[发明专利]一种数据驱动的卫星分系统异常预测方法

说明书

本发明公开了一种数据驱动的卫星分系统异常预测方法，包括：卫星遥测数据流的分类预处理；利用滑动窗口划分分类后的数据流；挖掘卫星遥测数据流中的最小稀有模式；利用最小稀有模式预测卫星分系统中存在的异常。本发明的优点是：针对海量的卫星遥测时序数据，提出了一种基于最小稀有模式的卫星分系统异常预测方法。

技术领域

本发明涉及一种数据驱动的卫星分系统异常预测方法，是一种针对卫星遥测数据流的高精度分系统异常预测方法，属于工程应用与信息科学的交叉领域。

背景技术

卫星运行的太空环境复杂多变，其健康安全时刻面临着威胁和挑战。如何确保卫星系统的正常运行，找出运行过程中可能会出现的异常已经成为航天和信息科学研究领域的热点。数据驱动的异常预测方法为研究卫星分系统的异常情况提供了一种便捷的、高效的解决方法。无需专业的卫星领域知识，一种数据驱动的卫星分系统异常预测方法就可以利用模式挖掘技术预测出卫星分系统中可能出现的异常。

卫星遥测数据是以数据流的形式呈现的。所谓数据流是指只能以预先规定的顺序被读取一次的数据序列。起初，卫星产生的海量数据流大多用二三级存储设备进行存储，但随着内存技术和处理器技术的进步，二三级存储设备的数据处理速度越来越跟不上数据传输的速度。如果数据处理的速度比数据传输的速度慢，就会导致大量的信息流失。如何实时地处理数据流成为卫星分系统异常预测的难点。利用滑动窗口技术对遥测数据流进行分段处理，可以得到部分实时的处理结果，避免未处理的原始数据流失。

异常检测是数据流分析的一个重要方向。异常值是一组与其他数据有很大差异的数据。存在多种传统的异常检测的方法，例如：基于距离的异常检测，基于分布的异常检测，基于密度的异常检测和基于聚类的异常检测方法。大多数这些方法大多都是通过计算全维度空间中点与点的距离来检测异常的。这些方法的计算量会随着数据量和维度的增加而急剧增加，从而变得不再具有定性意义。此外，还有许多异常检测的方法，例如：基于智能神经网络的异常检测和基于信息理论的异常检测。这两种方法和传统方法相比，具有一定的进步，但仍然存在时间复杂度随着维度的升高而急剧增加的问题。通过稀有模式挖掘来检测异常的方法，在结果准确率和运行速度上都取得了很大的提高。

稀有模式一般是指支持度小于指定最小支持度阈值的模式。在安全预防、入侵检测和海量数据异常检测等领域，稀有模式挖掘非常重要，例如：网络安全检测、药物不良反应检测和卫星分系统异常预测等。

发明内容

发明目的：本发明提出一种数据驱动的卫星分系统异常预测方法。该方法以卫星遥测数据流为处理对象，利用最小稀有模式挖掘技术提高异常检测的效率。该方法可以对动态数据流进行分段的异常预测，得到实时的结果反馈，避免造成数据流失。该方法结合使用自顶向下和自底向上相的遍历技术来搜索候选集，进一步提高了算法的速度。

本发明的具体技术方案包括以下几个步骤：

步骤一：针对卫星遥测数据流的每条事务，利用分类法选择属性。

步骤二：设置滑动窗口尺寸，消除主观因素的影响，并对步骤一中筛选的遥测数据流进行分段。

(1)利用小波分析获取选择属性的第一主周期；

(2)采用第一主周期设置滑动窗口尺寸；

(3)利用滑动窗口划分分类后的遥测数据流。

步骤三：针对步骤二中分段后的遥测数据流，利用双向遍历挖掘出最小稀有模式。

步骤四：计算异常识别因子，对步骤三挖掘出来的最小稀有模式进行异常检测，根据检测结果预测卫星分系统中存在的异常。

(1)合并现有的3个因子：TWF、MIPDF和MIFPOF，形成新的异常识别因子IsOutlier；