CN106650297B - 一种无领域知识的卫星分系统异常检测方法 - Google Patents

一种无领域知识的卫星分系统异常检测方法 Download PDF

Info

Publication number
CN106650297B
CN106650297B CN201710019888.7A CN201710019888A CN106650297B CN 106650297 B CN106650297 B CN 106650297B CN 201710019888 A CN201710019888 A CN 201710019888A CN 106650297 B CN106650297 B CN 106650297B
Authority
CN
China
Prior art keywords
data
value
space
attribute
calculated
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710019888.7A
Other languages
English (en)
Other versions
CN106650297A (zh
Inventor
皮德常
康旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201710019888.7A priority Critical patent/CN106650297B/zh
Publication of CN106650297A publication Critical patent/CN106650297A/zh
Application granted granted Critical
Publication of CN106650297B publication Critical patent/CN106650297B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass

Abstract

本发明公开了一种无领域知识的卫星分系统异常检测方法，针对卫星遥测数据构成的高维数据空间，采用角度代替距离，利用共享近邻算法构建相关数据集空间；采用基于角度偏差的属性选择算法筛选与异常相关的属性；最后，使用归一化的马氏距离计算异常值，结合统计学知识计算得到异常阈值并对数据集进行分类。本发明的优点是：针对复杂的卫星分系统遥测数据，给出了一种无领域知识要求的异常检测方法，经反复实验证明，该方法检测准确率更高，效果更好。

Description

一种无领域知识的卫星分系统异常检测方法
技术领域
本发明涉及一种无领域知识的卫星分系统异常检测方法，该方法利用共享近邻算法构建相关数据集空间，采用基于角度偏差的属性选择方法筛选特征属性，利用归一化的马氏距离计算异常值并进行异常分类，本发明属于航天科学与计算机科学的交叉领域。
背景技术
卫星是一种融合遥感、通信、计算机科学等多学科技术研制出来的多功能系统，它是人类探索宇宙奥秘的首要途径。由于太阳辐射、外太空温差变化大等多种因素，卫星在轨运行期间会出现各种各样的异常或故障，及时发现和避免这些异常和故障能够保证卫星运行的可靠性和安全性，延长卫星使用寿命，因此，针对卫星的异常检测得到越来越多的关注。
卫星在轨运行期间会产生大量的遥测数据，这些遥测数据从检测卫星运行状态的传感器传输到地面接收站，由于通信问题或者多传感器之间的数据传输差异，使得数据在传输过程中可能出现部分错误。需要通过必要的手段剔除数据错误，这样异常检测的结果才有意义。在一个复杂的卫星系统中，不可能只有单一的传感器，往往通过多传感器相互合作完成数据监测任务。从多个传感器传输得到的遥测数据之间的关系往往是复杂和不确定的，因此，在进行异常检测时如何处理遥测数据之间的关系，提取与异常有关的遥测属性是一个值得研究的问题。
基于阈值的异常检测方法是卫星测控中心监测卫星遥测数据异常的一种常用方法。卫星领域专家根据每个遥测属性的物理含义以及自身的性质设置正常值范围即阈值，一旦遥测数据超过这一正常值范围，则认为卫星发生异常。虽然这种方法简单，但是阈值的确定却是一个艰难的过程，往往要靠领域专家多年工作经验来确定。对于总是在阈值附近波动的异常而言，虽然遥测数据并没有超出正常值范围，但是此时卫星已经表现出了异常，造成了异常漏报。为避免这一问题，本发明提出了一种无领域知识的卫星分系统异常检测方法，该方法在领域知识缺乏的情况下，具有较高的准确率，算法鲁棒性较高，能够有效地实时检测卫星分系统的异常状况。
发明内容
本发明的目的是基于卫星遥测数据，发明一种针对卫星遥测数据的异常检测方法，基于该方法，可以检测出卫星异常发生时间，从而解决卫星健康监测等问题，实现对卫星可疑行为的及时发现和避免，为卫星在轨运行的控制管理提供新的技术支持。
本发明的具体技术方案包括以下几个步骤：
步骤一：针对卫星遥测数据，结合小波分析方法，对原始数据进行清洗、压缩和归一化处理。
步骤二：借助共享近邻算法构建相关数据集空间，确定每一条数据记录的搜索空间。
步骤三：借助步骤二中得到的相关数据集空间，结合基于角度偏差的属性选择方法筛选特征属性。
步骤四：借助步骤二和三中得到的相关数据集空间和特征属性，使用归一化的马氏距离计算异常值，结合统计学知识计算得到异常阈值并对数据集进行分类。
具体的，步骤一中针对卫星遥测数据的预处理，其实现方法包括：
(21)对存在野值的数据进行清理，使用一维连续小波去噪，去除原始遥测数据中的噪声数据，小波函数选择db5，小波尺度为8；
(22)将遥测数据以1分钟为单位进行压缩，形成均值数据记录；
针对已经去噪的遥测数据，采用计算均值的方法将一分钟内的遥测数据进行压缩，得到均值数据记录。
(23)对均值数据记录进行归一化处理。
针对卫星遥测数据复杂性，对数据压缩得到的样本集矩阵进行归一化处理。通过公式(1)，经过处理的数据符合标准正态分布，即均值为0，标准差为1，转化函数为：
(1)，
其中，μ和σ分别表示样本均值和标准差。
步骤二中借助滑动窗口和共享近邻算法，构建数据记录的相关数据集空间，其实现步骤包括：
(31)确定滑动窗口大小
由于卫星遥测数据空间的数据量巨大，在原始数据空间中直接计算，需要消耗大量的计算代价，因此引入滑动窗口，通过滑动窗口将数据集划分为多个子数据集，在子数据集中计算异常值，滑动窗口的大小由遥测数据的周期来确定。
遥测数据的周期通过分析小波方差来获得，小波方差的计算公式为：
其中，a，b∈R，a≠0，a为伸缩尺度，反映周期长度；b为平移因子，反映在时间轴上的平移。
小波方差是将小波系数的平方值在时间频域上进行积分，其离散形式为：
小波方差反映序列波动随伸缩尺度的变化情况，在不同伸缩尺度下，序列的扰动强度不同，小波方差最大值对应的时间为数据序列的周期。
(32)构建共享近邻数据集空间
为进一步缩小数据记录的搜索空间，采用共享近邻算法在滑动窗口内提取数据记录的近邻数据记录空间，在此空间中进行异常检测。
假设原始数据空间为滑动窗口为在空间W中任意一点p，点p的K近邻数据集为NNk(p)，空间W中另一点q，点q的K近邻数据集为NNk(q)，则共享近邻SNN相似度为
其中，count()函数用于统计数据集NNk(p)和NNk(q)中相同元素的个数。
选择点p的SNN相似度最大的s个数据记录构成其最近邻子空间即为相关数据集空间，记作RP(p)。
步骤三中借助基于角度偏差的属性选择方法筛选与异常相关的属性，其实现步骤包括：
(41)计算角度偏差余弦值绝对值的平均值
某属性j的角度偏差余弦值绝对值的平均值计算公式如下：
其中，d表示向量空间维度，j-表示不同于j的属性，所有包含j的二维空间的个数为d-1，j∈N表示在d维空间中与第j维属性方向平行的单位向量。
当lj与lj-的数值均为0时，公式(5)分母为0，无意义。为了消除分母为0的影响，将连线l中等于0的分量用一个极小的常数ε＝10-5来代替。
则，公式(5)转变为：
的值越大，属性j与异常的相关程度越大，属性j应该被保留，否则，的值越小，属性j与异常的相关程度越小，属性j应该被舍弃。
(42)确定筛选阈值
A cos在高维空间中是一种相对鲁棒性的度量标准，因此，设置一个阈值来筛选出特征属性，阈值的计算公式为：
其中，表示A cos在n维数据空间的平均值。θ∈[0，1)是调节参数，取值与的值有关，θ是所成的正态分布(1-α)×100％的上限所对应的值，α取0.95。
当某一数据记录的某一属性的A cos值大于阈值Threshold时，则该属性被筛选为特征属性而保留下来，否则该属性被舍弃。对于任意数据记录i，当属性j被选为特征属性时，Si(j)＝1，否则，Si(j)＝0。
步骤四中结合统计学知识计算得到异常阈值，并对数据集进行分类。其实现方法包括：
(51)计算异常值
采用归一化的马氏距离，计算数据记录i在d维数据空间的异常检测值Score(i)，计算公式如下：
其中，x(i)表示第i个数据记录，RP(i)′表示经过属性筛选之后的第i个数据记录的相关数据集空间，表示经过属性筛选之后的第i个数据记录的相关数据集空间的中点，即相关子空间中所有向量的均值向量，表示相关数据集空间的协方差矩阵的逆矩阵，d(i)表示第i个数据记录筛选出的相关属性个数。
(52)计算异常阈值
统计分析得知，Score满足自由度为d-1的χ2分布，选择Score所形成的χ2分布上概率为α所对应的值作为异常检测值的阈值T，α取99.9％。
(53)确定异常发生时间
比较每一条数据记录的异常值Score[i]与异常检测值的阈值T的大小，如果Score[i]＞T，则该时刻发生异常，否则该时刻没有出现异常。
本发明的有益效果是：
本发明所提的方法从数据挖掘的角度出发，针对卫星遥测数据本身进行特征提取与异常检测，本发明设计了一种新颖的异常检测方法，有效地解决了卫星遥测数据高噪声、高维度、分析难度高的问题。本发明经过扩展后，还可以用于航天器其他遥测数据的异常检测(如火星探测)，对在轨卫星异常检测与分析提供了一种新方法。
附图说明
图1是本发明方法的总体流程图。
具体实施方式
下面结合附图和相关算法，对本发明做进一步的说明。
本发明的总体流程如图1所示。
本发明针对卫星遥测数据设计了一种无领域知识的异常检测方法，结合小波分析以及数据预处理方法去除数据中的噪声数据，提取归一化数据。借助共享近邻算法构建相关数据集空间，确定每一条数据记录的搜索范围，减小搜索空间，提高运行效率。针对构建的相关数据集空间，结合基于角度偏差的属性选择方法筛选特征属性，针对筛选过特征属性的相关数据集空间，使用归一化的马氏距离计算异常值，结合统计学知识计算得到异常阈值并对数据集进行分类。具体实施步骤如下：
1.数据预处理
针对卫星分系统遥测数据，首先使用小波去噪方法将数据进行去噪，将原始遥测数据中的尖锐值去除；随后对数据进行统计分析，将原始数据按照一分钟为单位进行压缩；最后对数据集进行归一化处理。其过程可用方法1描述：
方法1：数据预处理
输入：遥测数据集D，小波尺度lev
输出：新数据集ND
01：temp_D＝临时数据集；
02：count＝数据集属性个数；
03：for(i＝1；i＜＝count；i++)
04：将属性i的遥测数据按照小波尺度lev进行小波去噪，去除遥测数据中的尖锐值；
05：end for
06：min ute_number＝遥测数据按分钟分段数；
07：将临时数据temp_D按照分钟进行分段，分段结果存放在seg_D中；
07：for(j＝0；j＜min ute_number；j++)
08：计算seg_D[i]的均值，作为均值样本序列；
09：end for
10：采用零均值标准化将均值样本序列归一化；
11：返回新数据集ND；
2.借助共享近邻算法构建相关数据集空间
针对经过数据预处理的数据集ND，本发明借助共享近邻算法构建相关数据集空间，确定每一条数据记录的搜索范围，减小搜索空间，提高运行效率。首先，通过K近邻算法构建K近邻数据子空间，根据共享近邻的构建规则，在K近邻数据子空间中构建共享近邻子空间即相关数据集空间。其具体过程如方法2描述：
方法2：构建相关数据集空间
输入：均值样本序列sample_D，共享近邻算法参数k，s
输出：相关数据集空间RP
01：count＝序列数据个数；
02：for(i＝0；i＜count；i++)
03：利用K近邻算法，计算Sample_D[i]的K近邻，构建K近邻数据集NN[i]；
04：end for
05：for(i＝0；i＜count；i++)
06：for(j＝0；j＜k；j++)
07：计算Sample_D[i]与其近邻NN[i]的共享近邻数；
08：end for
09：筛选与Sample_D[i]共享近邻数最多的s个近邻作为共享近邻，构建Sample_D[i]的相关数据集RP[i]；
10：end for
11：返回相关数据集RP；
3.筛选特征属性
利用步骤2中得到的相关数据集空间，本发明结合角度偏差来筛选与异常相关特征属性。首先，计算角度偏差余弦绝对值的平均值，利用特征属性筛选阈值计算公式得到筛选阈值，对比筛选阈值与每一条数据记录的角度偏差余弦绝对值的平均值，筛选出特征属性。其具体实现过程如方法3所描述：
方法3：筛选特征属性
输入：均值样本序列sample_D，属性个数d
输出：特征属性集S
01：count＝序列数据个数；
02：for(i＝0；i＜count；i++)
03：for(j＝0；j＜d-1；j++)
04：计算sample_D[i]的角度偏差余弦值cos[i][j]；
05：end for
06：计算sample_D[i]的角度偏差余弦绝对值的平均值A cos[i]；
07：end for
08：计算特征属性筛选阈值Threshold；
09：for(i＝0；i＜count；i++)
10：if(A cos[i]＞Threshold)
11：S[i]＝1；
12：else
13：S[i]＝0；
14：end if
15：筛选S[i]＝1的属性作为Sample_D[i]的特征属性；
16：end for
17：返回特征属性集S；
4.计算异常值并确定异常发生时间
本发明结合步骤2和步骤3中得到的相关数据集空间和特征属性，构建特征数据空间，计算每一条记录和其特征数据空间的异常值，利用异常值阈值计算公式得到异常阈值，对比异常阈值与每一条数据记录的异常值，判断是否出现数据异常。其具体实现过程如方法4所描述：
方法4：计算异常值并确定异常发生时间
输入：均值样本序列sample_D，相关数据集RP，特征属性集S
输出：发生异常的数据记录
01：count＝序列数据个数；
02：for(i＝0；i＜count；i++)
04：根据RP[i]和S[i]，构建sample_D[i]的特征筛选过后的相关数据集RP′[i]；
05：计算sample_D[i]与其特征筛选过后的相关数据集RP′[i]的归一化马氏距离Score[i]，作为sample_D[i]的异常检测值；
06：end for
07：计算异常检测值的阈值T；
08：for(i＝0；i＜count；i++)
09：if(Score[i]＞T)
10：该数据记录为异常数据记录；
11：else
12：该数据记录为正常数据记录；
13：end if
14：end for
15：返回发生异常的数据记录。

Claims (3)

1.一种无领域知识的卫星分系统异常检测方法，其特征包括如下步骤：
(1)针对卫星遥测数据的特点，对原数据进行预处理；
(2)借助滑动窗口和共享近邻算法，构建数据记录的相关数据集空间；其实现步骤包括：
1)确定滑动窗口大小
由于卫星遥测数据空间的数据量巨大，在原始数据空间中直接计算，需要消耗大量的计算代价，因此引入滑动窗口，通过滑动窗口将数据集划分为多个子数据集，在子数据集中计算异常值，滑动窗口的大小由遥测数据的周期来确定；
遥测数据的周期通过分析小波方差来获得，小波方差的计算公式为：
其中，a，b∈R，a≠0，a为伸缩尺度，反映周期长度；b为平移因子，反映在时间轴上的平移；
小波方差是将小波系数的平方值在时间频域上进行积分，其离散形式为：
小波方差反映序列波动随伸缩尺度的变化情况，在不同伸缩尺度下，序列的扰动强度不同，小波方差最大值对应的时间为数据序列的周期；
2)构建共享近邻数据集空间
为进一步缩小数据记录的搜索空间，采用共享近邻算法在滑动窗口内提取数据记录的近邻数据记录空间，在此空间中进行异常检测；
假设原始数据空间为滑动窗口为在空间W中任意一点p，点p的K近邻数据集为NNk(p)，空间W中另一点q，点q的K近邻数据集为NNk(q)，则共享近邻SNN相似度为
其中，count()函数用于统计数据集NNk(p)和NNk(q)中相同元素的个数；
选择点p的SNN相似度最大的s个数据记录构成其最近邻子空间即为相关数据集空间，记作RP(p)；
(3)借助基于角度偏差的属性选择算法筛选与异常相关的属性；其实现步骤包括：
1)计算角度偏差余弦值绝对值的平均值
某属性j的角度偏差余弦值绝对值的平均值计算公式如下：
其中，d表示向量空间维度，j-表示不同于j的属性，所有包含j的二维空间的个数为d-1，j∈N表示在d维空间中与第j维属性方向平行的单位向量；
当lj与的数值均为0时，公式(5)分母为0，无意义；为了消除分母为0的影响，将连线l中等于0的分量用一个极小的常数ε＝10-5来代替；
则，公式(5)转变为：
的值越大，属性j与异常的相关程度越大，属性j应该被保留，否则，的值越小，属性j与异常的相关程度越小，属性j应该被舍弃；
2)确定筛选阈值
A cos在高维空间中是一种相对鲁棒性的度量标准，因此，设置一个阈值来筛选出特征属性，阈值的计算公式为：
其中，表示A cos在n维数据空间的平均值；θ∈[0，1)是调节参数，取值与的值有关，θ是所成的正态分布(1-α)×100％的上限所对应的值，α取0.95；
当某一数据记录的某一属性的A cos值大于阈值Threshold时，则该属性被筛选为特征属性而保留下来，否则该属性被舍弃；对于任意数据记录i，当属性j被选为特征属性时，Si(j)＝1，否则，Si(j)＝0；
(4)借助归一化的马氏距离计算异常值，结合统计学知识计算得到异常阈值，并对数据集进行分类。
2.根据权利要求1所述的卫星分系统异常检测方法，其特征在于，步骤(1)针对卫星遥测数据的预处理，其实现方法包括：
(21)对存在野值的数据进行清理，使用一维连续小波去噪，去除原始遥测数据中的噪声数据，小波函数选择db5，小波尺度为8；
(22)将遥测数据以1分钟为单位进行压缩，形成均值数据记录；
针对已经去噪的遥测数据，采用计算均值的方法将一分钟内的遥测数据进行压缩，得到均值数据记录；
(23)对均值数据记录进行归一化处理；
针对卫星遥测数据复杂性，对数据压缩得到的样本集矩阵进行归一化处理；通过公式(1)，经过处理的数据符合标准正态分布，即均值为0，标准差为1，转化函数为：
其中，μ和σ分别表示样本均值和标准差。
3.根据权利要求1所述方法，其特征在于借助归一化的马氏距离计算异常值，结合统计学知识计算得到异常阈值，并对数据集进行分类；其实现方法包括：
(31)计算异常值
采用归一化的马氏距离，计算数据记录i在d维数据空间的异常检测值Score(i)，计算公式如下：
其中，x(i)表示第i个数据记录，RP(i)′表示经过属性筛选之后的第i个数据记录的相关数据集空间，表示经过属性筛选之后的第i个数据记录的相关数据集空间的中点，即相关子空间中所有向量的均值向量，表示相关数据集空间的协方差矩阵的逆矩阵，d(i)表示第i个数据记录筛选出的相关属性个数；
(32)计算异常阈值
统计分析得知，Score满足自由度为d-1的χ2分布，选择Score所形成的χ2分布上概率为α所对应的值作为异常检测值的阈值T，α取99.9％；
(33)确定异常发生时间
比较每一条数据记录的异常值Score[i]与异常检测值的阈值T的大小，如果Score[i]＞T，则该时刻发生异常，否则该时刻没有出现异常。
CN201710019888.7A 2017-01-06 2017-01-06 一种无领域知识的卫星分系统异常检测方法 Active CN106650297B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710019888.7A CN106650297B (zh) 2017-01-06 2017-01-06 一种无领域知识的卫星分系统异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710019888.7A CN106650297B (zh) 2017-01-06 2017-01-06 一种无领域知识的卫星分系统异常检测方法

Publications (2)

Publication Number Publication Date
CN106650297A CN106650297A (zh) 2017-05-10
CN106650297B true CN106650297B (zh) 2019-04-19

Family

ID=58842740

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710019888.7A Active CN106650297B (zh) 2017-01-06 2017-01-06 一种无领域知识的卫星分系统异常检测方法

Country Status (1)

Country Link
CN (1) CN106650297B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107644148B (zh) * 2017-09-19 2020-09-22 中国人民解放军国防科技大学 一种基于多参数关联的在轨卫星异常状态监测方法及系统
CN108229586B (zh) * 2018-02-05 2019-02-05 清华大学 一种数据中的异常数据点的检测方法及系统
CN108966283B (zh) * 2018-06-25 2021-09-07 北京微纳星空科技有限公司 一种遥测数据压缩传输方法、装置和计算机可读介质
CN109948117B (zh) * 2019-03-13 2023-04-07 南京航空航天大学 一种对抗网络自编码器的卫星异常检测方法
CN110505005A (zh) * 2019-08-26 2019-11-26 中国科学院软件研究所 星上数据采集处理系统、卫星监测系统和智能监测系统
CN110649957B (zh) * 2019-08-26 2023-08-01 西安空间无线电技术研究所 降低星载微波辐射计滑环传输误码率的方法、系统及介质
CN110905478B (zh) * 2019-11-07 2023-04-11 中法渤海地质服务有限公司 一种基于箱线图法和马氏平方距离法的钻井数据清洗方法
CN111858680B (zh) * 2020-08-01 2022-10-25 西安交通大学 一种快速实时检测卫星遥测时序数据异常的系统与方法
CN112130180B (zh) * 2020-09-18 2023-10-27 上海钧正网络科技有限公司 检测共享设备卫星定位设备故障的方法、装置及服务器
CN116647268B (zh) * 2023-06-26 2024-01-26 深圳领航北斗信息技术有限公司 基于卫星物联网技术的通信安全智能化检测系统及方法
CN117688351B (zh) * 2024-02-04 2024-04-26 中国电子科技集团公司第十五研究所 一种基于模型处理结果的辅助甄别方法、装置及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104915568A (zh) * 2015-06-24 2015-09-16 哈尔滨工业大学 基于dtw的卫星遥测数据异常检测方法
CN106055919A (zh) * 2016-08-09 2016-10-26 航天东方红卫星有限公司 一种基于遥测数据小波变换的卫星异常检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104915568A (zh) * 2015-06-24 2015-09-16 哈尔滨工业大学 基于dtw的卫星遥测数据异常检测方法
CN106055919A (zh) * 2016-08-09 2016-10-26 航天东方红卫星有限公司 一种基于遥测数据小波变换的卫星异常检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Incremental locally linear embedding-based fault detection for satellite attitude control systems;Yuehua Cheng等;《Journal of the Franklin Institute》;20151031(第353期);17-36
基于TLE数据的航天器轨道异常检测;刘二江等;《第一届中国空天安全会议论文集》;20150819;338-343

Also Published As

Publication number Publication date
CN106650297A (zh) 2017-05-10

Similar Documents

Publication Publication Date Title
CN106650297B (zh) 一种无领域知识的卫星分系统异常检测方法
Qahtan et al. A pca-based change detection framework for multidimensional data streams: Change detection in multidimensional data streams
Ma et al. Supervised anomaly detection in uncertain pseudoperiodic data streams
Hong et al. Towards automatic spatial verification of sensor placement in buildings
Chen et al. Particle swarm optimization based fuzzy clustering approach to identify optimal number of clusters
CN113470695A (zh) 声音异常检测方法、装置、计算机设备及存储介质
US20230108916A1 (en) Method and system for forecasting non-stationary time-series
Tremblay et al. Multiscale community mining in networks using spectral graph wavelets
US20230388202A1 (en) Methods and systems for inferred information propagation for aircraft prognostics
Choudhary et al. On the runtime-efficacy trade-off of anomaly detection techniques for real-time streaming data
Wang et al. Vibration signal–based fault diagnosis in complex structures: A beam-like structure approach
Wang et al. A Dirichlet process Gaussian state machine model for change detection in transient processes
Liu et al. A deep support vector data description method for anomaly detection in helicopters
CN113092083B (zh) 一种基于分形维数和神经网络的机泵故障诊断方法和装置
Xu et al. Interpolating the missing values for multi-dimensional spatial-temporal sensor data: a tensor SVD approach
Papadimitriou et al. Dimensionality reduction and filtering on time series sensor streams
Liu et al. Sensitive feature extraction of telemetry vibration signal based on referenced manifold spatial fusion learning
CN111339986B (zh) 基于时域/频域分析的装备用频规律挖掘方法和系统
CN117076869A (zh) 旋转机械时频域融合故障诊断方法及系统
CN105653541B (zh) 识别数据元素之间的关联和演变模式的系统和方法
JP4451332B2 (ja) 類似時系列データ計算装置、および類似時系列データ計算プログラム
Ma et al. Bi-dimensional empirical mode decomposition (BEMD) and the stopping criterion based on the number and change of extreme points
Lindenbaum et al. Kernel scaling for manifold learning and classification
Liang et al. Spectral clustering based on high‐frequency texture components for face datasets
Zahorodnia et al. Analysis of objects classification approaches using vectors of inflection points

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant