【技术实现步骤摘要】
本专利技术涉及异常检测和深度学习，更具体的涉及一种基于变分自编码的卫星时序数据异常检测方法及系统。
技术介绍
1、卫星系统在航天领域中占据举足轻重的地位。在轨卫星面临的挑战不仅仅局限于其内部系统的可靠性，还包括外部环境的多变性和潜在的危险性。因此，对卫星系统的异常检测与故障诊断技术的研究和应用，是确保卫星系统高效、稳定运行的关键。
2、传统的针对卫星遥测数据的异常检测和故障诊断方法主要包括基于阈值和简单规则的方法、基于模型构建的方法和基于数据驱动的方法。这些方法各有其独特的特点和适用场景，可以有效地协助地面操作人员监测和确保卫星系统的稳定运行。其中，基于阈值的方法是一种传统的且已有大量应用的卫星数据异常检测方法，该方法依赖于工程师手动审核传感器数据，判断其是否处于事先设定的正常范围内，任何超出阈值的数据都被视为异常情况。基于模型的方法主要是构建合适的异常检测模型，常用的方法包括自回归模型、隐马尔科夫模型hmm和贝叶斯模型bn，通过计算每个数据点与相邻点的距离实现此目的。使用数据驱动的方法专涵盖了多种机器学习分类器，包括支持向量机svm、贝叶斯分类器和人工神经网络ann等，从数据中自动提取特征并识别复杂模式，相较于传统方法具有更高的准确性和效率。
3、然而，由于卫星系统的时序数据是实时动态变化的，传统的卫星遥测数据的异常检测和故障诊断方法在处理长序列数据时，会遇到梯度消失或梯度爆炸的问题，导致难以有效捕捉数据长期的依赖关系，无法有效学习和捕捉序列数据的潜在特征和异常模式，影响异常检测的准确性和鲁棒性，从而对
技术实现思路
1、针对上述领域中存在的问题，本专利技术提出了一种卫星时序数据异常检测方法及系统，能够解决由于卫星系统的时序数据是实时动态变化的，传统的卫星遥测数据的异常检测和故障诊断方法在处理长序列数据时，会遇到梯度消失或梯度爆炸的问题，导致难以有效捕捉数据长期的依赖关系，无法有效学习和捕捉序列数据的潜在特征和异常模式，影响异常检测的准确性和鲁棒性的技术问题。
2、为解决上述技术问题，本专利技术公开了一种卫星时序数据异常检测方法，包括以下步骤：
3、获取待检测的卫星时序数据；
4、构建变分自编码器，将变分自编码器的编码器和解码器网络均替换为双向lstm网络；其中，通过双向lstm网络的门控机制提取卫星时序数据具有时间依赖性的特征，确定特征的隐空间的分布参数；再通过双向lstm网络对分布参数反向传播生成新的潜在变量，通过变分推断重构卫星时序数据的输入序列；
5、将待检测的卫星时序数据输入训练后的变分自编码器，获得重构后的卫星时序数据；
6、通过分析重构后的卫星时序数据的距离和角度的相似度，对余弦相似度进行调整，并将调整后的余弦相似度作为重构误差；
7、将重构误差与设定的误差阈值进行比较，当重构误差大于误差阈值时，判定为异常数据。
8、优选地，所述编码器的替换过程，包括以下步骤：
9、编码器的任务是将卫星时序数据转换为一个隐变量，双向lstm网络通过结合前向和后向lstm单元来捕捉序列数据中的时间依赖性，双向lstm网络通过引入记忆单元和门控机制，包括输入门、遗忘门和输出门；
10、其中，遗忘门决定当前时刻应忘记多少先前信息，输入门决定当前时刻应添加多少新信息到记忆单元中，输出门决定当前时刻应输出多少记忆单元中的信息，通过记住长期信息并选择性地忘记无关信息，因而处理更长的序列。
11、优选地，所述解码器的替换过程，包括以下步骤：
12、解码器的任务是通过双向lstm网络对分布参数反向传播生成新的潜在变量，将生成的新的潜在变量转换回原始输入序列，解码器逐步生成输出序列，每一步生成当前时间步的输出，并将该输出作为下一时间步的输入。
13、优选地，所述确定特征的隐空间的分布参数，包括以下步骤：
14、使用滑动窗口对获取的待检测的卫星时序数据进行采样后作为输入数据序列，并送到编码器中，双向lstm网络通过门控机制捕捉输入数据序列中具有时间依赖性的特征，输出隐空间的分布参数，包括均值和方差。
15、优选地，所述通过双向lstm网络反向传播生成新的潜在变量，包括以下步骤：
16、使用编码器来挖掘潜在变量的后验分布，通过重参数化对变分自编码器的潜在变量进行采样，将采样过程拆分成可导的部分；
17、引入双向lstm网络作为解码器，在处理长序列数据时，当遇到梯度消失或梯度爆炸的问题时，通过双向lstm网络反向传播，学习和捕捉序列数据的语义和结构特征，模拟时序数据中的动态变化和趋势，生成新的潜在变量。
18、优选地，所述通过变分推断重构卫星时序数据的输入序列，包括以下步骤：
19、通过最大化条件概率p(xs|zs)，变分自编码器假设了一个条件概率分布p(xs|zs)来得到zs的分布参数，且该条件概率分布无法直接求得；
20、变分自编码器使用贝叶斯变分推理方法构造了一个高斯分布q(zs|xs)来对潜在因子进行抽样，高斯分布的采样参数为两个k维向量，分别是神经网络生成的均值μ和标准差σ；
21、使用kl散度来计算编码器产生的分布是否接近标准分布，通过编码器计算得到q(zs|xs)，替代真实的后验概率p(xs|zs)，kl散度的计算公式为：
22、
23、基于kl散度恒大于0，得到：
24、logp(xs)≥l(xs)
25、其中，l(xs)的定义如下:
26、
27、该公式为变分自编码器的证据下界，其中，q(zs|xs)是近似后验分布，p(xs|zs)是真实后验分布；
28、当证据下界最大化时，logp(xs)也会随之最大化；
29、在变分自编码器中，编码器计算出高斯分布的均值μ和标准差σ，对该高斯分布进行随机抽样，采用重参数化技巧，通过引入一个随机变量ε对潜在因子z进行重参数化，重参数化的过程具体包括：
30、z＝μ+ε*σ
31、其中，ε～n(0，1)；
32、在进行异常检测时，变分自编码器的基本思想是通过学习正常数据的潜在表示，利用学到的潜在表示来生成或重构数据。
33、优选地，所述对余弦相似度进行调整，包括以下步骤：
34、假设向量a的分量为a1，a2，…，an，向量b的分量为b1，b2，…，bn，则向量a和向量b的点积表示为：
35、a·b＝a1b1+a2b2+…+anbn
36、向量的范数表示为其各个分量的平方和的平方根，即：
37、
38、得到向量a和向量b余弦相似度为：
39、
40、余弦相似度的取值范围为[-1,1]；当余弦相似度接近于0时，表明两个向量的夹角接近于90度；当余弦相似度接近于-1时，表明两个向本文档来自技高网...
【技术保护点】
1.一种卫星时序数据异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的卫星时序数据异常检测方法，其特征在于，所述编码器的替换过程，包括以下步骤：
3.根据权利要求1所述的卫星时序数据异常检测方法，其特征在于，所述解码器的替换过程，包括以下步骤：
4.根据权利要求3所述的卫星时序数据异常检测方法，其特征在于，所述确定特征的隐空间的分布参数，包括以下步骤：
5.根据权利要求4所述的卫星时序数据异常检测方法，其特征在于，所述通过双向LSTM网络反向传播生成新的潜在变量，包括以下步骤：
6.根据权利要求5所述的卫星时序数据异常检测方法，其特征在于，所述通过变分推断重构卫星时序数据的输入序列，包括以下步骤：
7.根据权利要求6所述的卫星时序数据异常检测方法，其特征在于，所述对余弦相似度进行调整，包括以下步骤：
8.根据权利要求7所述的卫星时序数据异常检测方法，其特征在于，还包括对获取的待检测的卫星时序数据进行缺失值处理、数据归一化和标准化处理，具体包括：
9.一种卫星时序数据异常
...【技术特征摘要】
1.一种卫星时序数据异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的卫星时序数据异常检测方法，其特征在于，所述编码器的替换过程，包括以下步骤：
3.根据权利要求1所述的卫星时序数据异常检测方法，其特征在于，所述解码器的替换过程，包括以下步骤：
4.根据权利要求3所述的卫星时序数据异常检测方法，其特征在于，所述确定特征的隐空间的分布参数，包括以下步骤：
5.根据权利要求4所述的卫星时序数据异常检测方法，其特征在于，所述通过双向lstm网络反向传...
【专利技术属性】
技术研发人员：邹卫霞，曲泓润，胡迪，刘刚，崔渤昊，张闯，任明，陈梓豪，杨普，张涵，
申请(专利权)人：北京邮电大学，
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。