[发明专利]数据不平衡下XGBoost结合FocalLoss的卫星姿态故障检测方法

权利要求书

1.数据不平衡下XGBoost结合FocalLoss的卫星姿态故障检测方法，其特征在于：具体步骤如下：

步骤一、卫星地面站通过遥测接受卫星上的姿态控制系统中星敏、陀螺仪与反作用轮的数据，并对接受到的数据进行编解码和存储；

步骤二、对步骤一中存储的卫星姿态遥测数据中的正常数据与故障数据分布的极其不平衡进行预处理；

步骤三、基于XGBoost结合FocalLoss损失函数的模型训练，XGBoost支持自定义目标函数和损失函数，针对卫星姿态故障数据中不平衡的特性，通过FocalLoss损失函数来进行卫星姿态故障检测；

步骤四、利用步骤三中的训练模型对步骤二中预处理后的卫星姿态遥测数据进行故障检测。

2.根据权利要求1所述的数据不平衡下XGBoost结合FocalLoss的卫星姿态故障检测方法，其特征在于：步骤三中所述基于XGBoost结合FocalLoss损失函数的模型训练，具体如下：XGBoost算法的思想是在训练的过程中不断的添加CART树，然后不断地进行特征的分裂来生成一颗树，在这个过程中每次添加一棵树，本质就是学习到了一个新的函数，这样就可以通过这个函数去拟合之前的误差；当模型训练完成的时候，会得到k颗树，当模型需要预测一个样本的分数，本质就是根据这个样本的特征，在每颗训练好的树中会落到的对应的一个叶子结点，当中每个叶子结点都会对应一个分数，最后的目标就是将每棵树对应的分数加起来就是这个样本需要的预测值；

XGBoost模型的原始的目标函数：

其中，是损失函数，∑_kΩ(f_k)是为了模型不容易过拟合的正则项；

其中，为预测输出；y_i为标签值；是第k颗树的模型；T为树叶子节点数；ω是叶子权重值；γ是各个子树的惩罚正则项，它的功能是能够剪枝；λ是叶子权重惩罚正则项，目的是为了防止模型过拟合；

结合FocalLoss损失函数：

其中，y′是输出的概率，在[0,1]之间，输出概率越大损失越小；对于负样本而言，输出概率越小则损失越小；

通过添加α来平衡正负样本的重要程度，添加γ来解决样本的简单和难以分类的问题，FocalLoss损失函数就是通过α和γ两个参数来进行调控；当γ＝0时，FocalLoss损失函数公式就是交叉熵损失函数，当γ增加的时候，调制系数也会增加，用于调控容易分类样本和难分类样本的比重就是增大；α用来控制两个类别的权重，数据不平衡的情况下，数据中故障的数据是远远小于正常数据的，所以，α会取[0,0.5]来增加故障数据的样本权重，使模型更加关注故障数据。

3.根据权利要求1所述的数据不平衡下XGBoost结合FocalLoss的卫星姿态故障检测方法，其特征在于：步骤二中所述对步骤一中存储的卫星姿态遥测数据中的正常数据与故障数据分布的极其不平衡进行预处理；具体如下：使用了对SMOTE采样方法进行限制型的采样：

SMOTE的采样算法原理是：SMOTE是合成少数类别的过采样技术，通过合成少数类别中的样本，增加少数类别中的数据，来达到数据平衡的效果；通过线性插值的方法在少数类别中的样本找到两个样本，在这之间合成新的样本，从而减缓和避免像随机采样那种引起的过拟合问题；

x_new,attr＝x_i,attr+(x_ij,attr-x_i,attr)×γ#…(3.1)

其中，x代表生成的样本，x的下标new代表新生成，attr代表新生成样本x的特征，x_i,attr的含义是第i个原始样本的特征attr；

SMOTE的采样算法流程是：

输入：少数类别的样本集T，向上采样倍率α，样本紧邻数k；

过程：

(1)for i＝1 to |T|do

(2)计算x_i的k个近邻样本并存入X_ik集合；

(3)for j＝1 to n do

(4)从X_ik中随机选取样本x_ij；

(5)生成[0,1]之间的随机数γ；

(6)利用公式(3.1)合成x_ij和x_i之间的新样本x_new的每个属性值x_new,attr；

(7)将x_new添加到集合S中；

(8)end for

(9)end for

输出：合成的少数类样本集S；

限制采样的倍率让数据采样到4:1的比率中。