[發明專利]一種航天器姿態異常檢測方法及系統

有效

• 申請號: 202010270980.2
• 申請日: 2020-04-08
• 公開（公告）號: CN111401471B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 張濤;李訓嘉;沈凱麗;劉亞杰;王銳;雷洪濤;黃生俊;王羽
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G06F18/2135
• 分類號: G06F18/2135;G06F18/214;G06F18/25;G01C21/24
• 代理公司: 長沙國科天河知識產權代理有限公司 43225
• 代理人: 董惠文

1.一種航天器姿態異常檢測方法，其特征在于，包括以下步驟：

步驟1，將正常遙測參數樣本數據進行標準化處理，得到均值為0，方差為1的標準數據集X作為訓練集；

步驟2，通過融合矩陣建立PCA-LPP融合降維重構模型；

步驟3，基于PCA-LPP融合模型，對訓練集進行降維重構，獲得融合矩陣，根據融合矩陣獲得訓練模型和降維重構數據；

步驟4，根據降維重構數據，計算訓練集在降維重構過程中的變化量及變化量的控制限；

步驟5，對在線待檢測遙測數據樣本進行標準化處理，獲得均值為0，方差為1的標準數據集X_new作為測試集；

步驟6，通過所述訓練模型對測試集進行降維重構，獲得降維重構數據，計算測試集在降維重構過程中的變化量；

步驟7，測試集的變化量超出訓練集變化量的控制限時，計算測試集中各遙測參數變量對測試集變化量的貢獻率，貢獻率最大或貢獻率超出閾值的變量為異常變量；

所述步驟2包括：

步驟21，針對標準數據集X，構建與主成分分析目標函數相同的融合算法全局目標函數，完成對全局特征的提取；

步驟22，針對標準數據集X，構建與流形學習目標函數相同的融合算法局部目標函數，完成對局部特征的提取；

步驟23，根據全局目標函數、局部目標函數及兩者之間的融合矩陣獲得融合算法的目標函數，進而獲得融合降維重構模型；

所述步驟21包括：

針對高維數據標準樣本集X＝[x₁,x₂,...,x_N]^T∈R^m，融合算法的全局目標函數F(A)_global的目標是尋找d個映射向量a₁,a₂,...,a_d，構成映射矩陣A，使得映射值y_i＝A^Tx_i(i＝1,2,...,N)能夠在低維空間中保留原始空間的主要方差信息，F(A)_global數學表達形式如下：

其中，A＝[a₁,a₂,...,a_d]；融合算法的全局目標函數F(A)_global與PCA目標函數相同；

步驟22包括：

針對高維數據標準樣本集X＝[x₁,x₂,...,x_N]∈R^m，融合算法的局部目標函數F(A)_local的目標是尋找d個映射向量a₁,a₂,...,a_d，構成映射矩陣A，使得映射值y_i＝A^Tx_i(i＝1,2,...,N)組成的低維空間能夠較好地保持原始空間中的局部近鄰結構，F(A)_local數學表達形式如下：

其中，W_ij為高維空間中數據樣本x_i與x_j的近鄰關系，計算如下：

s.t.0＜i＜N,0＜j＜N.

W為權重矩陣，D為對角陣，L＝D-W是Laplacian矩陣，A＝[a₁,a₂,...,a_d]是映射矩陣；融合算法的局部目標函數F(A)_local與LPP目標函數相同；

步驟23包括：

融合算法的目標函數F(A)_融合將上述全局目標函數和局部目標函數相結合，以通過映射能提取更加全面的特征；

由于限制條件A^TXDX^TA＝1，因此局部目標函數繼續推導得到：

基于F(A)_融合數學表達形式如下：

其中，t∈[0,1]是比例系數，t越大，融合算法越偏重于全局特征提取，融合算法的最后求解轉化為計算W矩陣的前d個最大特征值對應的特征向量{a₁,a₂,...,a_d}，從而得到映射矩陣A。