【技术实现步骤摘要】
本公开属于多维时间序列异常检测领域，尤其涉及一种基于图滤波的可解释时空图异常检测方法。
技术介绍
1、近年来，数据驱动的方法(尤其是深度学习方法)已经被用于各个领域，应用人工智能技术解决科学问题已成为一种新范式。在航天器遥测数据处理领域，也有大量的数据驱动方法被用于卫星电源系统遥测信号异常检测。目前，现有技术中存在一些未解决的问题。
2、(1)忽视空间信息：该领域目前的大量研究大多只关注于提取时间信息，而忽视空间信息的提取，但卫星电源系统各传感器之间有着复杂而明显的相互耦合关系，如果能够对这些传感器节点之间的物理关系、逻辑关系和模式关系加以利用，能够使异常检测方法的性能有很大提升。
3、(2)缺乏可解释性：卫星的发射和运维费用巨大，人类不会将具有如此巨大成本的任务委托给不可解释的黑盒模型。同时，可解释性能够提供可追溯性，使运维者了解其决策过程和依据，加快运维团队的分析过程，有利于后续的异常定位和归因。再者，可解释性也能够帮助人们了解其内部机制，为模型改进提供指导。
4、(3)针对数据特点：为了开发真正实用的异常检测方法，必须要关注卫星电源系统遥测数据的数据特点，同时也是异常检测的难点：高噪声和数据缺失。由于传感器的临时误差和空间粒子辐射、电磁干扰等复杂空间传输环境的影响，航天器遥测数据始终存在极高噪声。同时，由于地面接收站覆盖不足、空间电磁与辐射环境、通信信道带宽有限、网络信道拥塞、缓冲寄存器存储空间有限、元器件物理损坏等原因，卫星遥测数据往往存在部分缺失的现象。
5、因此，本领域
6、在
技术介绍
部分中公开的上述信息仅仅用于增强对本专利技术背景的理解，因此可能包含不构成本领域普通技术人员公知的现有技术的信息。
技术实现思路
1、本公开的目的在于开发一种能够同时捕捉时空信息的、对噪声和缺失有鲁棒性的可解释异常检测方法，通过时空图技术使所述可解释时空图异常检测网络能够同时捕捉时空信息；通过开发一种新的自适应图滤波器作为架构所述可解释时空图异常检测网络的基础，为网络提供可解释性；通过自编码器架构和对抗训练策略使所述可解释时空图异常检测网络对高噪声和数据缺失有鲁棒性。为了实现上述目的，本公开采用以下方案。
2、一种用于卫星电源系统遥测信号异常检测的基于图滤波的可解释时空图异常检测方法，包括如下步骤：
3、s100：对卫星电源系统的遥测信号进行最近邻插补、滑动平均滤波、最大最小归一化、图结构计算的预处理；
4、s200：构建基于图滤波的可解释时空图异常检测网络；
5、s300：利用已经接收的正常样本训练可解释时空图异常检测网络；
6、s400：给定任意接收到的卫星电源系统遥测数据，利用所训练好的可解释时空图异常检测网络进行异常检测和可解释分析。
7、优选的，步骤s100中，所述的预处理包括以下子步骤：
8、s101：所接收卫星电源系统原始遥测数据表示为：{l′1，...，l′n}，l′i是长度为观测数据长度len的数列，表示第i个传感器接收到的观测数据，n是传感器个数，其中，i从1取值至n，n为大于等于1的自然数。
9、s102：对{l′1，...，l′n}中的缺失值使用最近邻插补法进行初步的数据补全，即将l′i缺失位的前一位或后一位非缺失值填补到缺失位，得到补全后的数据表示为：{l″1，...，l″n}。
10、s103：对{l″1，…，l″n}使用滑动平均滤波进行初步的去噪，得到平滑后的数据表示为{l″′1，..，l″′n}，计算式为：
11、
12、其中，a是设置的滑窗长度，b是滑窗个数。
13、s104：对{l″′1，...，l″′n}进行最大最小值归一化操作，得到的归一化后的数据表示为{l1，...，ln}，计算式为：
14、
15、s105：利用{l1，...，ln}进行图结构计算：
16、
17、其中oi代表第i个传感器节点，所有传感器节点组成图节点集o＝{o1，...，on}，(oi，oj)表示节点oi和节点oj之间建立边，所有边组成图的边集e＝{(o1，oi)，…，(oj，on)}，图结构表示为g＝(o，e)，simij＝d(li，lj)表示观测数列li和lj之间的欧氏距离，topm(·)表示simij中的当前i的情形下，前m个最大值所对应节点集，a表示邻接矩阵，用于存储图结构的边信息，可用于进一步计算拉普拉斯矩阵和归一化拉普拉斯矩阵：
18、
19、其中，d＝diag(d1，...，dn)，di＝∑jaij，di＝∑jaij，表示邻接矩阵。
20、s106：所诉处理完成数据l以滑动窗口方法将原始输入的多变量时间序列数据划分成多个子序列，每个子序列代表一个样本x。
21、优选的，步骤s200中，所述的网络构建包括以下子步骤：
22、s201：建立自适应二次近似图滤波器aqagf(·)：
23、
24、其中，k是经验设定多项式阶次，ak、bk、ck和z都是网络学习参数，x是样本矩阵，i是单位矩阵，a和u分别为拉普拉斯矩阵特征值矩阵和拉普拉斯矩阵傅里叶变换矩阵，其计算方式为：
25、s202：建立可解释时空图异常检测网络：
26、
27、其中，e(·)、g(·)、d(·)分别表示编码器、生成器和鉴别器，是随机生成的高维空间表示向量，v、和是可解释时空图异常检测网络的三个鉴别分数输出，是可解释时空图异常检测网络的重建样本输出，是由通过生成器生成的随机重建样本矩阵，grl(·)是梯度反转函数，即在网络训练过程中，在计算损失时不对变量做任何改变，只在梯度回传时在变量的梯度前加负号。
28、优选的，步骤s300中，所述的网络训练包括以下子步骤：
29、s301：将接收的各正常样本x输入所述可解释时空图异常检测网络，得到各v，
30、s302：按照所述可解释时空图异常检测网络输出，计算反向传播损失值，计算式为：
31、l＝α·lr+ld，
32、
33、
34、其中，l、lr和ld分别为总训练损失、重建损失和鉴别损失，α和ε是平衡系数。
35、s303：通过计算得到的总损失l进行反向传播，训练所述可解释时空图异常检测网络；
36、s304：重复执行步骤s301到步骤s303，当迭代次数达到设定的最大迭代次数时或总损失l的减小值达到设定阈值，可解释时空图异常检测网络训练完成。
37、优选的，步骤s400中，所述的实际应用包括以下子步骤：
38、s401：将任意接收到的卫星电源系统遥测数据输入所述训练好的可解释时空图异常检测网络得到异常分数矩阵，计算式为：本文档来自技高网...
【技术保护点】
1.一种基于图滤波的可解释时空图异常检测方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，优选的，步骤s100中，所述预处理包括以下步骤：
3.根据权利要求2所述的方法，其特征在于，步骤S105中，所述图结构计算表示为：
4.根据权利要求3所述的方法，其特征在于，步骤S200中，构建基于图滤波的可解释时空图异常检测网络包括以下步骤：
5.根据权利要求4所述的方法，其特征在于，步骤S300中，包括以下步骤：
6.根据权利要求5所述的方法，其特征在于，步骤S302中，所述损失值计算如下：
7.根据权利要求6所述的方法，其特征在于，步骤S400中，包括以下步骤：
8.根据权利要求7所述的方法，其特征在于，步骤S401中，所述异常分数矩阵计算式为：
9.根据权利要求8所述的方法，其特征在于，步骤S202中，所述的编码器、生成器和鉴别器分别包括：
10.根据权利要求9所述的方法，其特征在于，GRU(x)为门控循环神经网络单元，表达式为：
【技术特征摘要】
1.一种基于图滤波的可解释时空图异常检测方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，优选的，步骤s100中，所述预处理包括以下步骤：
3.根据权利要求2所述的方法，其特征在于，步骤s105中，所述图结构计算表示为：
4.根据权利要求3所述的方法，其特征在于，步骤s200中，构建基于图滤波的可解释时空图异常检测网络包括以下步骤：
5.根据权利要求4所述的方法，其特征在于，步骤s300中，包括以下步骤：...
【专利技术属性】
技术研发人员：翟智，邸一，王福金，赵志斌，陈雪峰，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。