[发明专利]一种卫星遥测时序数据未知模式的检测系统与方法

说明书

本发明提供了一种针对卫星遥测时序数据未知模式的检测系统与方法。本发明所述方法不仅可以准确识别出卫星遥测时序数据中的已知模式，还可以检测出未知模式，提高了卫星遥测时序数据的模式识别效果，更贴合在轨卫星实时监控和在轨卫星异常检测、故障诊断等实际应用。本方法改进了一般的卷积神经网络，将其输出结果平面化，得到卫星遥测时序数据的特征坐标；然后在输出层依据欧氏距离进行判断，将卫星遥测时序数据模式归属于某种已知模式或未知模式；达到准确检测卫星遥测时序数据已知模式和未知模式的目的。

技术领域

本发明属于计算机技术领域，特别涉及一种卫星遥测时序数据未知模式的检测系统与方法。

背景技术

卫星遥测技术利用高精度的传感器、通信设备和电子计算机等设备，完成在轨卫星的一系列测量任务，所得信息统称为卫星遥测数据如航天器飞行参量、宇航员生理参量，以及科学探测和军事侦察所得到的信息。因此，对卫星遥测数据进行采集和检测是监测卫星运行和工作状态的重要途径之一。

在实际测控中由于卫星遥测要传输的数据种类多，检测其模式类别十分重要。在实践中，随着卫星数量、种类的不断增加，以及在轨卫星在复杂太空环境中和复杂任务操作的各种影响之下，卫星遥测时序数据模式不能够完全被人预先全部掌握。也就是说，卫星遥测时序数据模式并非都是已知模式，经常会出现超出已有认知的新型模式类型。时序数据中除了已知的模式类别，还存在尚不明晰的数据模式或新型的异常的数据序列。这些数据自然不能被归为已知模式类别。所以在卫星实时监控、在轨卫星异常检测、在轨卫星健康管理、在轨卫星故障诊断等应用中，对未知模式的检测十分必要。

在卫星实时监控中检测到未知模式的数据，根据其不同检测目的可有多种用途。如在卫星实时监控、异常检测时，异常检测基于卫星的遥测、外测数据，实时分析卫星各分系统运行状态，针对卫星载荷任务中的状态变化，甄别、监视系统的运行状态，准确感知星上或地面系统出现的异常，检测卫星遥测数据的未知模式或可发现卫星运行的异常状态；在卫星故障诊断时，卫星在轨运行后，由于天上的复杂情况，可能会出现某些地面没有想到的故障情况或者由于地面测试时无法进行的实验而造成某些故障情况出现，即出现“未知”故障，识别到的未知模式或可能用来诊断未知故障。

时序数据模式识别现有方法一般是对数据进行特征提取之后得到特征向量，例如用统计特征、频谱特征、小波特征或者主成分分析方法得到特征向量；然后利用各种分类模型对时序数据模式进行分类识别。例如用k近邻、随机森林、AdaBoost、支持向量机、BP网络(即多层感知器MLP)等分类器对时序特征向量进行分类识别，判定输入向量属于哪一种模式。或者是用皮尔逊相关系数(Pearson Correlation Coefficient，PCC)、动态时间弯曲(Dynamic Time Warping， DTW)等方法计算两个时间序列模式的相似度，然后根据该相似度再判断是否属于某个已知模式。近年来，长短期记忆网络(Long Short-Term Memory，LSTM) 等循环神经网络(Recurrent Neural Network，RNN)大量用于处理时序数据，也可以进行时序模式识别，具有比传统机器学习模型更好精度。

然而，传统机器学习方法、LSTM等循环神经网络方法、一般的卷积神经网络等现有方法不会识别未知模式，仅能识别已知的模式。也就是说，现有的神经网络用来分类时，其输出结果必须是已知的n个已知类别(即已知模式)之一。即，通过softmax层输出一个1×n的概率向量，然后其中概率最大值对应的类别即为输入数据的分类识别结果。这种方法只能识别出已知类别，未知模式的数据也会被识别为某个已知类别(已知模式)，例如输入时间序列是未知模式，则会被认为是某个已知模式。

发明内容