[发明专利]一种基于生成对抗网络的航天异常事件检测方法

摘要

本发明涉及一种基于生成对抗网络的航天异常事件检测方法。利用正生成对抗网络模拟生成正常事件样本，同时利用反生成对抗网络模拟生成异常事件样本；通过设计合理的算法利用检测器计算输入事件与正生成器生成的模拟正常事件，以及与反生成器生成的模拟异常事件的重构误差，求出异常分，按照异常分大小，大于阈值时判定为异常事件检出；对样本稀少、复杂多变、无法准确观察到的航天异常事件实现无监督异常事件检测，开展航天常态化事故预防和异常事件提前预警。本发明属于人工智能技术领域，可应用于使用生成对抗网络异常事件检测及故障诊断的航天分系统及部件设计。

主权项

1.一种基于生成对抗网络的航天异常事件检测方法，其特征在于：利用正生成对抗网络模拟生成正常事件样本，同时利用反生成对抗网络模拟生成异常事件样本，具体包括以下步骤：(1)考虑航天异常事件检测，使用正生成对抗网络进行模拟生成正常事件样本训练输入正常事件进行正生成对抗网络训练：输入正常事件样本{x(1),······,x(N)}输入随机变量样本{z(1),······,z(N)}更新参数使判决器随梯度上升方向优化:Θd←Θd+η▽V(Dn,Gn,Θd)更新参数使正生成器随剃度下降方向优化:Θg←Θg‑η▽V(Dn,Gn,Θg)其中，D_n代表判决器，G_n代表正生成器，Θ_d代表判决器参数，是自变量，D_n(x⁽ⁱ⁾)代表判决器输入x⁽ⁱ⁾时的输出，G_n(z⁽ⁱ⁾)代表正生成器的输出，D_n(G_n(z⁽ⁱ⁾))代表输入为正生成器的输出时，判决器的输出，V(D_n,G_n,Θ_d)代表随判决器、正生成器参数变化的函数，是因变量，也是要优化的目标函数，▽V(D_n,G_n,Θ_d)是对目标函数V(D_n,G_n,Θ_d)自变量Θ_d求偏导数代表目标函数在某一点随自变量Θ_d正方向的变化率，η是学习因子，调整梯度变化的大小；Θ_g代表正生成器参数，是自变量，V(D_n,G_n,Θ_g)代表随判决器、正生成器参数变化的函数，是因变量，也是要优化的目标函数；▽V(D_n,G_n,Θ_g)是对目标函数V(D_n,G_n,Θ_g)自变量Θ_g求偏导数代表目标函数在某一点随自变量Θ_g正方向的变化率；(2)考虑航天异常事件检测，使用反生成对抗网络进行模拟生成异常事件样本训练输入正常事件进行反生成对抗网络训练：输入正常事件样本{x(1),······,x(N)}输入随机变量样本{z(1),······,z(N)}更新参数使判决器随梯度上升方向优化:Θd←Θd+η▽V(Da,Ga,Θd)更新参数使反生成器随剃度下降方向优化:Θg←Θg‑η▽V(Da,Ga,Θg)其中，D_a代表判决器，G_a代表反生成器，D_a(x⁽ⁱ⁾)代表判决器输入x⁽ⁱ⁾时的输出，G_a(z⁽ⁱ⁾)代表反生成器的输出，D_a(G_a(z⁽ⁱ⁾))代表输入为反生成器的输出时，判决器的输出，V(D_a,G_a,Θ_d)代表随判决器、反生成器参数变化的函数，是因变量，也是待优化的目标函数，▽V(D_a,G_a,Θ_d)是对目标函数V(D_a,G_a,Θ_d)自变量Θ_d求偏导数代表目标函数在某一点随自变量Θ_d正方向的变化率；V(D_a,G_a,Θ_g)代表随判决器、反生成器参数变化的函数，是因变量，也是待优化的目标函数，▽V(D_a,G_a,Θ_g)是对目标函数V(D_a,G_a,Θ_g)自变量Θ_g求偏导数代表目标函数在某一点随自变量Θ_g正方向的变化率；(3)航天异常事件检测采用检测器计算异常分A(x,Θ)：输入测试事件样本{x(1),······,x(N)}输入随机变量样本{z(1),······,z(N)}计算输入向量与模拟正常事件误差An(x,Θ):An(x,Θ)＝||x‑Gn(z)||2计算输入向量与模拟异常事件误差Aa(x,Θ):Aa(x,Θ)＝||x‑Ga(z)||2计算异常分A(x,Θ):A(x,Θ)＝An(x,Θ)‑Aa(x,Θ)如果异常分大于门限阈值φ，结果判为异常事件检出，否则判为正常事件。