiros para Modelo Múltiplo de Estrutura Variável
Estimativa e Rastreamento.
[25] Henk AP Blom, Edwin A. Bloem, (2005) Joint IMM e PDA acoplado para rastrear alvos
próximos e evitar a coalescência de rastros, Proceedings of the Seventh International
Conference on Information Fusion, pp. 130-137.
[26] K. Alexiev, T. Toshkov e D. Prodanov, (2019) Decomposição auto-semelhante de sinais
digitais, 2019 IEEE International Symposium on INnovations in Intelligent SysTems
and Applications (INISTA), Sofia, Bulgária, pp. 1-6 , doi: 10.1109/INISTA.2019.8778230.

[27] PJ Besl, RC Jain, (1988) Segmentation Through Variable-Order Surface Fitting, IEEE
Trans. sobre PAMI, vol. IO, ÿ 2, março de 1988, pp. 167-192.
[28] RL Allen, DW Mills, (2004) Signal Analysis Time, Frequency, Scale, And Structure,
Copyright © 2004 pelo Instituto de Engenheiros Elétricos e Eletrônicos, Inc., ISBN:
0-471-23441-9.
[29] B. Bhanu, (1984) Representation and shape matching of 3-D objects, IEEE Trans.
Sobre o PAMI, vol. PAMI-6, ÿ. 3, maio de 1984, pp. 340-350.
[30] M. Hebert e J. Ponce, (1982) Um novo método para segmentação de cenas 3-D em
primitivos, em Proc. 6ª Int. Conf. Reconhecimento de padrões, Munique, Alemanha
Ocidental, 19-22 de outubro de 1982, pp. 836-838.
[31] C.Panagiotakis, G.Tziritas,Signal (2009) Segmentação e Modelagem Baseada no
Princípio da Equipartition, 16th International Conference on Digital Signal Processing,
ISBN impresso: 978-1-4244-3297-4, ISBN CD-ROM: 978 -1-4244-
3298-1, DOI: 10.1109/ICDSP.2009.5201105.
[32] Pan VY (1986) O trade-off entre a complexidade aditiva e a assincronia de algoritmos
lineares e bilineares, Information Processing Letters, 22(1),pp.11–14,
DOI:10.1016/0020-0190(86) 90035-9.
[33] Ivanushkin, MA, Volgin, SS, Kaurov, IV & Tkachenko, IS, (2019)
"Análise de métodos estatísticos para detecção de outliers em matrizes de dados de
telemetria, obtidos de pequenos satélites "AIST", Journal of Physics: Conference Series.
DOI: 10.1088/1742-6596/1326/1/012029.
[34] Ivanushkin, MA, Tkachenko, IS, Safronov, SL, Kaurov, IV & Volgin, SS, (2019) "Sobre
os resultados do processamento dos dados de telemetria recebidos da pequena
constelação de satélites "AIST", Journal of Physics: Série Conferência.
DOI: 10.1088/1742-6596/1368/4/042062.

134