CN109948117B - 一种对抗网络自编码器的卫星异常检测方法 - Google Patents
一种对抗网络自编码器的卫星异常检测方法 Download PDFInfo
- Publication number
- CN109948117B CN109948117B CN201910195659.XA CN201910195659A CN109948117B CN 109948117 B CN109948117 B CN 109948117B CN 201910195659 A CN201910195659 A CN 201910195659A CN 109948117 B CN109948117 B CN 109948117B
- Authority
- CN
- China
- Prior art keywords
- data
- satellite
- encoder
- network
- self
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/18578—Satellite systems for providing broadband data service to individual earth stations
- H04B7/18582—Arrangements for data linking, i.e. for data framing, for error recovery, for multiple access
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Astronomy & Astrophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Radio Relay Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种针对卫星遥测数据,通过对抗网络自编码器的异常检测方法,包括:打破传统经验模型限制,采用纯数据驱动模型;在变分自编码器基础上,引入对抗网络思想,将双向LSTM(长短时记忆网络)作为判别器,利用重构数据和原始数据的误差来判断卫星遥测数据是否出现异常;针对卫星传感器存在冗余问题,打破常规,使用马氏距离来衡量重构误差。结合卫星轨道运行的周期性,提出基于周期时间窗口的动态阈值确定方法。本发明的优点是:纯数据驱动,无需专家经验,能够适用多种场合;结合变分自编码器和生成对抗网络各自的优点,提出的网络具有训练快、收敛较容易的特点;采用马氏距离,消除卫星遥测数据之间的冗余数据影响;根据卫星自身的周期性,提出基于周期时间窗口的动态阈值方法,降低了误判率。
Description
技术领域
本发明涉及一种对抗网络自编码器的卫星异常检测方法,是针对卫星遥测数据自动进行异常检测的方法,属于工程应用与信息科学的交叉领域。
背景技术
由于卫星长期处在太阳辐射等恶劣的外太空环境下,其在轨运行期间可能会发生无法预料的异常或故障,提前采取措施及时发现这些无法预料的异常或故障,对保障卫星长期稳定运行至关重要。因此,遥测数据的异常检测在卫星故障排查和实时健康检测等领域具有重要的意义。考虑到卫星复杂的设计结构和恶劣的工作环境,无法直接在外太空的环境下进行异常检测。目前通过在卫星各部件上安装多个传感器直接采集卫星各部件的在轨运行数据,将在轨运行数据传输到地面遥测中心,存储为时序遥测数据,然后对卫星时序遥测数据进行分析,进而实现对卫星在轨状态的异常检测。
NASA在卫星异常检测和故障诊断方面开展了大量的工作。60年代提出了基于简单的状态监测的卫星异常检测和故障诊断方法,70年代提出了基于算法的卫星异常检测和故障诊断方法,80年代提出了基于知识的卫星异常检测和故障诊断方法,90年代提出了基于agent以及网络的卫星异常检测和故障诊断方法。进入21世纪以来,为提高卫星在轨运行的平稳性和安全性,NASA提出了卫星综合健康管理技术。该技术将卫星各子系统的性能评估、异常检测、故障预测等模块,以及其相应的处理措施和后勤保障安排等,融合为一个卫星健康状况综合管理系统。
从20世纪80年代开始,数据挖掘就在统计分析领域初露锋芒。其中,基于统计的假设检验首先在异常检测领域崭露头角,通过对小概率事件的统计,来判别数据样本是否发生异常。此后,Grubbs等提出在数据集满足标准的t分布基础上对每个数据计算其Grubbs测试统计值,若数据的统计值超过某个阈值,则被认为是一个异常数据。Knorr等在异常检测领域首先提出了距离的概念,计算不同数据点之间的距离作为判断是否发生异常的依据,但是当数据点来自于不同密度分布的数据集时,该方法的异常检测效果不佳。为解决这一问题,Breunig等将密度计算加入到异常检测算法中,该算法避免了密度分布不均的数据集异常检测结果差的问题,但是,该算法复杂度过高,不能处理海量数据。Dawei Pan等提出了一种基于核主成分分析(KPCA)和关联规则的异常检测算法,采用KPCA构造特征矩阵,在时间序列中使用闭合模式挖掘遥测属性之间的关联规则,以此来识别异常。该方法对于遥测参数高维的情况效果不好,不能解决数据纬度高的问题。此外,Qin等人设计了一种区分周期性数据范围和单调性的算法,通过检测遥测数据的下界限来提前预警异常。这种方法对于具有较强周期性的遥测数据检测准确率较高,但是针对周期性不明显或者没有周期性的遥测数据,无法准确判断其频率的变化,故无法检测异常。Wang等针对TX-1星的故障检测,自先分析出卫星在轨光照期和阴影期,然后使用局部线性映射算法降维和提取特征,将高维数据空间映射到低维特征空间,最后计算统计量T2和SPE来检测故障。
针对目前存在的问题,本发明提出一种新型的引入对抗网络自编码器异常检测方法。该方法不仅可以迅速准确的判定异常数据,并且还无需专业知识。首先,和依据经验知识的异常检测方法不同,采用自编码器重构数据,依据重构误差来判定异常。其次,引入对抗网络,结合变分自编码器和生成对抗网络两者的优点,使得重构模型更加精确,降低重构模型的误差,降低了异常检测的误差。对于异常判断,不同于大多数采用欧氏距离衡量重构误差的方法,考虑到传感器冗余而且不依靠专家经验,采用马氏距离进行计算重构误差。最终,对数据进行周期分析,发明了一种基于周期时间窗口的异常判定方法,经过某星试用,效果较好。
发明内容
发明目的:本发明的目的是提供一种新型的卫星遥测数据异常自动检测法。该方法与传统的依据经验知识异常检测的方法不同,纯粹利用数据驱动,采用自编码器重构数据,依据重构误差来判定异常。其次,引入对抗网络,结合变分自编码器和生成对抗网络两者的优点,使得重构模型更加精确,降低重构模型的误差,使得异常检测误差低。对于异常判断,不同于大多数采用欧氏距离衡量重构误差,考虑到传感器冗余,采用马氏距离计算重构误差。最终,对数据进行周期分析,基于卫星周期提出一种基于时间窗口的异常自动检测方法。
技术方案:为实现上述目的,本发明提出一种对抗网络自编码器的卫星异常检测方法,大多数现有的基于经验的异常检测方法需要领域专家的合作;然而,大多数情况下,专家不可能在各种有需要的场合都能及时出现。因此本发明给出一种立足于数据自身的异常自动检测方法。该算法引入对抗网络,结合变分自编码器和生成对抗网络的优点,使得重构模型更加精确,降低重构模型的误差,使得异常检测误差低。对于异常判断,不同于大多数采用欧氏距离衡量重构误差,考虑到传感器冗余而且方法不依靠专家经验,本发明采用马氏距离计算重构误差。最终,对数据进行周期分析,基于卫星周期提出一种基于时间窗口的异常判定方法。其具体的技术方案包括以下几个步骤:
步骤一:建立变分自编码器。
(1)引入隐变量:当训练一个生成模型,在维度之间的依赖越复杂,模型训练越困难。此时需要一个隐变量z,并能从先验p(z)中采样。假设有一个函数族,即生成器f(z;θ),θ是向量参数。通过优化θ能高概率的产生类似x的样本;
(2)建立损失函数:训练变分自编码器时,要考虑生成数据与真实数据的差异,以及编码器中后验概率密度和解码器中后验概率密度的差异。由此,得到自编码器的损失函数,如公式(1):
步骤二:引入对抗网络。
(1)构造双向RNN(循环神经网络)判别器:双向RNN目的是解决单向RNN无法处理后向网络信息的问题,单向RNN只能在一个方向上处理数据,而双向循环网络是提出每一个训练序列,其向前向后分别是两个RNN,而且这两个RNN都连接同一个输出层(注:本发明使用的是RNN的一种衍生网络——长短时记忆网络LSTM)。
其中,自前向后循环神经网络层更新公式(2)为:
自后向前循环神经网络的更新公式(3)为:
两层循环神经网络叠加后输入隐藏层公式(4)为:
(2)确立引入对抗网络后的目标函数:训练过程中,pdata和pz分别是真实数据和生成数据的分布,在训练中交替训练判别器(Dis)和生成器(GEN)。在训练判别器时,希望真实数据判别值越接近1越好,对生成数据的判别值越接近0越好。在训练生成器时,希望生成数据能够欺骗判别器,让生成数据的判别值接近1。生成器训练刚开始时,生成数据和真实数据的分布有很大差异,判别器模型的判别结果处于上下摆动状态;然后,重复固定生成器,优化判别器,以及固定判别器,训练生成器这一过程,直到判别器无法判别生成数据的真假。生成器的目的就是通过不断训练生成模型,使pz越来越接近pdata,并且构建一个判别器来区分生成数据和真实数据。建立如下目标函数O:
其中,Dis代表判别器,GEN代表生成器,x代表输入数据,z代表编码器生成的隐变量。
步骤三:卫星传感器数据异常检测。
(1)基于小波方差的卫星周期自动分析:卫星遥测数据也会随着卫星周期变化而变化,小波方差是小波系数的平方值在时间平移轴上的积分,即:
小波方差的离散型表示为:
小波方差的大小随着平移和尺度伸缩两种操作发生变化的过程,可以用小波方差图来表示。由公式(6、7)可得,小波方差能够反映信号波动的能量分布,计算信号的小波方差大小,进而确定信号源的周期;
(2)基于马氏距离的误差度量:卫星正常运行时,通过步骤(3)建立的自编码器会生成极其相似的数据。当卫星异常时,自编码器学习好的参数将无法继续重构异常样本。为了衡量这种重构误差,采用马氏距离度量这种误差。1其计算公式为(8):
式中的x表示一个样本,μ表示样本均值,∑-1表示样本空间的协方差矩阵的逆矩阵;
(3)周期时间窗口的动态阈值:根据卫星轨道运转的特点,对一个周期内的卫星数据进行分析更具有可靠性。先将一个前向周期窗口内收集到的数据统计得到97%上分位点,再将该点放大α倍,作为上界U,如公式(9):
Ui=yi·(1+α) (9)
其中,yi是第i个输入量前向一个周期内97%上分位点,Ui是第i个输入量对应的上界,α是未知的比例系数。
为了获得最优的动态阈值区间,将近期历史数据构成一个新的预测样本,该预测样本称为验证集,通过时间窗口动态构建验证集的动态阈值区间,在验证的过程中通过不断调整α的值,获得一个满意的评估结果为止。
有益效果:本发明针对卫星遥测数据异常检测问题,提出一种对抗网络自编码器的异常自动检测方法。该方法融合变分自编码器和对抗生成网络各自的优点。针对传感器数据冗余的特点,采用马氏距离剔除重复传感器带来的干扰。考虑到卫星运行具有周期性,使用小波方差分析周期,并根据卫星周期采用一种动态的异常阈值,有效地降低了异常检测,提高了异常自动检测的准确度。
附图说明
图1是方法流程图。
图2是循环神经网络(RNN)示意图。
具体实施方式
下面结合附图,对本发明做进一步说明。
本发明提出一种对抗网络自编码器的卫星遥测数据异常检测方法。首先,采用自编码器重构数据,依据重构误差来判定异常。其次,引入对抗网络,结合变分自编码器和生成对抗网络的优点,使得重构模型更加精确,降低重构模型的误差,从而使得异常检测误差降低。对于异常判断,不同于目前采用欧氏距离衡量重构误差,考虑到传感器冗余而且方法不依靠专家经验,采用马氏距离进行计算重构误差。最终,对数据进行周期分析,基于卫星周期提出了一种基于时间窗口的异常判定方法。具体实施步骤如下,且具体流程见附图1。
1变分自编码器
变分自编码器是一种生成模型,它将深度学习和统计学习相结合。它的结构包含一个编码器和解码器。其中,编码器将样本x编码为一个隐变量z,解码器将z重构为x。可以用如下公示(10、11)表达:
z~E(x)=q(z|x) (10)
x~D(x)=p(x|z) (11)
其中,E(·)代表编码器,D(·)代表解码器,x是经过自编分编码器重构过的样本,z是符合方差为σ均值为0的高斯分布。
当训练变分自编码器时,要考虑生成数据与真实数据的差异和编码器中后验概率密度和解码器中后验概率密度的差异。由此,可以得到自编码器的损失函数:
2引入对抗网络
在生成式对抗网络中,生成模型GEN用来捕获数据分布,判别模型DIS用来评估样本数据来自于训练数据而不是GEN的概率,这利用了零和博弈的游戏思想。
训练过程中,pdata和pz分别是真实数据和生成数据的分布,在训练中交替训练判别器(Dis)和生成器(GEN)。在训练判别器时,希望真实数据判别值越接近1越好,对生成数据的判别值越接近0越好。在训练生成器时,希望生成数据能够欺骗判别器,让生成数据的判别值接近1。生成器训练刚开始时,生成数据和真实数据的分布有很大差异,判别器模型的判别结果处于上下摆动状态;然后,重复固定生成器,优化判别器,以及固定判别器,训练生成器这一过程,直到判别器无法判别生成数据的真假。生成器的目的就是通过不断训练生成模型,使pz越来越接近pdata,并且构建一个判别器来区分生成数据和真实数据。建立如下目标函数O:
其中,Dis代表判别器,GEN代表生成器,x代表输入数据,z代表编码器生成的隐变量。
3基于双向LSTM的判别器
双向RNN目的是解决单向RNN(结构见附图2)无法处理后向网络信息的问题,单向RNN只能在一个方向上处理数据,而双向循环网络是提出每一个训练序列,其向前向后分别是两个RNN,而且这两个RNN都连接同一个输出层(注:本发明使用的是RNN的一种衍生网络——长短时记忆网络LSTM)。
其中,自前向后循环神经网络层更新公式为:
自后向前循环神经网络的更新公式为:
两层循环神经网络叠加后输入隐藏层公式为:
双向LSTM神经网络模型结合双向RNN和LSTM两个模型的优点,形成了一个新模型,简单来说就是用LSTM单元替换掉双向RNN模型中的循环单元。将这种模型运用于卫星遥测数据的判别,能够充分学习出卫星各个分系统间的内在联系,从而使判别器更具有鲁棒性。替换后的GAN模型可以表示如下:
其中,DISbi-lstm表示基于双向LSTM的判别器,GEN代表生成器,x代表输入数据,z代表编码器生成的隐变量。
4基于VAE/BLGAN的重构算法
变分自编码器中隐变量的后验分布仅仅满足的是某一种概率分布,造成低维表示过于简单。在图像生成领域,导致生成的图像容易失真,在本发明中会则导致重构的卫星数据误差较大(相对于采用基于VAE的生成式对抗网络)。生成式对抗网络,作为一个生成模型,其效果非常好,但很多时候生成的数据难以符合真实的规律。将变分自编码器在特征提取方面的优点和GAN强大的生成能力结合,产生一种新的无监督学习生成模型VAE/BLGAN(基于双向LSTM判别器的引入对抗网络的变分自编码器),并将该模型应用于卫星遥测数据自动检测。
在VAE/BLGAN模型中,变分自编码器和生成式对抗网络一起完成编码、生成数据和原始数据进行比较,进而来提升变分自编码器。最后用学习到的相似性度量,训练生成器模型,这样可以产生更小的误差。算法流程如下算法1所示。
4异常检测(得分)
当卫星正常运行时,卫星遥测数据输入建立的自编码器,会生成极其相似的数据。当卫星发生异常时,原先的自编码器学习好的参数,将无法继续重构异常样本。考虑到卫星传感器之间复杂联系,不同传感器之间存在相关性,以及变化尺度的不同,本发明采用马氏距离作为衡量这种误差的方法。其计算公式(18)如下:
其中,x表示一个样本,μ表示样本均值,∑-1表示样本空间的协方差矩阵的逆矩阵。
为了衡量自编码器的重构误差,在马氏距离的基础上,计算重构数据R(i)在该数据集上的重构误差得分(REScore),计算公式(19)如下:
REScore在高维空间中是一种相对鲁棒性的重构误差度量值,可以反应卫星遥测数据重构误差变化的趋势。为了监测这一趋势并且检测异常变动,一种方法是设置一个固定的阈值,当Rescore超过这个阈值时候,这就意味着卫星分系统可能出现了问题,需要发出告警。这种基于固定的阈值的卫星部件警报规则可以如下描述:
5基于小波方差的卫星周期分析
时序遥测数据反映了卫星在轨运行的状态,由于卫星运行具有周期性,因此,时序遥测数据也会随着卫星周期而呈现周期性变化,准确地分析出时序遥测数据变化周期对其异常检测研究具有重要意义。由于时序遥测数据维度高,数据量大,无法直接观察出时序遥测数据的周期,因此,本发明采用一种较为可行的周期提取方法,即基于小波方差的参数周期性分析,算法时间复杂度为O(n log2n)。该方法能够有效的提取时序遥测数据的周期,进而为特征提取和异常检测提供帮助。
(1)小波函数
小波函数是用来表示某一信号的函数,小波函数ψ(t)∈L2(R)满足:
其中,ψ(t)表示基小波函数,则其可以得到一簇小波函数系:
其中,a,b∈R,a≠0,ψa,b(t)表示子小波;a是伸缩尺度因子;b是平移因子。
(2)小波变换
给定能量有限信号f(t)∈L2(R),则其连续小波变换为:
由于卫星时序遥测数据是通过传感器实时采集,假设采样时间间隔为Δt,则信号函数可表示为f(kΔt),k=1,2,…,N,则其连续小波变换离散型表示为:
(3)小波方差
小波方差是小波系数的平方值在时间平移轴上的积分,即:
则小波方差的离散型表示为:
小波方差的大小随着平移和尺度伸缩两种操作发生变化的过程,可以用小波方差图来表示。由上述公式(26、27)可知,小波方差能够反映信号波动的能量分布,进而观察信号的小波方差的大小来确定信号的周期。
6基于时间窗口的动态阈值方法
基于上述4中的告警规则,在建立卫星遥测数据自编码器之后,选取部分数据进行验证。通过某星实验后发现,当阈值设置较低时,即使卫星在正常情况下运行,仍然产生了很多告警;当阈值设置较高,的确可以解决过多告警,但是会导致漏警。针对此问题,本发明提出一种基于周期时间窗口的动态阈值,用来检测卫星遥测数据是否存在异常。
根据卫星轨道运转的特点,对一个周期内的卫星数据进行分析更具有可靠性。先将一个前向周期窗口内收集到的数据统计得到97%上分位点,再将该点放大α倍,作为上界U,如公式(28):
Ui=yi·(1+α) (28)
其中,yi是第i个输入量前向一个周期内97%上分位点,Ui是第i个输入量对应的上界,α是未知的比例系数。
为了获得最优的动态阈值区间,将近期历史数据构成一个新的预测样本,该预测样本称为验证集,通过时间窗口动态构建验证集的动态阈值区间,在验证的过程中通过不断调整α的值,获得一满意的评估结果为止。
Claims (3)
1.一种对抗网络自编码器的卫星数据异常检测方法,其主要特征包括如下步骤:
(1)建立变分自编码器:变分自编码器是一个可以通过神经网络训练学习的近似推断的有向模型,使用梯度方法使模型收敛;
(2)引入对抗网络:生成式对抗网络是基于博弈论,生成器网络必须与对手竞争,生成器网络负责产生样本,其对手判别器网络负责区分从训练数据抽取的样本和从生成器生成的样本,将自编码器的解码器用做对抗网络中的生成器,从而将对抗网络引入到变分自编码器;
(3)卫星遥测数据异常检测:当卫星正常运行时,将遥测数据输入建立的自编码器,会生成极其相似的数据,当卫星异常时,原先的自编码器学习好的参数,将无法继续重构异常样本;为了衡量这种重构误差,采用马氏距离作为衡量方法;
其中,建立变分自编码器具体包括:
(11)引入隐变量:当训练一个生成模型,在维度之间的依赖越复杂,模型训练越困难,此时需要一个隐变量z,并能从先验p(z)中采样;假设有一个函数族,即生成器f(z;θ),θ是向量参数,通过优化θ能高概率的产生类似x的样本;
(22)建立损失函数:训练变分自编码器时,要考虑生成数据与真实数据的差异,以及编码器中后验概率密度和解码器中后验概率密度的差异,由此,得到自编码器的损失函数,如公式(1):
卫星遥测数据异常检测具体包括:
采用自编码器重构数据,依据重构误差来判定异常,为了衡量自编码器的重构误差,在马氏距离的基础上,计算重构数据R(i)在该数据集上的重构误差得分REScore,计算公式(2)如下:
2.根据权利要求1所述的对抗网络自编码器的卫星数据异常检测方法,其特征在于,步骤(2)引入对抗网络,其实现方法包括:
(21)构造双向RNN循环神经网络判别器:双向RNN目的是解决单向RNN无法处理后向网络信息的问题,单向RNN只能在一个方向上处理数据,而双向循环网络是提出每一个训练序列,其向前向后分别是两个RNN,而且这两个RNN都连接同一个输出层,且双向RNN循环神经网络采用的是RNN的一种衍生网络,即长短时记忆网络LSTM;
其中,自前向后循环神经网络层更新公式(3)为:
自后向前循环神经网络的更新公式(4)为:
两层循环神经网络叠加后输入隐藏层公式(5)为:
(22)确立引入对抗网络后的目标函数:训练过程中,pdata和pz分别是真实数据和生成数据的分布,在训练中交替训练判别器Dis和生成器GEN;在训练判别器时,希望真实数据判别值越接近1越好,对生成数据的判别值越接近0越好;在训练生成器时,希望生成数据能够欺骗判别器,让生成数据的判别值接近1;生成器训练刚开始时,生成数据和真实数据的分布有很大差异,判别器模型的判别结果处于上下摆动状态;然后,重复固定生成器,优化判别器,以及固定判别器,训练生成器这一过程,直到判别器无法判别生成数据的真假,生成器的目的就是通过不断训练生成模型,使pz越来越接近pdata,并且构建一个判别器来区分生成数据和真实数据;建立如下目标函数O:
其中,Dis代表判别器,GEN代表生成器,x代表输入数据,z代表编码器生成的隐变量。
3.根据权利要求1所述的对抗网络自编码器的卫星数据异常检测方法,其特征在于,步骤(3)卫星遥测数据异常检测,其实现方法包括:
(31)基于小波方差的卫星周期自动分析:卫星遥测数据也会随着卫星周期变化而变化,小波方差是小波系数的平方值在时间平移轴上的积分,即:
小波方差的离散型表示为:
小波方差的大小随着平移和尺度伸缩两种操作发生变化的过程,可以用小波方差图来表示,由公式(7、8)可得,小波方差能够反映信号波动的能量分布,计算信号的小波方差大小,进而确定信号源的周期;
(32)基于马氏距离的误差度量:卫星正常运行时,通过步骤(3)建立的自编码器会生成极其相似的数据,当卫星异常时,自编码器学习好的参数将无法继续重构异常样本,为了衡量这种重构误差,采用马氏距离度量这种误差,其计算公式为(9):
式中的x表示一个样本,μ表示样本均值,∑-1表示样本空间的协方差矩阵的逆矩阵;
(33)周期时间窗口的动态阈值:根据卫星轨道运转的特点,对一个周期内的卫星数据进行分析更具有可靠性,先将一个前向周期窗口内收集到的数据统计得到97%上分位点,再将该点放大α倍,作为上界U,如公式(10):
Ui=yi·(1+α)(10)
其中,yi是第i个输入量前向一个周期内97%上分位点,Ui是第i个输入量对应的上界,α是未知的比例系数;
为了获得最优的动态阈值区间,将近期历史数据构成一个新的预测样本,该预测样本称为验证集,通过时间窗口动态构建验证集的动态阈值区间,在验证的过程中通过不断调整α的值,获得一个满意的评估结果为止。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910195659.XA CN109948117B (zh) | 2019-03-13 | 2019-03-13 | 一种对抗网络自编码器的卫星异常检测方法 |
PCT/CN2020/075658 WO2020181962A1 (zh) | 2019-03-13 | 2020-02-18 | 一种对抗网络自编码器的卫星异常检测方法及系统 |
US17/255,267 US20210174171A1 (en) | 2019-03-13 | 2020-02-18 | Satellite anomaly detection method and system for adversarial network auto-encoder |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910195659.XA CN109948117B (zh) | 2019-03-13 | 2019-03-13 | 一种对抗网络自编码器的卫星异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109948117A CN109948117A (zh) | 2019-06-28 |
CN109948117B true CN109948117B (zh) | 2023-04-07 |
Family
ID=67010161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910195659.XA Active CN109948117B (zh) | 2019-03-13 | 2019-03-13 | 一种对抗网络自编码器的卫星异常检测方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210174171A1 (zh) |
CN (1) | CN109948117B (zh) |
WO (1) | WO2020181962A1 (zh) |
Families Citing this family (53)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110572696B (zh) * | 2019-08-12 | 2021-04-20 | 浙江大学 | 一种变分自编码器与生成对抗网络结合的视频生成方法 |
CN110598851A (zh) * | 2019-08-29 | 2019-12-20 | 北京航空航天大学合肥创新研究院 | 一种融合lstm和gan的时间序列数据异常检测方法 |
CN110704508B (zh) * | 2019-09-30 | 2023-04-07 | 佛山科学技术学院 | 一种智能生产线异常数据的处理方法及装置 |
CN111132209B (zh) * | 2019-12-04 | 2023-05-05 | 东南大学 | 基于变分自编码器估计无线局域网络接入点吞吐量的方法 |
CN110992354B (zh) * | 2019-12-13 | 2022-04-12 | 华中科技大学 | 基于引入自动记忆机制对抗自编码器的异常区域检测方法 |
CN111031051B (zh) * | 2019-12-17 | 2021-03-16 | 清华大学 | 一种网络流量异常检测方法及装置、介质 |
CN111136659B (zh) * | 2020-01-15 | 2022-06-21 | 南京大学 | 基于第三人称模仿学习的机械臂动作学习方法及系统 |
CN111277603B (zh) * | 2020-02-03 | 2021-11-19 | 杭州迪普科技股份有限公司 | 无监督异常检测系统和方法 |
CN110991625B (zh) * | 2020-03-02 | 2020-06-16 | 南京邮电大学 | 基于循环神经网络的地表异常现象遥感监测方法、装置 |
US11301724B2 (en) * | 2020-04-30 | 2022-04-12 | Robert Bosch Gmbh | Semantic adversarial generation based function testing method in autonomous driving |
CN111695598B (zh) * | 2020-05-11 | 2022-04-29 | 东南大学 | 一种基于生成对抗网络的监测数据异常诊断方法 |
CN113837351B (zh) * | 2020-06-08 | 2024-04-23 | 爱思开海力士有限公司 | 新异检测器 |
CN111815561B (zh) * | 2020-06-09 | 2024-04-16 | 中海石油(中国)有限公司 | 一种基于深度时空特征的管道缺陷及管道组件的检测方法 |
CN111696066B (zh) * | 2020-06-13 | 2022-04-19 | 中北大学 | 基于改进wgan-gp的多波段图像同步融合与增强方法 |
US11909482B2 (en) * | 2020-08-18 | 2024-02-20 | Qualcomm Incorporated | Federated learning for client-specific neural network parameter generation for wireless communication |
CN112179691B (zh) * | 2020-09-04 | 2021-07-13 | 西安交通大学 | 基于对抗学习策略的机械装备运行状态异常检测系统和方法 |
CN112461537B (zh) * | 2020-10-16 | 2022-06-17 | 浙江工业大学 | 基于长短时神经网络与自动编码机的风电齿轮箱状态监测方法 |
CN112149757B (zh) * | 2020-10-23 | 2022-08-19 | 新华三大数据技术有限公司 | 一种异常检测方法、装置、电子设备及存储介质 |
CN112327331A (zh) * | 2020-11-02 | 2021-02-05 | 中山大学 | 一种gnss欺骗干扰检测方法、装置、设备和存储介质 |
CN113835106B (zh) * | 2020-12-03 | 2023-08-01 | 北京航空航天大学 | 一种大数据条件下的关联性健康基线无监督自主构建方法 |
CN112597831A (zh) * | 2021-02-22 | 2021-04-02 | 杭州安脉盛智能技术有限公司 | 一种基于变分自编码器和对抗网络的信号异常检测方法 |
CN113156473B (zh) * | 2021-03-04 | 2023-05-02 | 中国北方车辆研究所 | 信息融合定位系统卫星信号环境的自适应判别方法 |
CN113011476B (zh) * | 2021-03-05 | 2022-11-11 | 桂林电子科技大学 | 基于自适应滑动窗口gan的用户行为安全检测方法 |
US11843623B2 (en) * | 2021-03-16 | 2023-12-12 | Mitsubishi Electric Research Laboratories, Inc. | Apparatus and method for anomaly detection |
CN113159947A (zh) * | 2021-03-17 | 2021-07-23 | 同济大学 | 一种基于生成对抗网络的困难异常样本检测框架 |
US20220303158A1 (en) * | 2021-03-19 | 2022-09-22 | NEC Laboratories Europe GmbH | End-to-end channel estimation in communication networks |
CN112949753B (zh) * | 2021-03-26 | 2023-10-24 | 西安交通大学 | 一种基于二元关系的卫星遥测时序数据异常检测方法 |
CN113127705B (zh) * | 2021-04-02 | 2022-08-05 | 西华大学 | 一种异构双向生成对抗网络模型及时间序列异常检测方法 |
CN113312809B (zh) * | 2021-04-06 | 2022-12-13 | 北京航空航天大学 | 一种基于相关团划分的航天器遥测数据多参数异常检测方法 |
CN113077005B (zh) * | 2021-04-13 | 2024-04-05 | 西安交通大学 | 一种基于lstm自编码器和正常信号数据的异常检测系统及方法 |
CN114075979A (zh) * | 2021-04-21 | 2022-02-22 | 卢靖 | 盾构掘进环境变化实时辨识系统及方法 |
CN113407425B (zh) * | 2021-05-13 | 2022-09-23 | 桂林电子科技大学 | 基于BiGAN与OTSU的内部用户行为检测方法 |
CN113240011B (zh) * | 2021-05-14 | 2023-04-07 | 烟台海颐软件股份有限公司 | 一种深度学习驱动的异常识别与修复方法及智能化系统 |
CN113360694B (zh) * | 2021-06-03 | 2022-09-27 | 安徽理工大学 | 一种基于自编码器的恶意图像查询样本检测过滤方法 |
CN113485863B (zh) * | 2021-07-14 | 2023-05-05 | 北京航空航天大学 | 基于改进生成对抗网络生成异构不平衡故障样本的方法 |
CN114118224B (zh) * | 2021-11-02 | 2024-04-12 | 中国运载火箭技术研究院 | 一种基于神经网络的全系统遥测参数异常检测系统 |
CN114091600B (zh) * | 2021-11-18 | 2024-01-12 | 南京航空航天大学 | 一种数据驱动的卫星关联故障传播路径辨识方法及系统 |
CN114065862B (zh) * | 2021-11-18 | 2024-02-13 | 南京航空航天大学 | 一种多维时序数据异常检测方法和系统 |
US20230182927A1 (en) * | 2021-12-10 | 2023-06-15 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Controlling a Motion of a Spacecraft in a Multi-Object Celestial System |
CN114549930B (zh) * | 2022-02-21 | 2023-01-10 | 合肥工业大学 | 一种基于轨迹数据的快速路短时车头间距预测方法 |
CN114745187B (zh) * | 2022-04-19 | 2022-11-01 | 中国人民解放军战略支援部队航天工程大学 | 一种基于pop流量矩阵的内部网络异常检测方法及系统 |
CN115859202B (zh) * | 2022-11-24 | 2023-10-10 | 浙江邦盛科技股份有限公司 | 一种非平稳时序数据流场景下的异常检测方法及装置 |
CN115543589A (zh) * | 2022-12-05 | 2022-12-30 | 成都国星宇航科技股份有限公司 | 星上分系统备份的调用方法、系统、设备及存储介质 |
CN115622888B (zh) * | 2022-12-19 | 2023-03-07 | 中国人民解放军国防科技大学 | 基于多学科协作逆向优化的跨域融合星座设计方法 |
CN115964636B (zh) * | 2022-12-23 | 2023-11-07 | 浙江苍南仪表集团股份有限公司 | 基于机器学习和动态阈值的燃气流量异常检测方法及系统 |
CN116702083B (zh) * | 2023-08-10 | 2023-12-26 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 一种卫星遥测数据异常检测方法及系统 |
CN116743646B (zh) * | 2023-08-15 | 2023-12-19 | 云南省交通规划设计研究院股份有限公司 | 一种基于域自适应深度自编码器隧道网络异常检测方法 |
CN117134818B (zh) * | 2023-10-27 | 2024-02-02 | 亚太卫星宽带通信(深圳)有限公司 | 一种高低双轨道卫星 |
CN117235655B (zh) * | 2023-11-15 | 2024-02-02 | 北明天时能源科技(北京)有限公司 | 基于联邦学习的智慧供热异常工况识别方法及系统 |
CN117692346A (zh) * | 2024-01-31 | 2024-03-12 | 浙商银行股份有限公司 | 基于谱正则化变分自编码器的消息阻塞预测方法及装置 |
CN117706360A (zh) * | 2024-02-02 | 2024-03-15 | 深圳市昱森机电有限公司 | 电机运行状态的监测方法、装置、设备及存储介质 |
CN117914629B (zh) * | 2024-03-18 | 2024-05-28 | 台州市大数据发展有限公司 | 一种网络安全检测方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101364831B1 (ko) * | 2010-11-08 | 2014-02-20 | 한국전자통신연구원 | 텔레메트리 데이터의 통계적 분석을 이용하여 위성중계기의 상태를 감시하는 장치 및 방법 |
CN106650297B (zh) * | 2017-01-06 | 2019-04-19 | 南京航空航天大学 | 一种无领域知识的卫星分系统异常检测方法 |
CN107123151A (zh) * | 2017-04-28 | 2017-09-01 | 深圳市唯特视科技有限公司 | 一种基于变分自动编码器和生成对抗网络的图像转化方法 |
CN107358195B (zh) * | 2017-07-11 | 2020-10-09 | 成都考拉悠然科技有限公司 | 基于重建误差的非特定异常事件检测及定位方法、计算机 |
CN107991876A (zh) * | 2017-12-14 | 2018-05-04 | 南京航空航天大学 | 基于生成式对抗网络的航空发动机状态监测数据生成方法 |
CN108537742B (zh) * | 2018-03-09 | 2021-07-09 | 天津大学 | 一种基于生成对抗网络的遥感图像全色锐化方法 |
CN109447263B (zh) * | 2018-11-07 | 2021-07-30 | 任元 | 一种基于生成对抗网络的航天异常事件检测方法 |
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 |
-
2019
- 2019-03-13 CN CN201910195659.XA patent/CN109948117B/zh active Active
-
2020
- 2020-02-18 US US17/255,267 patent/US20210174171A1/en active Pending
- 2020-02-18 WO PCT/CN2020/075658 patent/WO2020181962A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
US20210174171A1 (en) | 2021-06-10 |
WO2020181962A1 (zh) | 2020-09-17 |
CN109948117A (zh) | 2019-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948117B (zh) | 一种对抗网络自编码器的卫星异常检测方法 | |
CN110071913B (zh) | 一种基于无监督学习的时间序列异常检测方法 | |
CN110598851A (zh) | 一种融合lstm和gan的时间序列数据异常检测方法 | |
EP1055239B1 (en) | Ultrasensitive surveillance of sensors and processes | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN110751199A (zh) | 一种基于贝叶斯神经网络的卫星异常检测方法 | |
CN112015153B (zh) | 一种无菌灌装生产线异常检测系统和方法 | |
CN113076975A (zh) | 一种基于无监督学习的大坝安全监测数据异常检测方法 | |
CN109298697A (zh) | 基于动态基线模型的火电厂系统各部件工作状态评估方法 | |
CN113485302B (zh) | 基于多元时序数据的车辆运行过程故障诊断方法及系统 | |
CN110957015A (zh) | 电子医疗记录数据的缺失值填充方法 | |
CN110348150A (zh) | 一种基于相关概率模型的故障检测方法 | |
CN111368428B (zh) | 一种基于监控二阶统计量的传感器精度下降故障检测方法 | |
CN112033463A (zh) | 一种核动力设备状态评估与预测一体化方法和系统 | |
US20220367057A1 (en) | Missing medical diagnosis data imputation method and apparatus, electronic device and medium | |
JP7126256B2 (ja) | 異常診断装置、異常診断方法、及びプログラム | |
CN112098600A (zh) | 一种化学传感器阵列的故障检测及诊断方法 | |
Ou et al. | A deep sequence multi-distribution adversarial model for bearing abnormal condition detection | |
CN116398418A (zh) | 核电循环水泵在线异常监测及辨识方法 | |
CN114707577A (zh) | 一种基于自对抗变分自编码器的异常检测方法及系统 | |
CN115392109A (zh) | 一种基于生成模型的lstm多变量时间序列异常检测方法 | |
CN114266013A (zh) | 基于深度学习虚拟感知网络的传动系统振动解耦方法 | |
CN117688496B (zh) | 面向卫星遥测多维时序数据的异常诊断方法、系统及设备 | |
Al Rasyid et al. | Anomaly detection in wireless body area network using Mahalanobis distance and sequential minimal optimization regression | |
Jin et al. | Analytical investigation of anomaly detection methods based on time-domain features and autoencoders in satellite power subsystem |
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 |