[發明專利]數據不平衡下XGBoost結合FocalLoss的衛星姿態故障檢測方法

在審

• 申請號: 202210414580.3
• 申請日: 2022-04-20
• 公開（公告）號: CN115048976A
• 公開（公告）日: 2022-09-13
• 發明（設計）人: 朱敬傲;包海超;吳帆;韓凱;任前義;龔文斌;陸新穎
• 申請（專利權）人: 中國科學院微小衛星創新研究院;上海微小衛星工程中心
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F17/10;G01S19/23;G01S19/40
• 代理公司: 上海申浩律師事務所 31280
• 代理人: 趙青

1.數據不平衡下XGBoost結合FocalLoss的衛星姿態故障檢測方法，其特征在于：具體步驟如下：

步驟一、衛星地面站通過遙測接受衛星上的姿態控制系統中星敏、陀螺儀與反作用輪的數據，并對接受到的數據進行編解碼和存儲；

步驟二、對步驟一中存儲的衛星姿態遙測數據中的正常數據與故障數據分布的極其不平衡進行預處理；

步驟三、基于XGBoost結合FocalLoss損失函數的模型訓練，XGBoost支持自定義目標函數和損失函數，針對衛星姿態故障數據中不平衡的特性，通過FocalLoss損失函數來進行衛星姿態故障檢測；

步驟四、利用步驟三中的訓練模型對步驟二中預處理后的衛星姿態遙測數據進行故障檢測。

2.根據權利要求1所述的數據不平衡下XGBoost結合FocalLoss的衛星姿態故障檢測方法，其特征在于：步驟三中所述基于XGBoost結合FocalLoss損失函數的模型訓練，具體如下：XGBoost算法的思想是在訓練的過程中不斷的添加CART樹，然后不斷地進行特征的分裂來生成一顆樹，在這個過程中每次添加一棵樹，本質就是學習到了一個新的函數，這樣就可以通過這個函數去擬合之前的誤差；當模型訓練完成的時候，會得到k顆樹，當模型需要預測一個樣本的分數，本質就是根據這個樣本的特征，在每顆訓練好的樹中會落到的對應的一個葉子結點，當中每個葉子結點都會對應一個分數，最后的目標就是將每棵樹對應的分數加起來就是這個樣本需要的預測值；

XGBoost模型的原始的目標函數：

其中，是損失函數，∑_kΩ(f_k)是為了模型不容易過擬合的正則項；

其中，為預測輸出；y_i為標簽值；是第k顆樹的模型；T為樹葉子節點數；ω是葉子權重值；γ是各個子樹的懲罰正則項，它的功能是能夠剪枝；λ是葉子權重懲罰正則項，目的是為了防止模型過擬合；

結合FocalLoss損失函數：

其中，y′是輸出的概率，在[0,1]之間，輸出概率越大損失越小；對于負樣本而言，輸出概率越小則損失越小；

通過添加α來平衡正負樣本的重要程度，添加γ來解決樣本的簡單和難以分類的問題，FocalLoss損失函數就是通過α和γ兩個參數來進行調控；當γ＝0時，FocalLoss損失函數公式就是交叉熵損失函數，當γ增加的時候，調制系數也會增加，用于調控容易分類樣本和難分類樣本的比重就是增大；α用來控制兩個類別的權重，數據不平衡的情況下，數據中故障的數據是遠遠小于正常數據的，所以，α會取[0,0.5]來增加故障數據的樣本權重，使模型更加關注故障數據。

3.根據權利要求1所述的數據不平衡下XGBoost結合FocalLoss的衛星姿態故障檢測方法，其特征在于：步驟二中所述對步驟一中存儲的衛星姿態遙測數據中的正常數據與故障數據分布的極其不平衡進行預處理；具體如下：使用了對SMOTE采樣方法進行限制型的采樣：

SMOTE的采樣算法原理是：SMOTE是合成少數類別的過采樣技術，通過合成少數類別中的樣本，增加少數類別中的數據，來達到數據平衡的效果；通過線性插值的方法在少數類別中的樣本找到兩個樣本，在這之間合成新的樣本，從而減緩和避免像隨機采樣那種引起的過擬合問題；

x_new,attr＝x_i,attr+(x_ij,attr-x_i,attr)×γ#…(3.1)

其中，x代表生成的樣本，x的下標new代表新生成，attr代表新生成樣本x的特征，x_i,attr的含義是第i個原始樣本的特征attr；

SMOTE的采樣算法流程是：

輸入：少數類別的樣本集T，向上采樣倍率α，樣本緊鄰數k；

過程：

(1)for i＝1 to |T|do

(2)計算x_i的k個近鄰樣本并存入X_ik集合；

(3)for j＝1 to n do

(4)從X_ik中隨機選取樣本x_ij；

(5)生成[0,1]之間的隨機數γ；

(6)利用公式(3.1)合成x_ij和x_i之間的新樣本x_new的每個屬性值x_new,attr；

(7)將x_new添加到集合S中；

(8)end for

(9)end for

輸出：合成的少數類樣本集S；

限制采樣的倍率讓數據采樣到4:1的比率中。