CN114118361A - 一种基于深度学习参数锚定的态势评估方法 - Google Patents

一种基于深度学习参数锚定的态势评估方法 Download PDF

Info

Publication number
CN114118361A
CN114118361A CN202111271943.4A CN202111271943A CN114118361A CN 114118361 A CN114118361 A CN 114118361A CN 202111271943 A CN202111271943 A CN 202111271943A CN 114118361 A CN114118361 A CN 114118361A
Authority
CN
China
Prior art keywords
anchoring
parameter
neural network
matrix
data
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.)
Pending
Application number
CN202111271943.4A
Other languages
English (en)
Inventor
耿胜男
王�锋
杨华
蓝鲲
夏国江
冯敏洁
张金刚
万端华
毕显婷
孙雪峰
梁晨光
李亚群
俞达
郝现伟
王洪砾
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.)
Beijing Institute of Astronautical Systems Engineering
Original Assignee
Beijing Institute of Astronautical Systems Engineering
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 Beijing Institute of Astronautical Systems Engineering filed Critical Beijing Institute of Astronautical Systems Engineering
Priority to CN202111271943.4A priority Critical patent/CN114118361A/zh
Publication of CN114118361A publication Critical patent/CN114118361A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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

Abstract

一种基于深度学习参数锚定的态势评估方法，属于航天测控技术领域。本发明包括如下步骤：构建卷积神经网络模型；所述卷积神经网络模型的输入为二维矩阵；制作训练数据集，使用数据集对神经网络进行训练；将训练好的卷积神经网络模型部署至运载火箭智能辅助自主态势评估决策系统，在运载火箭飞行时，运载火箭智能辅助自主态势评估决策系统实时敏感运载火箭各部段传感器采集参数，并输入到神经网络模型，获取卷积神经网络模型的输出，检测识别当前运载火箭参数的异常状态，并锚定其参数位置。解决了航天飞行态势评估检测问题，特别是针对目标系统运行过程中关键参数突发异常的问题。

Description

一种基于深度学习参数锚定的态势评估方法
技术领域
本发明涉及一种基于深度学习参数锚定的态势评估方法，属于航天测控技术领域。
背景技术
现阶段针对航天飞行器态势评估方法的研究，均是集中在具有先验知识条件下的人工判读、阈值判读等低层级水平，缺乏对大数据进行人工智能深度挖掘、建模与分析能力，对现有航天飞行试验历史数据利用程度不高，对发次之间的数据关联性和规律性挖掘不足，对于隐藏在表层数据背后的大量有用信息尚无法有效开发和利用。
发明内容
本发明解决的技术问题是：克服现有技术的不足，提供了一种基于深度学习参数锚定的态势评估方法，用于解决航天飞行态势评估检测问题，特别是针对目标系统运行过程中关键参数突发异常，通过数据规范化预处理、前卷积网络、锚定区域网络、锚定区域池化及筛选，最终实现针对目标系统潜在异常的有效检测、可靠预测和准确预警。
本发明的技术解决方案是：一种基于深度学习参数锚定的态势评估方法，包括如下步骤：
构建卷积神经网络模型；所述卷积神经网络模型的输入为二维矩阵；
制作训练数据集，使用数据集对神经网络进行训练；
将训练好的卷积神经网络模型部署至运载火箭智能辅助自主态势评估决策系统，在运载火箭飞行时，运载火箭智能辅助自主态势评估决策系统实时敏感运载火箭各部段传感器采集参数，并输入到神经网络模型，获取卷积神经网络模型的输出，检测识别当前运载火箭参数的异常状态，并锚定其参数位置。
进一步地，所述航天状态参量数据序列包括火箭各部段传感器敏感的电流、电压、过载、流量、脉冲、热流、设备状态、外安、温湿度、压力、液位、转速。
进一步地，所述预处理包括如下步骤：
(1)生成二维矩阵：航天状态参量数据序列进行二维化，生成用于深度学习和参数锚定的数据矩阵；
(2)对数据矩阵进行标注；
(3)将已标注的数据矩阵读入，并按80％、20％的比例随机分成训练验证数据集和测试数据集，将训练数据集、验证数据集和测试数据集数据信息进行保存。
进一步地，所述数据矩阵为S*S方阵；其中，
Figure BDA0003329038820000021
运算符[·]表示上取整；同时，将序列X中的状态参量在矩阵中填充，其余不够位数补零。
进一步地，所述对数据矩阵进行标注包括对数据分类标签的标注和异常状态参数的维度分量锚定目标的标注；标注生成的矩阵的分类标签；将异常状态参数的维度分量锚定为目标，其余部分作为背景。
进一步地，所述态势评估深度神经网络模型包括：卷积神经网络模块、锚定区域生成模块、锚定区域池化模块、锚定回归及分类检测模块；
卷积神经网络模块用以实现在二维特征空间下获取参数特征，包括5～13个卷积层，5～13个relu层，2～8个池化层；
锚定区域生成模块用以实现针对参数特征的候选锚定区域生成，采用卷积核矩阵进行窗口滑动，并适配锚定区域；
锚定区域池化模块用以实现参数特征的数量固定，包括锚定区域映射、锚定区域划分、区域最大池化；
锚定回归及分类检测模块用以实现异常参数位置定位和参数健康状态分类，锚定位置偏移计算对目标框左上角和右下角坐标进行预测回归计算，并通过正、负标注数据学习，实现对异常/正常参数的前、背景数据分类判别。
进一步地，训练所述态势评估深度神经网络模型时的损失函数为
Figure BDA0003329038820000031
其中，pi为anchor预测为目标的概率，p* i为标签函数，负标签时，为1；反之，为0，ti为预测的bounding box参数坐标，ti *是与positive anchor对应的ground truth包围盒的坐标向量，Lcls(pi,pi *)是一个二分类的交叉熵损失，Lreg(ti,ti *)是回归损失，Ncls为分类样本总数、Nreg为回归样本总数，λ为比例权值系数，取值范围0.5～2。
一种基于深度学习参数锚定的态势评估系统，包括：
第一模块，用以构建卷积神经网络模型；所述卷积神经网络模型的输入为二维矩阵；
第二模块，用以制作训练数据集，使用数据集对神经网络进行训练；
第三模块，位于运载火箭智能辅助自主态势评估决策系统，用以部署训练好的卷积神经网络模型，在运载火箭飞行时，运载火箭智能辅助自主态势评估决策系统实时敏感运载火箭各部段传感器采集参数，并输入到神经网络模型，获取卷积神经网络模型的输出，检测识别当前运载火箭参数的异常状态，并锚定其参数位置；
所述航天状态参量数据序列包括火箭各部段传感器敏感的电流、电压、过载、流量、脉冲、热流、设备状态、外安、温湿度、压力、液位、转速；
所述预处理包括如下步骤：
(1)生成二维矩阵：航天状态参量数据序列进行二维化，生成用于深度学习和参数锚定的数据矩阵；
(2)对数据矩阵进行标注；
(3)将已标注的数据矩阵读入，并按80％、20％的比例随机分成训练验证数据集和测试数据集，将训练数据集、验证数据集和测试数据集数据信息进行保存；
所述数据矩阵为S*S方阵；其中，
Figure BDA0003329038820000041
运算符[·]表示上取整；同时，将序列X中的状态参量在矩阵中填充，其余不够位数补零；
所述对数据矩阵进行标注包括对数据分类标签的标注和异常状态参数的维度分量锚定目标的标注；标注生成的矩阵的分类标签；将异常状态参数的维度分量锚定为目标，其余部分作为背景；
所述态势评估深度神经网络模型包括：卷积神经网络模块、锚定区域生成模块、锚定区域池化模块、锚定回归及分类检测模块；
卷积神经网络模块用以实现在二维特征空间下获取参数特征，包括5～13个卷积层，5～13个relu层，2～8个池化层；
锚定区域生成模块用以实现针对参数特征的候选锚定区域生成，采用卷积核矩阵进行窗口滑动，并适配锚定区域；
锚定区域池化模块用以实现参数特征的数量固定，包括锚定区域映射、锚定区域划分、区域最大池化；
锚定回归及分类检测模块用以实现异常参数位置定位和参数健康状态分类，锚定位置偏移计算对目标框左上角和右下角坐标进行预测回归计算，并通过正、负标注数据学习，实现对异常/正常参数的前、背景数据分类判别；
训练所述态势评估深度神经网络模型时的损失函数为
Figure BDA0003329038820000042
其中，pi为anchor预测为目标的概率，p* i为标签函数，负标签时，为1；反之，为0，ti为预测的bounding box参数坐标，ti *是与positive anchor对应的ground truth包围盒的坐标向量，Lcls(pi,pi *)是一个二分类的交叉熵损失，Lreg(ti,ti *)是回归损失，Ncls为分类样本总数、Nreg为回归样本总数，λ为比例权值系数，取值范围0.5～2。
一种计算机可读存储介质，所述的计算机可读存储介质存储有计算机程序，所述的计算机程序被处理器执行时实现所述一种基于深度学习参数锚定的态势评估方法的步骤。
一种基于深度学习参数锚定的态势评估设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，述的处理器执行所述的计算机程序时实现所述一种基于深度学习参数锚定的态势评估方法的步骤。
本发明与现有技术相比的优点在于：
本发明提出一种基于参数锚定区域的深度学习网络模型，在卷积神经网络模型的基础上，增加参数锚定区域网络，实现状态异常参数目标的定位功能。相对传统的卷积神经网络检测而言，本发明所构建的深度学习网络实现了分类和定位并行的网络训练模式，使得产生锚定窗口的定位卷积神经网络和目标检测的分类卷积神经网络运算共享。
附图说明
图1为本发明基于深度学习参数锚定的态势评估方法总体框图。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
以下结合说明书附图对本申请实施例所提供的一种基于深度学习参数锚定的态势评估方法做进一步详细的说明，具体实现方式可以包括(如图1所示)：
1).数据规范化预处理。将现有航天状态参量数据序列进行预处理，包括但不限于：电流、电压、过载、流量、脉冲、热流、设备状态、外安、温湿度、压力、液位、转速等。主要步骤包括：
(1)生成二维矩阵：航天状态参量数据序列进行二维化，生成便于深度学习和参数锚定的数据矩阵。设航天状态参量序列为X＝{x1,x2,…,xN}，N为序列维度，生成的数据矩阵A为S*S方阵，矩阵行列数S为
Figure BDA0003329038820000051
其中，运算符[·]表示上取整。同时，将序列X中的状态参量在矩阵中填充，
a1,1＝x1；a1,2＝x2；…；a1,s＝xs；…；a2,s＝x2s；… (2)
其余不够位数补零。
(2)生成矩阵数据进行标注。包括对数据分类标签的标注和异常状态参数的维度分量锚定目标的标注。标注生成的矩阵的分类标签；将异常状态参数的维度分量锚定为目标，其余部分作为背景。
(3)将已标注的生成矩阵读入，并按80％、20％的比例随机分成训练验证数据集和测试数据集，将训练数据集、验证数据集和测试数据集数据信息进行保存。
2).前卷积网络建模
(1)卷积层
卷积层是通过卷积核来提取数据的特征，卷积核也可以说是一个矩阵，从左上角开始，卷积核的大小就对应着生成矩阵范围，然后相乘再相加得出一个值。按照这种顺序，每隔一个步长的像素就进行一次卷积操作，然后得到一个经过卷积操作得出的值，将整个矩阵进行这样的卷积核窗口滑动，会形成一个卷积和矩阵，该矩阵中元素经过一层卷积层输出，再经过激活函数计算处理输出就得到数据特征映射。
(2)激活函数层
卷积神经网络在进行网络模型训练时，为了增加神经网络的非线性，需要引入激活函数，本发明使用ReLU函数作为激活函数，又称整流器或校正器。
ReLU激活函数的表达如公式(3)。
Relu＝max(0,x) (3)
ReLU函数是一个分段线性函数，能够进行这种单侧抑制操作，网络在反向传播时不会出现饱和倾向，也不会有特别小的梯度出现，从而造成梯度消失的现象，经过ReLU函数后，所有负数都为取0，正值保持不变，这样会造成网络的稀疏性，减少参数之间大的依赖关系，缓解过拟合问题的发生；正是因为ReLU函数能够使得模型在训练过程中的收敛速度维持在一个稳定的状态。
(3)池化层
本发明采用最大值池化方式，选取指定区域内最大的一个数来代表整片区域，和卷积层的维度输出结果一样，计算方式不一样。池化层可以缩小特征映射的大小，从而达到减少训练网络参数的目的。特征映射中，同一区域提取到的特征相似，通过使用最大值池化的方法，有效缩减特征映射大小，减少网络参数。
3).锚定区域网络建模
本发明引入一个锚定区域网络，来提取数据特征的目标区域，选择使用一个卷积神经网络提取检测区域框，而且锚定区域网络检测网络共享了网络卷积层的参数，这种参数共享的方式直接加速了锚定区域网络的生成速度。
锚定区域网络生成目标候选区域的原理。首先，将生成二维矩阵作为输入，经过前卷积神经网络得到数据特征映射，将特征映射作为锚定区域网络的输入，锚定区域网络中使用对应卷积核在特征矩阵上滑动采样，每滑动一个窗口同时预测k个锚定参数，使用卷积核在特征矩阵进行窗口滑动的方式保证能够关联到数据的全部特征空间，最后会得到原图上多种尺度和长宽比的锚定目标，在卷积层之后接两个子全连接层分别用于分类和回归，通过对锚定参数的分类和回归得到最终的锚定区域，其中分类子层的作用是判断锚定区域属于异常状态参数区域还是非异常状态参数区域，是一个二分类问题，需要向量维数为2k；回归子层的作用是用于计算目标候选框的偏移和大小缩放情况。
分类部分利用得到的特征向量经过全连接层和两个全连接子层进行计算和分类，其中一个子层接SoftmaxWithloss分类器用于类别输出，另一个子层接SmoothL1loss分类器用于计算目标框的位置偏移，并进行锚定区域回归定位的目标检测。
模型的损失函数是多任务损失，即对目标框的预测分类损失和锚定目标框的回归损失之和。
Figure BDA0003329038820000071
其中，pi为anchor预测为目标的概率；
Figure BDA0003329038820000081
ti＝{tx,ty,tw,th}是一个向量，表示预测的bounding box参数坐标；
ti *是与positive anchor对应的ground truth包围盒的坐标向量；
Lcls(pi,pi *)是一个二分类(目标&非目标)的交叉熵损失：
Lcls(pi,pi *)＝-log[pi *pi+(1-pi *)(1-pi)] (6)
Lreg(ti,ti *)是回归损失，用Lreg(ti,ti *)＝R(ti-ti *)来计算，R是smooth L1函数：
Figure BDA0003329038820000082
4).锚定区域池化
锚定区域池化(Anchors Region Pooling)的作用是结合前卷积得到的数据特征映射和锚定区域网络得到的目标区域信息，得出泛化后各目标区域的坐标和尺度，其原理是将目标候选区域的坐标映射到特定大小的特征矩阵中，将目标候选区域在特征映射上对应区域的水平方向和垂直方向都进行n等分，为了得到固定大小的输出结果，要对等分之后的每一份都进行最大池化(Max Pooling)处理，最后实现固定长度输出。
在本申请实施例所提供的方案中，包括如下步骤：
1.数据规范化预处理。设状态参量数据序列维度为796，样本数为1000000，包括：包括：电流、电压、过载、流量、脉冲、热流、设备状态、外安、温湿度、压力、液位、转速等。
(1)生成矩阵A。计算矩阵行列数S，
Figure BDA0003329038820000083
则，
a1，1＝x1；a1，2＝x2；…；a1，6＝x6；…；a2,6＝x12；…a5,5＝x29；a5,6＝0；…
则，生成矩阵A表示为，
Figure BDA0003329038820000091
对大于状态参量数据序列维度的矩阵元素补零。
(2)数据进行标注，包括对数据分类标签的标注和异常参数的维度分量锚定目标的标注。
数据分类表示为：
{(A1,c1)，(A2,c2)，…，(Ai,cj)} (6)
其中cj表示分类标签。
异常参数的维度分量锚定目标：
Figure BDA0003329038820000092
例如公式(7)中，x30为电压参数异常，x31为过载参数异常，在矩阵中进行锚定并定位边框未知，从而在后续的学习中将参数异常和分类标注建立联系，并通过卷积网络学习相关性，并通过迭代网络参数权值建立映射关系。
(3)将已标注的生成矩阵读入，并按80％、20％的比例随机分成训练验证数据集和测试数据集，
训练集：
T＝{(A1,c1)，(A2,c2)，…，(A800000,cj)|j＝1,2,…,n} (8)
测试集：
V＝{(A1,c1)，(A2,c2)，…，(A200000,cj)|j＝1,2,…,n}
2.前卷积网络建模
前卷积网络主要使用卷积神经网络来提取数据特征，得到矩阵的特征映射。针对维度为796，样本数为10000的状态参量数据序列，设计的前卷积网络。本发明中前卷积共有5个卷积层、5个激活函数层和2个池化层。主要包括：卷积层、池化层和激活函数层。
输入29*29的数据，通道数为256，卷积核大小为3*3，步长为1，当所有的数据点都至少被覆盖一次后，就可以产生一个卷积层的输出，变为29*29*256。
3.锚定区域网络建模
将前卷积网络的输出作为锚定区域网络的输入，锚定区域网络中使用3*3的卷积核在矩阵上滑动采样，每滑动一个窗口同时预测k(k＝9)个锚定目标，用四维变量表示一个锚定区域(x,y,w,h)，分别表示窗口的中心点坐标和宽高。
具体步骤如下：
Step1生成基础锚定区域，设置3种长宽比(1:1，1:2，2:1),同时设置3种缩放尺度(2,4,8)，因此，基础锚点区域数目k＝9；
Step2根据基础锚定区域，对特征矩阵上的每一个元素，都会以它为中心，在对应的原矩阵的感受区域内生成9种(k＝9)不同尺度的锚定区域边界框，总共生成29*29*9＝7569个锚定区域；
4.锚定区域池化
锚定区域池化针对的是29*29*256数据,将类别定义为2*9。接下来需要对网络模型中对应的训练、测试层的结构进行修改，修改train.prototxt和test.prototxt文件中输入层和输出层的num_classes和num_output，目标框的预测需要对应左上角和右下角两个坐标，bbox_pred层对应4位置，共36个坐标值进行预测和回归。为了适应数据集，将lib/rpn文件下的anchor_target_layer.py和proposal_layer.py中关于Scales的大小进行修改，使锚定目标框候选尺寸匹配检查网络。
最终实现1*1卷积，即全连接层。全连接层的参数配置如表1.
表1全连接层的参数配置
Figure BDA0003329038820000101
全连接层就是把不同位置的特征整合到一起，输出为一个值，相当于一个分类器。输入为29*29*256的数据，分类输出为29*29*18，定位输出29*29*36。
droupout层的丢弃率为0.5。输出数据的形状不变，还是为256*1。模型训练的参数配置如表2.
表2模型训练的参数配置
Figure BDA0003329038820000111
Epoch代表的是迭代的次数，当一个完整的数据集通过了神经网络一次并且返回了一次，这个过程称为一个epoch。batch_size批量大小将决定一次训练的样本数目，适当的增加Batch_Size,梯度下降方向准确度增加，训练震动的幅度减小。模型优化的参数配置如表3。
表3模型优化的参数配置
Figure BDA0003329038820000112
基于与图1相同的发明构思，本发明还提供一种基于深度学习参数锚定的态势评估系统，包括：
第一模块，用以构建卷积神经网络模型；所述卷积神经网络模型的输入为二维矩阵；
第二模块，用以制作训练数据集，使用数据集对神经网络进行训练；
第三模块，位于运载火箭智能辅助自主态势评估决策系统，用以部署训练好的卷积神经网络模型，在运载火箭飞行时，运载火箭智能辅助自主态势评估决策系统实时敏感运载火箭各部段传感器采集参数，并输入到神经网络模型，获取卷积神经网络模型的输出，检测识别当前运载火箭参数的异常状态，并锚定其参数位置；
所述航天状态参量数据序列包括火箭各部段传感器敏感的电流、电压、过载、流量、脉冲、热流、设备状态、外安、温湿度、压力、液位、转速；
所述预处理包括如下步骤：
(1)生成二维矩阵：航天状态参量数据序列进行二维化，生成用于深度学习和参数锚定的数据矩阵；
(2)对数据矩阵进行标注；
(3)将已标注的数据矩阵读入，并按80％、20％的比例随机分成训练验证数据集和测试数据集，将训练数据集、验证数据集和测试数据集数据信息进行保存；
所述数据矩阵为S*S方阵；其中，
Figure BDA0003329038820000121
运算符[·]表示上取整；同时，将序列X中的状态参量在矩阵中填充，其余不够位数补零；
所述对数据矩阵进行标注包括对数据分类标签的标注和异常状态参数的维度分量锚定目标的标注；标注生成的矩阵的分类标签；将异常状态参数的维度分量锚定为目标，其余部分作为背景；
所述态势评估深度神经网络模型包括：卷积神经网络模块、锚定区域生成模块、锚定区域池化模块、锚定回归及分类检测模块；
卷积神经网络模块用以实现在二维特征空间下获取参数特征，包括5～13个卷积层，5～13个relu层，2～8个池化层；
锚定区域生成模块用以实现针对参数特征的候选锚定区域生成，采用卷积核矩阵进行窗口滑动，并适配锚定区域；
锚定区域池化模块用以实现参数特征的数量固定，包括锚定区域映射、锚定区域划分、区域最大池化；
锚定回归及分类检测模块用以实现异常参数位置定位和参数健康状态分类，锚定位置偏移计算对目标框左上角和右下角坐标进行预测回归计算，并通过正、负标注数据学习，实现对异常/正常参数的前、背景数据分类判别；
训练所述态势评估深度神经网络模型时的损失函数为
Figure BDA0003329038820000122
其中，pi为anchor预测为目标的概率，p* i为标签函数，负标签时，为1；反之，为0，ti为预测的bounding box参数坐标，ti *是与positive anchor对应的ground truth包围盒的坐标向量，Lcls(pi,pi *)是一个二分类的交叉熵损失，Lreg(ti,ti *)是回归损失，Ncls为分类样本总数、Nreg为回归样本总数，λ为比例权值系数，取值范围0.5～2。
本申请提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行图1所述的方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。

Claims (10)

1.一种基于深度学习参数锚定的态势评估方法，其特征在于，包括如下步骤：
构建卷积神经网络模型；所述卷积神经网络模型的输入为二维矩阵；
制作训练数据集，使用数据集对神经网络进行训练；
将训练好的卷积神经网络模型部署至运载火箭智能辅助自主态势评估决策系统，在运载火箭飞行时，运载火箭智能辅助自主态势评估决策系统实时敏感运载火箭各部段传感器采集参数，并输入到神经网络模型，获取卷积神经网络模型的输出，检测识别当前运载火箭参数的异常状态，并锚定其参数位置。
2.根据权利要求1所述的一种基于深度学习参数锚定的态势评估方法，其特征在于：所述航天状态参量数据序列包括火箭各部段传感器敏感的电流、电压、过载、流量、脉冲、热流、设备状态、外安、温湿度、压力、液位、转速。
3.根据权利要求1所述的一种基于深度学习参数锚定的态势评估方法，其特征在于，所述预处理包括如下步骤：
(1)生成二维矩阵：航天状态参量数据序列进行二维化，生成用于深度学习和参数锚定的数据矩阵；
(2)对数据矩阵进行标注；
(3)将已标注的数据矩阵读入，并按80％、20％的比例随机分成训练验证数据集和测试数据集，将训练数据集、验证数据集和测试数据集数据信息进行保存。
4.根据权利要求3所述的一种基于深度学习参数锚定的态势评估方法，其特征在于：所述数据矩阵为S*S方阵；其中，
Figure FDA0003329038810000011
运算符[·]表示上取整；同时，将序列X中的状态参量在矩阵中填充，其余不够位数补零。
5.根据权利要求3所述的一种基于深度学习参数锚定的态势评估方法，其特征在于：所述对数据矩阵进行标注包括对数据分类标签的标注和异常状态参数的维度分量锚定目标的标注；标注生成的矩阵的分类标签；将异常状态参数的维度分量锚定为目标，其余部分作为背景。
6.根据权利要求1所述的一种基于深度学习参数锚定的态势评估方法，其特征在于：所述态势评估深度神经网络模型包括：卷积神经网络模块、锚定区域生成模块、锚定区域池化模块、锚定回归及分类检测模块；
卷积神经网络模块用以实现在二维特征空间下获取参数特征，包括5～13个卷积层，5～13个relu层，2～8个池化层；
锚定区域生成模块用以实现针对参数特征的候选锚定区域生成，采用卷积核矩阵进行窗口滑动，并适配锚定区域；
锚定区域池化模块用以实现参数特征的数量固定，包括锚定区域映射、锚定区域划分、区域最大池化；
锚定回归及分类检测模块用以实现异常参数位置定位和参数健康状态分类，锚定位置偏移计算对目标框左上角和右下角坐标进行预测回归计算，并通过正、负标注数据学习，实现对异常/正常参数的前、背景数据分类判别。
7.根据权利要求1所述的一种基于深度学习参数锚定的态势评估方法，其特征在于，训练所述态势评估深度神经网络模型时的损失函数为
Figure FDA0003329038810000021
其中，pi为anchor预测为目标的概率，p* i为标签函数，负标签时，为1；反之，为0，ti为预测的bounding box参数坐标，ti *是与positive anchor对应的ground truth包围盒的坐标向量，Lcls(pi,pi *)是一个二分类的交叉熵损失，Lreg(ti,ti *)是回归损失，Ncls为分类样本总数、Nreg为回归样本总数，λ为比例权值系数，取值范围0.5～2。
8.一种基于深度学习参数锚定的态势评估系统，其特征在于，包括：
第一模块，用以构建卷积神经网络模型；所述卷积神经网络模型的输入为二维矩阵；
第二模块，用以制作训练数据集，使用数据集对神经网络进行训练；
第三模块，位于运载火箭智能辅助自主态势评估决策系统，用以部署训练好的卷积神经网络模型，在运载火箭飞行时，运载火箭智能辅助自主态势评估决策系统实时敏感运载火箭各部段传感器采集参数，并输入到神经网络模型，获取卷积神经网络模型的输出，检测识别当前运载火箭参数的异常状态，并锚定其参数位置；
所述航天状态参量数据序列包括火箭各部段传感器敏感的电流、电压、过载、流量、脉冲、热流、设备状态、外安、温湿度、压力、液位、转速；
所述预处理包括如下步骤：
(1)生成二维矩阵：航天状态参量数据序列进行二维化，生成用于深度学习和参数锚定的数据矩阵；
(2)对数据矩阵进行标注；
(3)将已标注的数据矩阵读入，并按80％、20％的比例随机分成训练验证数据集和测试数据集，将训练数据集、验证数据集和测试数据集数据信息进行保存；
所述数据矩阵为S*S方阵；其中，
Figure FDA0003329038810000031
运算符[·]表示上取整；同时，将序列X中的状态参量在矩阵中填充，其余不够位数补零；
所述对数据矩阵进行标注包括对数据分类标签的标注和异常状态参数的维度分量锚定目标的标注；标注生成的矩阵的分类标签；将异常状态参数的维度分量锚定为目标，其余部分作为背景；
所述态势评估深度神经网络模型包括：卷积神经网络模块、锚定区域生成模块、锚定区域池化模块、锚定回归及分类检测模块；
卷积神经网络模块用以实现在二维特征空间下获取参数特征，包括5～13个卷积层，5～13个relu层，2～8个池化层；
锚定区域生成模块用以实现针对参数特征的候选锚定区域生成，采用卷积核矩阵进行窗口滑动，并适配锚定区域；
锚定区域池化模块用以实现参数特征的数量固定，包括锚定区域映射、锚定区域划分、区域最大池化；
锚定回归及分类检测模块用以实现异常参数位置定位和参数健康状态分类，锚定位置偏移计算对目标框左上角和右下角坐标进行预测回归计算，并通过正、负标注数据学习，实现对异常/正常参数的前、背景数据分类判别；
训练所述态势评估深度神经网络模型时的损失函数为
Figure FDA0003329038810000041
其中，pi为anchor预测为目标的概率，p* i为标签函数，负标签时，为1；反之，为0，ti为预测的bounding box参数坐标，ti *是与positive anchor对应的ground truth包围盒的坐标向量，Lcls(pi,pi *)是一个二分类的交叉熵损失，Lreg(ti,ti *)是回归损失，Ncls为分类样本总数、Nreg为回归样本总数，λ为比例权值系数，取值范围0.5～2。
9.一种计算机可读存储介质，所述的计算机可读存储介质存储有计算机程序，其特征在于，所述的计算机程序被处理器执行时实现如权利要求1～权利要求7任一所述方法的步骤。
10.一种基于深度学习参数锚定的态势评估设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于：所述的处理器执行所述的计算机程序时实现如权利要求1～权利要求7任一所述方法的步骤。
CN202111271943.4A 2021-10-29 2021-10-29 一种基于深度学习参数锚定的态势评估方法 Pending CN114118361A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111271943.4A CN114118361A (zh) 2021-10-29 2021-10-29 一种基于深度学习参数锚定的态势评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111271943.4A CN114118361A (zh) 2021-10-29 2021-10-29 一种基于深度学习参数锚定的态势评估方法

Publications (1)

Publication Number Publication Date
CN114118361A true CN114118361A (zh) 2022-03-01

Family

ID=80379467

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111271943.4A Pending CN114118361A (zh) 2021-10-29 2021-10-29 一种基于深度学习参数锚定的态势评估方法

Country Status (1)

Country Link
CN (1) CN114118361A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114839789A (zh) * 2022-05-20 2022-08-02 西南科技大学 一种基于二值化空间调制的衍射聚焦方法以及装置
CN116318907A (zh) * 2023-02-28 2023-06-23 宿州市耀舱电子商务有限公司 基于大数据和神经网络分析计算机网络态势的方法及系统
CN117371299A (zh) * 2023-12-08 2024-01-09 安徽大学 一种托卡马克新经典环向粘滞力矩的机器学习方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114839789A (zh) * 2022-05-20 2022-08-02 西南科技大学 一种基于二值化空间调制的衍射聚焦方法以及装置
CN114839789B (zh) * 2022-05-20 2023-09-12 西南科技大学 一种基于二值化空间调制的衍射聚焦方法以及装置
CN116318907A (zh) * 2023-02-28 2023-06-23 宿州市耀舱电子商务有限公司 基于大数据和神经网络分析计算机网络态势的方法及系统
CN116318907B (zh) * 2023-02-28 2023-12-08 上海熙宥信息科技有限公司 基于大数据和神经网络分析计算机网络态势的方法及系统
CN117371299A (zh) * 2023-12-08 2024-01-09 安徽大学 一种托卡马克新经典环向粘滞力矩的机器学习方法
CN117371299B (zh) * 2023-12-08 2024-02-27 安徽大学 一种托卡马克新经典环向粘滞力矩的机器学习方法

Similar Documents

Publication Publication Date Title
CN110321603B (zh) 一种用于航空发动机气路故障诊断的深度计算模型
CN114118361A (zh) 一种基于深度学习参数锚定的态势评估方法
US10019629B2 (en) Skeleton-based action detection using recurrent neural network
CN111507370B (zh) 获得自动标注图像中检查标签的样本图像的方法和装置
CN108596327B (zh) 一种基于深度学习的地震速度谱人工智能拾取方法
CN111126134B (zh) 基于非指纹信号消除器的雷达辐射源深度学习识别方法
Rahaman et al. An efficient multilevel thresholding based satellite image segmentation approach using a new adaptive cuckoo search algorithm
CN112668804A (zh) 一种地波雷达船只断裂航迹预测方法
CN112001110A (zh) 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法
CN112149491A (zh) 用于确定探测到的对象的信任值的方法
US10586150B2 (en) System and method for decoding spiking reservoirs with continuous synaptic plasticity
CN115859616A (zh) 基于多目标故障检测观测器和改进lssvm的航空发动机传感器故障诊断方法
WO2020013726A1 (ru) Способ интерпретации искусственных нейронных сетей
CN110263808B (zh) 一种基于lstm网络和注意力机制的图像情感分类方法
Marmanis et al. Deep neural networks for above-ground detection in very high spatial resolution digital elevation models
Miao et al. Cost-sensitive Siamese network for PCB defect classification
CN112699858B (zh) 无人平台烟尘雾感知方法、系统、计算机设备及存储介质
Safaei et al. Open-set automatic target recognition
Jaafer et al. Data augmentation of IMU signals and evaluation via a semi-supervised classification of driving behavior
US10885387B1 (en) Methods for training auto-labeling device and performing auto-labeling by using hybrid classification and devices using the same
CN114022752A (zh) 基于注意力特征精细化及对齐的sar目标检测方法
Sun et al. A weighted LS-SVM approach for the identification of a class of nonlinear inverse systems
CN106803080B (zh) 一种基于形状玻尔兹曼机的补全式行人检测方法
CN115795353B (zh) 一种基于不均衡数据集的地下金属目标分类方法及系统
CN110879530A (zh) 用于对动态模型进行安全的训练的方法

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