[發明專利]一種對有缺失衛星數據進行參數異常模式檢測的方法

有效

• 申請號: 202011152977.7
• 申請日: 2020-10-26
• 公開（公告）號: CN112101482B
• 公開（公告）日: 2022-05-06
• 發明（設計）人: 翟磊;鮑軍鵬;顏博;郭思堯;張國亭;張超;辛為政;萬俊偉;魏巍
• 申請（專利權）人: 西安交通大學;中國電子科技集團公司第五十四研究所
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 西安智大知識產權代理事務所 61215
• 代理人: 段俊濤

一種對有缺失衛星數據進行參數異常模式檢測的方法，包括：數據預處理，完成衛星時序數據的規范化和標準化處理；異常檢測，基于人工神經網絡模型，載入包含缺失的衛星時序數據，設置批處理參數，根據該參數值對衛星時序數據進行分組，之后對包含缺失的每組衛星時序數據進行異常檢測；結果圖形可視化，保存檢測結果，并圖形化顯示異常檢測結果。該方法利用一種全新的神經網絡模型，結合衛星時序數據固有的時間依賴特性，實現在有大量缺失數據情況下對衛星異常模式進行準確檢測的過程，保證了衛星故障診斷和健康管理系統的穩定性。

技術領域

本發明屬于智能信息處理和計算機技術領域，特別涉及一種對有缺失衛星數據進行參數異常模式檢測的方法。

背景技術

衛星時序數據由于接收盲區或者干擾等原因，會造成原始時序數據的缺失，也就是說，有一些時間點或者時間段上沒有觀測數據。有缺失的時序數據會對模式識別、異常檢測、故障診斷等應用造成極大困難。

在過去的幾十年中，研究者們開發了各種方法來解決時序數據中有缺少的值的情況。一種簡單的解決方案是直接忽略缺失數據，只對觀察到的數據進行分析，但是當缺失率很高并且數據中保留了不充分的樣本時，這種方法不能提供良好的性能。另一種方法是用替換值來填充缺失值，即數據填充。但是填充后的數據模式未必與原始數據蘊含的真實模式完全一致。與此同時，在最近幾年，循環神經網絡在時序數據的許多應用領域中都呈現出了較好的效果，包括機器翻譯、分類、預測任務等。循環神經網絡有若干個很好的特性，比如有強大的預測性能，能夠捕獲長期時間的依賴性以及有觀測可變長度數據的能力等，正是由于這些特性，使得循環神經網絡在解決時序數據的問題中有可靠的保障。

總之，關于有缺失值的時序數據的研究已經逐漸開始被大眾所重視，到目前為止，對有缺失的時序數據的處理都是使用評估方法來猜測缺失值，這使得數據會有一定程度的偏差，當這個偏差特別大時，甚至會影響對時序數據的判斷。

發明內容

為了克服上述現有技術的缺點，本發明的目的在于提供一種對有缺失衛星數據進行參數異常模式檢測的方法，有效避免了上述偏差，不使用估計缺失值的方法表示數據，對缺失不做任何處理，直接將有缺失的時序數據看作初始完整的數據，保證了數據的真實性，降低了數據的偏差程度；本發明將這種方法應用于有缺失的衛星時序數據中，利用一種全新的神經網絡模塊，實現了對有缺失的衛星時序數據的參數異常模式的檢測。與傳統的模型相比，無論是在網絡結構，還是在計算方式上都存在差異。

為了實現上述目的，本發明采用的技術方案是：

一種對有缺失衛星數據進行參數異常模式檢測的方法，包括：

數據預處理，完成衛星時序數據的規范化和標準化處理；

異常檢測，基于人工神經網絡模型，載入包含缺失的衛星時序數據，設置批處理參數，根據該參數值對衛星時序數據進行分組，之后對包含缺失的每組衛星時序數據進行異常檢測；若模型檢測出的模式不屬于已有的數據模式類別，則稱其為異常模式，并在檢測時將所有異常的模式統一定義為新類；

結果圖形可視化，保存檢測結果，并圖形化顯示異常檢測結果。

所述數據預處理包括：數據集的載入以及生成含大量缺失數據的衛星時序數據，其中，將完整的衛星時序數據設置隨機或連續的大量缺失，以此實現對衛星時序數據的預處理過程。

所述人工神經網絡模型以循環神經網絡模塊為參考，對其進行改進優化，一方面利用掩蔽(mask)來表示數據缺失情況；另一方面用時間間隔(time interval)來表示觀測到的相臨兩個衛星時序數據之間的時間差；對于任意輸入的時序數據，將掩蔽和時間間隔應用到模型的輸入和網絡狀態中，捕獲關于時序數據觀測的長期時間依賴性，改善檢測結果。