[发明专利]隐空间优化的自编码器异常检测方法及系统

说明书

本发明公开了隐空间优化的自编码器异常检测方法及系统，用于卫星遥测数据异常检测，该方法包括：将采集的遥测数据输入预先建立和训练好的异常检测模型，识别遥测数据是否异常；其中，异常检测模型包括隐空间优化的自编码器和异常判别器；所述异常检测模型的训练通过获取的低维隐空间特征进行对抗性插值，再利用构建的正则化评价网络得到更加紧凑的特征分布，进而使得异常判别器易于实现异常检测。本发明的检测方法，能够获取丰富且有效的特征信息，有效提高异常检测结果。研究结果表明，本发明的方法针对不同数据集均具有较好表现，能实际运用到卫星异常检测中，提高卫星在轨运行的安全性。

技术领域

本发明属于卫星异常检测技术领域，尤其涉及隐空间优化的自编码器异常检测方法及系统。

背景技术

卫星在轨运行过程中，受空间环境极其恶劣、元器件老化、系统设计问题等因素的影响，卫星在轨故障时有发生，严重的甚至还会威胁航天器的安全性和卫星的在轨运行任务的成功。卫星遥测数据反映了设备的运行状态,是地面运管人员判断卫星运行状态和工作性能的重要依据。遥测参数异常检测是识别轨道上异常或意外事件的最有效方法，正在成为航天领域的一个热门研究问题。

异常一般也被称作是异常值(outliers)，异常(abnormalities)、偏差(deviants)。对此，有学者对异常给出了一个较为普遍的定义“在一个数据集中，异常是偏离了大部分数据的那些数据，这些数据的规律跟大多数数据不同”。异常检测则是在数据集中将异常的数据(行为)从正常的数据(行为)中分离出来。而在航天器领域，根据美国国家科学研究委员会公约，航天器异常定义为“航天器发生的不符合期望或非计划的事件”。卫星在轨状态中所呈现出的异常现象多种多样，卫星的遥测数据的异常类型一般可分为点异常，上下文异常，聚集异常和关联关系异常,本申请主要是针对关联关系异常这一类型进行研究。此外，在卫星异常探测过程中，有些异常类型可能是已知的，但随着时间的推移，由于环境因素和命令序列的变化，其他新的异常类型不断被发现。因此，我们处理的场景属于半监督类型，在这种情况下，在训练阶段只有正常模式的样本数据可用。在半监督环境下，模型被设计为利用大量的正常样本序列数据构建正常的轮廓。那些与正常模式有很大不同的行为被检测为异常。已经有很多学者提出有关半监督异常检测方法的相关文献和专利。

在过去的十年里，虽然异常检测在许多方面已经取得了不错的成果，但是复杂高维数据的异常检测领域仍然吸引着众多学者的研究兴趣。在高维的数据空间中，由于”维数诅咒”，随着维数的增大，一方面异常样本与正常样本之间的距离以及正常样本之间的距离的差异变得不明显。另一方面，当数据维数增大后，原始数据空间的密度估计很难实现，因为随着数据维数的增加，噪声和一些无关特征对密度估计的负面影响更大。因此，面对这种状况，许多学者研究出两阶段的异常检测算法：(a)降低数据维度获取数据的高级特征表示，(b)根据学到的特征构建异常分数。例如：有学者提出两阶段的BotCensor网络检测系统和基于印象提取器(IE-Net)及专家网络的异常检测。此外，也有学者采用光谱异常检测和替代降维技术，寻找原始高维数据的低维表示，期望将异常和正常实例分开。虽然使用两阶段的异常检测算法来处理数据高维问题已被证明是可行的，但不幸的是，简单地通过估计低维空间的密度来有效识别高维数据中的异常还存在一定的局限性。