[发明专利]基于深度学习的雷达异常状态诊断方法

权利要求书

1.一种基于深度学习的雷达异常状态诊断方法，其特征在于，应用于包括发射机分系统、接收机分系统和伺服分系统的气象雷达系统，包括以下步骤：

利用气象雷达系统的各个分系统的历史状态数据和报警数据，以报警数据做标签，对故障进行分类，使用逐步回归法提取与每一类故障相关的特征参数；

对每一类故障取特征参数中的相关系数最大的特征参数作为重构模型的重构参数目标，使用长短时记忆网络LSTM模型搭建重构模型，利用除相关系数最大的特征参数以外的特征参数对相关系数最大的特征参数进行拟合重构，得到重构值；

对每一类故障的重构值和实测值的差值做基于概率的量化标准；

对每一类故障的量化结果做时间区间统计，对不同模型的诊断结果进行整合，得到实时的对多个故障诊断结果并给出预警，滤除误报警，得到最终诊断结果。

2.如权利要求1所述的基于深度学习的雷达异常状态诊断方法，其特征在于，对于每一类故障，对重构值和实测值的差值做基于概率的量化标准进一步包括：

分析实测值的分布情况，有多个运行状态，则为多个高斯分布的叠加；

假设预测值和测量值独立，若预测值服从一高斯分布，假设雷达运行状态正常，则测量值也应当服从此高斯分布，两者的差值服从N(0，2σ^2)分布；

对差值的概率进行归一化处理，得到最终的量化结果：预测值等于测量值，则η＝1，预测值越偏离测量值，η越接近于0。

3.如权利要求2所述的基于深度学习的雷达异常状态诊断方法，其特征在于，对于每一类故障，对量化结果做时间区间统计，滤除误报警，得到最终诊断结果进一步包括：

设置概率判定阈值η₀，η＜η₀认为出现故障状态点；

以m个连续时间点做时间区间统计，故障状态点大于0.3m，认为出现故障。

4.如权利要求1或2所述的基于深度学习的雷达异常状态诊断方法，其特征在于，所述逐步回归法为向前引入法，具体为：首先模型中只加入一个单独解释因变量变异最大的自变量，随后尝试将加入另一自变量，检查整个模型所能解释的因变量变异是否显著增加，反复迭代至没有自变量再符合加入模型的条件。

5.如权利要求1或2所述的基于深度学习的雷达异常状态诊断方法，其特征在于，所述逐步回归法为向后剔除法，具体为：将所有变量均放入模型，之后尝试将其中一个自变量从模型中剔除，检查整个模型解释因变量的变异是否有显著变化，将使解释量减少最少的变量剔除；反复迭代至没有自变量符合剔除的条件。

6.如权利要求1或2所述的基于深度学习的雷达异常状态诊断方法，其特征在于，所述逐步回归法为双向剔除法，具体为：首先模型中加入一个单独解释因变量变异最大的自变量，随后尝试加入另一个自变量，对整个模型中的所有变量进行检验，若因变量有显著增加则保留该自变量并剔除作用不显著的变量，反复迭代至最终得到一个最优的变量组合。

7.如权利要求1或2所述的基于深度学习的雷达异常状态诊断方法，其特征在于，使用长短时记忆网络LSTM模型搭建重构模型的过程为：

忘记门Γ_f读取上一个细胞的非线性激活a^＜t-1＞和当前LSTM单元的输入数据x^＜t＞，输出一个在0到1之间的数值给每个在LSTM单元状态c^＜t-1＞中的数字，其中1表示“完全保留”，0表示“完全舍弃”；

输入门Γ_u为sigmoid层，用于决定需要更新的值，使用tanh层创建一个新的候选值向量更新的向量c^＜t＞由输入门和忘记门共同决定；

输出门Γ_o决定输出值，运行sigmoid层Γ来确定LSTM单元状态的哪个部分将输出出去，把单元状态c^＜t＞通过tanh进行处理得到一个在-1到1之间的值，并将它和输出门Γ_o的输出相乘，最终输出确定输出的部分。