CN115714731B - 一种基于深度学习自编码器的深空测控链路异常检测方法 - Google Patents

Abstract

本发明提供一种基于深度学习自编码器的深空测控链路异常检测方法，包括：实时采集深空测控链路性能特征参数，形成一个样本；每当采集到一个样本时，与其前面采集到的最近的多个样本组成本次的训练样本集；采用训练样本集对上一次训练完成的自编码器神经网络进行训练，得到本次训练完成的自编码器神经网络，采用本次训练完成的自编码器神经网络，对样本进行特征提取，再进行聚类，对包含样本特征数量少的样本特征集合中的各个样本特征，进行样本异常检测。本发明针对深空测控链路的特点，对深空测控链路性能进行自动监视，及时判别深空测控链路性能出现显著变化的点，为深空测控链路性能监视提供支持，具有链路性能监测高效准确的优点。

Description

一种基于深度学习自编码器的深空测控链路异常检测方法

技术领域

本发明属于航天器测控技术领域，具体涉及一种基于深度学习自编码器的深空测控链路异常检测方法。

背景技术

在月球的深空探测中，深空测控链路是维持探测器和地球联系的唯一纽带，也被称为“风筝线”。在深空探测任务立项论证时，深空测控链路指标往往经过反复讨论最终确定，同时，会留有一定链路余量，以应对各种不确定因素。具体的，由于探测器在执行深空探测任务的实际飞行中，深空测控链路受到电子器件、距离、探测器姿态、空间环境、天线方向图等影响，在一定范围内正常波动，因此，预留的链路余量可以最大限度的避免测控链路因正常波动而中断，提高可靠性。

随着深空探测技术的不断发展，未来必将走向更远的深空，开展木星、土星、小行星等探测。但是，随着距离的增加，测控链路的余量越来越紧张，对测控链路性能监视的要求更高。目前的人工监视方法，无法满足对更远距离的测控链路性能监视，理由如下：(1)随着探测目标距离越来越远，任务周期可能长达数年甚至数十年，在如此长的时间跨度内，明显无法采用人工监视方法对测控链路进行监视。(2)探测器在深空飞行期间，测控链路性能往往出现缓慢变化的特性，人工监视时，难以从测控链路的细微变换中判断出异常。

因此，如何能够针对深空链路的特点，对测控链路性能进行自动监视，及时判别测控链路性能出现显著变化的点，为测控链路性能监视提供支持，是目前急需解决的问题。

发明内容

针对现有技术存在的缺陷，本发明提供一种基于深度学习自编码器的深空测控链路异常检测方法，可有效解决上述问题。

本发明采用的技术方案如下：

本发明提供一种基于深度学习自编码器的深空测控链路异常检测方法，包括以下步骤：

步骤1，数据采集：

步骤1.1，预设定初始采样参数，包括：链路性能特征参数、采样间隔t、每个样本对应的采样时间长度T以及每次进行深空测控链路异常检测所需的样本数量n；其中，链路性能特征参数为m个，分别为：链路性能特征参数C₁,C₂,…,C_m；

步骤1.2，当深空探测器进入转移飞行段后，深空探测器运行状态稳定，开始按所述预设定的初始采样参数采集深空测控链路性能数据，具体采样方法为：

按设定的采样间隔t，每当达到采样点时，同时采集链路性能特征参数C₁,C₂,…,C_m，由此得到m维的采样点数据；在采样时间长度T内，假设共得到k个m维的采样点数据，形成一个样本；每当采集到一个样本时，即执行步骤2；

步骤2，自编码器神经网络训练：

每当采集到一个样本时，假设当前采集到的样本表示为样本P，将样本P与其前面采集到的最近的n-1个样本组成本次的训练样本集；采用所述训练样本集对上一次训练完成的自编码器神经网络进行训练，得到本次训练完成的自编码器神经网络；其中，本次训练完成的自编码器神经网络包括串联的编码器和解码器；

步骤3，特征提取：

采用本次训练完成的自编码器神经网络的编码器，对样本P与其前面采集到的最近的n-1个样本分别进行特征提取，得到每个样本的样本特征；因此，共得到n个样本特征；

步骤4，聚类：

采用聚类算法，将n个样本特征分为两类，分别为第一类样本特征集合和第二类样本特征集合；

取第一类样本特征集合和第二类样本特征集合中包含样本特征数量少的集合，假设为第一类样本特征集合；

将第一类样本特征集合中的每个样本特征输入训练完成的自编码器神经网络的解码器，进行样本重建，得到重建后的样本，并计算每个重建后的样本与对应的原样本之间的重建误差；

将第二类样本特征集合中的每个样本特征输入训练完成的自编码器神经网络的解码器，进行样本重建，得到重建后的样本，并计算每个重建后的样本与对应的原样本之间的重建误差；

步骤5，样本异常检测：

将第一类样本特征集合和第二类样本特征集合中各个样本特征计算得到的所有重建误差取均值，得到网络训练误差；

对于第一类样本特征集合中的每个样本特征计算得到的重建误差，与网络训练误差进行比较，判断是否出现显著偏离网络训练误差的重建误差，如果否，则认为本次的n个样本均为正常状态，返回步骤1，对下一个采集到的样本，继续进行实时异常检测；如果是，则得到链路存在异常的结论，并报警；然后，返回步骤1，对下一个采集到的样本，继续进行实时异常检测。

优选的，所述链路性能特征参数包括探测器AGC电平，地面接收信噪比、遥测信噪谱密度比、载波信噪谱密度比和测距信噪谱密度比。

优选的，步骤2中，采用以下方法对自编码器神经网络进行训练：

对于本次的训练样本集中的训练样本，将其输入到自编码器神经网络的编码器，所述编码器对训练样本进行特征提取，得到d维样本特征；

将d维样本特征输入解码器，所述解码器与所述编码器为对称结构，对所述d维样本进行反向重建操作，得到重建后的训练样本，表示为：重建后的训练样本；

计算训练样本与对应的重建后的训练样本之间的差异；

因此，采用训练样本集的各个训练样本对自编码器神经网络不断进行训练，训练的最优化目标为：最小化训练样本与对应的重建后的训练样本之间的差异，当训练收敛时，得到训练完成的自编码器神经网络。

优选的，所述编码器包括串联的输入层、卷积层和全连接层；所述解码器包括对称的全连接层、反卷积层和输出层。

优选的，所述聚类算法为kmeans聚类算法。

优选的，步骤5中，判断是否出现显著偏离网络训练误差的重建误差是指：如果重建误差大于两倍的网络训练误差，则认为重建误差显著偏离网络训练误差。

优选的，步骤4之后，还包括：

将第一类样本特征集合和第二类样本特征集合中包含的所有样本特征绘制三维散点图，通过观察三维散点图中散点的聚集情况，从而辅助判断是否出现异常样本点以及聚类算法进行的分类是否正确。

本发明提供的一种基于深度学习自编码器的深空测控链路异常检测方法具有以下优点：

本发明提供的一种基于深度学习自编码器的深空测控链路异常检测方法，针对深空测控链路的特点，对深空测控链路性能进行自动监视，及时判别深空测控链路性能出现显著变化的点，为深空测控链路性能监视提供支持，具有链路性能监测高效准确的优点。

附图说明

图1为自编码器神经网络的结构图；

图2为三角分布和正态分布的示意图；

图3为自编码器神经网络的结构图；

图4为仿真样本的训练误差结果图；

图5为kmeans算法分类结果图；

图6为本发明提供的一种基于深度学习自编码器的深空测控链路异常检测方法的流程示意图。

具体实施方式

为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明提供的一种基于深度学习自编码器的深空测控链路异常检测方法，针对深空测控链路的特点，对深空测控链路性能进行自动监视，及时判别深空测控链路性能出现显著变化的点，为深空测控链路性能监视提供支持，具有链路性能监测高效准确的优点。

本发明是一种利用深度学习自编码(Auto Encoder)对深空测控链路性能进行无监督学习并判断的方法，其主要原理为：持续采集测控链路性能参数数据，对采集到的数据进行持续的无监督学习，学习的结果是将数据降维，提取出数据主要特征，根据提取的特征对数据进行分类，发现和整体具有较大偏差的数据，从而及时发现链路性能的异常。

本发明适用场景：

本发明主要适用于深空探测器的转移飞行任务阶段，该任务阶段，具有持续时间长，探测器运行比较稳定，即：除了探测器与地球的距离逐渐增大外，其飞行姿态、链路设置及状态等不会发生显著变化。如旅行者1号在木星-土星，土星-天王星，天王星-海王星等飞行阶段，时间分别长达约1-5年，期间主要的工作为监视旅行者号状态。在这种场景下，除链路的信号强度在逐渐减小之外，信号的特性、统计规律、链路余量的概率分布等理论上不会发生变化，因此，此种场景下采用自编码器(Auto Encoder)能够很好的提取信号特征，进行异常检测。

测控链路性能和测控信号强度受电子器件、距离、探测器姿态、空间环境、天线方向图等影响。以探测器下行等效全向发射功率(EIRP)为例，主要受到器上电子器件、温度等影响，研究发现，EIPR的输出值服从三角分布，而例如空间链路损为确定值，其他例如天线增益、极化损耗、指向损耗则服从均匀分布。因此，最终的信号强度(链路余量)是各种随机变量之和，此外，还存在空间环境、多因素耦合以及尚未认识到的因素影响。因此，最终链路余量的数值是一个复杂系统的输出值，目前还没有完整的数学表达式，但是，在各影响因素正常稳定的条件下，可以确定，最终链路余量的分布是保持稳定的函数，这是Auto Encoder方法有效的基础。

本发明提供一种基于深度学习自编码器的深空测控链路异常检测方法，包括以下步骤：

步骤1，数据采集：

步骤1.1，预设定初始采样参数，包括：链路性能特征参数、采样间隔t、每个样本对应的采样时间长度T以及每次进行深空测控链路异常检测所需的样本数量n；其中，链路性能特征参数为m个，分别为：链路性能特征参数C₁,C₂,…,C_m；

步骤1.2，当深空探测器进入转移飞行段后，深空探测器运行状态稳定，不会发生显著变化，开始按所述预设定的初始采样参数采集深空测控链路性能数据，具体采样方法为：

按设定的采样间隔t，每当达到采样点时，同时采集链路性能特征参数C₁,C₂,…,C_m，由此得到m维的采样点数据；本申请中，链路性能特征参数包括但不限于探测器AGC电平，地面接收信噪比、遥测信噪谱密度比、载波信噪谱密度比和测距信噪谱密度比。

在采样时间长度T内，假设共得到k个m维的采样点数据，形成一个样本；每当采集到一个样本时，即执行步骤2；

步骤2，自编码器神经网络训练：

每当采集到一个样本时，假设当前采集到的样本表示为样本P，将样本P与其前面采集到的最近的n-1个样本组成本次的训练样本集；采用所述训练样本集对上一次训练完成的自编码器神经网络进行训练，得到本次训练完成的自编码器神经网络；

本发明中，在对自编码器神经网络进行训练时，初始时需要积累到n个样本。以n为288为例，也就是说，自开始采集样本开始，首先需依次采集得到287个样本，编号分别为：第1样本,第2样本,…,第287样本。

当实时采集到第288样本时，第288样本与前面的第1到第287样本形成训练样本集，对初始的自编码器神经网络进行训练，得到第1次训练完成的自编码器神经网络；

当下一时刻采集到第289样本时，第289样本再与前面的第2到第288样本形成训练样本集，对第1次训练完成的自编码器神经网络进行第2次训练，得到第2次训练完成的自编码器神经网络；

如此不断循环，每当采集到一个新样本时，即与前面最近的287个样本形成训练样本集，对前一次训练完成的自编码器神经网络进行本次训练。采用此种方式，能够使自编码器神经网络不断进行学习，保证自编码器神经网络的准确性。

其中，本次训练完成的自编码器神经网络包括串联的编码器和解码器；作为一种具体实施例，所述编码器包括串联的输入层、卷积层和全连接层；所述解码器包括对称的全连接层、反卷积层和输出层。

具体的，自编码器神经网络(AutoEncoder)是一种无监督学习的人工神经网络(Artificial Neural Networks,ANNs)，将输入信息作为学习目标，对输入信息进行特征提取。Auto Encoder包含编码器(Encoder)和解码器(Decoder)两部分，见图1所示，为自编码器神经网络的结构图。编码器将输入信息通过多个神经网络隐藏层，最终转换为数量有限的若干个特征，而解码器则是得到的若干个特征开始，通过多层神经网络恢复出原有的输入信息。AutoEncoder在训练时，目标是最小化输入输出的差异。在训练完成后，仅使用Encoder部分，实现输入信息的特征提取。再对提取到的特征进行分类，找到异常值点。其中，自编码器神经网络的网络层数，各层的结构(全连接层、卷积层、池化层)以及编码的个数等，均需根据实际情况进行选择。

本步骤中，采用以下方法对自编码器神经网络进行训练：

对于本次的训练样本集中的训练样本，将其输入到自编码器神经网络的编码器，所述编码器对训练样本进行特征提取，得到d维样本特征；

将d维样本特征输入解码器，所述解码器与所述编码器为对称结构，对所述d维样本进行反向重建操作，得到重建后的训练样本，表示为：重建后的训练样本；

计算训练样本与对应的重建后的训练样本之间的差异；

因此，采用训练样本集的各个训练样本对自编码器神经网络不断进行训练，训练的最优化目标为：最小化训练样本与对应的重建后的训练样本之间的差异，当训练收敛时，得到训练完成的自编码器神经网络。

步骤3，特征提取：

采用本次训练完成的自编码器神经网络的编码器，对样本P与其前面采集到的最近的n-1个样本分别进行特征提取，得到每个样本的样本特征；因此，共得到n个样本特征；

步骤4，聚类：

采用聚类算法，将n个样本特征分为两类，分别为第一类样本特征集合和第二类样本特征集合；其中，聚类算法可以为kmeans聚类算法。

取第一类样本特征集合和第二类样本特征集合中包含样本特征数量少的集合，假设为第一类样本特征集合；

将第一类样本特征集合中的每个样本特征输入训练完成的自编码器神经网络的解码器，进行样本重建，得到重建后的样本，并计算每个重建后的样本与对应的原样本之间的重建误差；

将第二类样本特征集合中的每个样本特征输入训练完成的自编码器神经网络的解码器，进行样本重建，得到重建后的样本，并计算每个重建后的样本与对应的原样本之间的重建误差；

例如，如果n等于288，则对于288个样本，每个样本均进行特征提取，得到该样本的样本特征。因此，共得到288个d维样本特征，然后，采用聚类算法，根据288个d维样本特征的样本距离，强制将288个d维样本特征分为两类，得到第一类样本特征集合和第二类样本特征集合；

本发明中，由于当前采集到的样本与前面最近的287个样本组成样本集，因此，可保证正常状态的延续性，正常样本数量必定远大于异常样本数量，所以，仅需要对样本特征数量少的集合内的样本进行样本异常检测即可。假如，第一类样本特征集合包括5个样本特征，第二类样本特征集合包括283个样本特征，则仅需对第一类样本特征集合的5个样本特征进行异常检测，判断这5个样本特征是否确实为异常样本。

样本异常检测方式为：

对于288个样本特征，每个样本特征通过训练完成的自编码器神经网络，得到对应的一个重建误差，由此共得到288个重建误差，对288个重建误差取均值，得到网络训练误差；

然后，对于分类后的5个样本特征，每个样本特征分别进行异常检测：如果该样本特征的重建误差远大于网络训练误差，表明该样本特征对应的样本，确实为异常样本，则报警；否则，虽然经过聚类算法进行强制分类，将其归类到少量的样本集合中，但由于其重建误差与网络训练误差相近，表明该样本与其他样本特征近似，因此，不是异常样本。由此实现对分类后的少量样本的异常检测，提高样本异常检测效率。

步骤5，样本异常检测：

将第一类样本特征集合和第二类样本特征集合中各个样本特征计算得到的所有重建误差取均值，得到网络训练误差；

对于第一类样本特征集合中的每个样本特征计算得到的重建误差，与网络训练误差进行比较，判断是否出现显著偏离网络训练误差的重建误差，例如，重建误差大于两倍的网络训练误差，如果否，则认为本次的n个样本的重建误差，都非常接近网络训练误差，因此，认为本次的n个样本均为正常状态，返回步骤1，对下一个采集到的样本，继续进行实时异常检测；如果是，则得到链路存在异常的结论，并报警；然后，返回步骤1，对下一个采集到的样本，继续进行实时异常检测。

本发明中，在步骤4提取到n个样本特征后，可以绘制n个样本特征的三维散点图，通过观察三维散点图中散点的聚集情况，从而辅助判断是否出现异常样本点以及聚类算法进行的分类是否正确。

下面介绍一个具体实施例：

步骤1，深空探测器进入转移飞行段之后，在各技术状态稳定不发生显著变化情况下开始采集数据。

采集上下行链路上能够代表链路性能特征的特征参数，包括但不限于：探测器上行AGC电平，地面接收信总噪比，载波信噪谱密度比，遥测信噪谱密度比、测距信噪谱密度比等等，假设需采样的链路性能特征参数为m个，分别为：C₁,C₂,…,C_m；

设采样间隔t为1s，将采样时间长度T内采集到的所有数据进行打包，作为描述链路性能的一个样本，即一个维度为[T,m]的矩阵作为一个样本。

本次采集到的样本，与其前面采集到的最近的n-1个样本形成样本集，整个数据维度为[n,T,m]，即n个维度为[T,m]的采样点。需要对这n个采样点进行分类，找出异常点。

步骤2，建立自编码器神经网络；对自编码器神经网络进行训练，训练方法为：

将n个样本集组成本次的训练样本集；采用上一次训练完成的AutoEncoder自编码器神经网络对样本集中的各个样本进行特征提取和重建，根据任务实际情况，选择d个有代表性的特征维度，利用自编码器神经网络，将输入的[n,T,m]样本集，通过1个或多个卷积层、池化层、全连接层等构成的编码器encoder，进行特征提取，得到[n,d]的样本集，再利用解码器decoder将[n,d]重建成[n,T’,m’]，而整个网络的最优化目标为最小化[n,T,m]-[n,T’,m’]之间的差异(重建误差)。即：

[n,T,m]->encoder->[n,d]->decoder->[n,T’,m’]

Min(|[n,T,m]-[n,T’,m’]|)，此处的[n,T,m]-[n,T’,m’]之间的差异可以用均方误差等差异描述。

自编码器神经网络经过训练，其重建误差较小时，得到训练完成的自编码器神经网络。

步骤3，特征提取：

利用训练完成的自编码器神经网络的前半部分即encoder编码器，提取样本集中每个样本的d维特征，生成数据[n,d]。

步骤4，聚类：

通过kmeans聚类方法，将d维特征数据[n,d]分为2类(0类，1类)。

步骤5，样本异常检测：

将0类和1类输入Decoder，计算出0类和1类的重建误差，若1类的重建误差显著大于神经网络训练误差(如两倍以上)，同时0类的重建误差与训练误差符合的较好，则告警，认为1类可能异常，呼叫人工进一步排查。

步骤6，此外，可以将d维特征通过画图展示，进行辅助判断。

下面通过一个具体案例举例说明本发明实施方式。

假设有一颗深空探测卫星，地面和星上主要链路指标如下：

1.链路计算及参数

测控频点：20XX.XX MHz

地面站EIRP：服从三角分布，其参数下限a＝67dBw，众数c＝69dBw，上限b＝70dBw。

星上EIRP：服从三角分布，其参数下限a＝3dBw，众数c＝4dBw，上限b＝5dBw。

指向损耗：服从beta分布，a＝3dB，b＝5dB。

星地距离：14万公里。

上行遥控调制度：0.95rad。

上行测距主音调制度：0.83rad。

下行遥测调制度：1.0rad。

其他链路相关参数。

根据链路参数，可以计算上下行链路性能。对于有概率分布的函数，生成地面站EIRP、星上EIRP、指向损耗等数据，带入链路计算公式中，得到链路计算结果，如表1所示。

表1链路计算结果示意

2.数据生成与采集。

假设实际飞行中，链路数据为一秒间隔采集一个数据点。链路数据存在一定的随机性，在一定的范围内跳变，如表1。选择表1中星上接收功率，地面接收总信噪比和下行遥测信噪谱密度比作为链路特征参数，以5分钟为一个采样时间段，得到一个样本，即：每5分钟采集得到300个3维数据点，形成[300,3]的矩阵，为一个样本。设n为288，因此，当前实时采集到的样本，与前面最近采集到的287个样本，组成样本集，形成[288,500,3]的矩阵。

为了说明本发明的方法，生成模拟的测控链路数据。保持表1中其他链路不变，以星上EIRP，服从三角分布(下限a＝3dBw，众数c＝4dBw，上限b＝5dBw)，作为正常状态，生成6000个正样本(约21天采集到的样本)。以星上EIRP，服从正态分布(均值为4，方差为1)作为异常状态，生成500个负样本(约2天采集到的样本)。其中三角分布和正态分布的差异见图2所示。从图2中可见，两个分布虽然存在一定差异，通过肉眼观测数据判断异常仍存在较大的困难。

最终生成的链路数据为6500个样本，数据为[6500,300,3]，需要从这6500个样本中找出异常样本，为链路监视提供支持。

3.建立AutoEncoder神经网络，用于特征提取和恢复。

神经网络结构如图3所示。在Encoder部分，将输入的样本通过三个卷积层和一个全连接层，提取3维特征。在Decoder部分，从所提取的特征开始，使用对称的全连接层和反卷积层，恢复出原来的样本。具体的神经网络参数见图3。

神经网络搭建完成后，利用生成的6500个样本对网络进行训练，训练完成后保存神经网络及相关参数。

该仿真样本的训练误差结果见图4。训练最终误差为0.4左右。训练收敛结果不算很小，但是考虑到其中有异常样本，该网络在分辨异常情况中仍然是有效的。

4.将6500个样本输入到训练完成的神经网络编码器Encoder部分中，提取3维特征。

5.利用kmeans算法，将所提取的特征分为两类，并画出三维图，见图5所示。图5中将样本特征自动分为0，1两类，其中两类的差异明显。图5中数据明显呈现两个分类，并且Kmeans的分类结果与模拟数据生成时的分类标签一致，证明kmeans算法的分类是正确的。

6.再将提取的特征，按照0，1标签，分别输入到Decoder部分，重新还原出样本，与原始样本计算重建误差，通过计算发现，标签为0的样本(正常数据)，其重建误差均值为0.3左右，与模型训练误差基本符合。而标签为1的样本(异常数据)，其重建误差为1.6左右，远高于训练误差，因此可以断定标签为1的样本为异常数据。即测控链路出现异常情况，需要从异常数据点出发检查确认链路各环节，及时发现风险隐患。该结论与本发明生成的仿真数据时模拟的异常数据一致。

本具体案例整个算法流程框图见图6所示。

本发明提供的一种基于深度学习自编码器的深空测控链路异常检测方法：通过实时采集测控上下行链路上关键链路性能数据(探测器AGC电平，地面接收信噪比，遥测信噪谱密度比等)，将当前采集到的每个样本与其前面采集到的最近的多个样本，组成样本集；该样本集对自编码器神经网络进行训练，得到训练完成的自编码器神经网络；然后，再采用训练完成的自编码器神经网络的编码器对样本集进行特征提取，利用Kmeans方法对特征进行分类，进一步计算各类样本重建误差，通过比较重建误差和网络训练误差的大小，找出异常样本，即为测控链路性能出现显著变换的数据，开展进一步异常检测排查，为深空测控链路性能监测提供支持。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (7)

1.一种基于深度学习自编码器的深空测控链路异常检测方法，其特征在于，包括以下步骤：

步骤1，数据采集：

步骤1.1，预设定初始采样参数，包括：链路性能特征参数、采样间隔t、每个样本对应的采样时间长度T以及每次进行深空测控链路异常检测所需的样本数量n；其中，链路性能特征参数为m个，分别为：链路性能特征参数C₁,C₂,…,C_m；

步骤1.2，当深空探测器进入转移飞行段后，深空探测器运行状态稳定，开始按所述预设定的初始采样参数采集深空测控链路性能数据，具体采样方法为：

按设定的采样间隔t，每当达到采样点时，同时采集链路性能特征参数C₁,C₂,…,C_m，由此得到m维的采样点数据；在采样时间长度T内，假设共得到k个m维的采样点数据，形成一个样本；每当采集到一个样本时，即执行步骤2；

步骤2，自编码器神经网络训练：

每当采集到一个样本时，假设当前采集到的样本表示为样本P，将样本P与其前面采集到的最近的n-1个样本组成本次的训练样本集；采用所述训练样本集对上一次训练完成的自编码器神经网络进行训练，得到本次训练完成的自编码器神经网络；其中，本次训练完成的自编码器神经网络包括串联的编码器和解码器；

步骤3，特征提取：

采用本次训练完成的自编码器神经网络的编码器，对样本P与其前面采集到的最近的n-1个样本分别进行特征提取，得到每个样本的样本特征；因此，共得到n个样本特征；

步骤4，聚类：

采用聚类算法，将n个样本特征分为两类，分别为第一类样本特征集合和第二类样本特征集合；

取第一类样本特征集合和第二类样本特征集合中包含样本特征数量少的集合；

将第一类样本特征集合中的每个样本特征输入训练完成的自编码器神经网络的解码器，进行样本重建，得到重建后的样本，并计算每个重建后的样本与对应的原样本之间的重建误差；

将第二类样本特征集合中的每个样本特征输入训练完成的自编码器神经网络的解码器，进行样本重建，得到重建后的样本，并计算每个重建后的样本与对应的原样本之间的重建误差；

步骤5，样本异常检测：

将第一类样本特征集合和第二类样本特征集合中各个样本特征计算得到的所有重建误差取均值，得到网络训练误差；

对于包含样本特征数量少的样本特征集合中的每个样本特征计算得到的重建误差，与网络训练误差进行比较，判断是否出现显著偏离网络训练误差的重建误差，如果否，则认为本次的n个样本均为正常状态，返回步骤1，对下一个采集到的样本，继续进行实时异常检测；如果是，则得到链路存在异常的结论，并报警；然后，返回步骤1，对下一个采集到的样本，继续进行实时异常检测。

2.根据权利要求1所述的一种基于深度学习自编码器的深空测控链路异常检测方法，其特征在于，所述链路性能特征参数包括探测器AGC电平，地面接收信噪比、遥测信噪谱密度比、载波信噪谱密度比和测距信噪谱密度比。

3.根据权利要求1所述的一种基于深度学习自编码器的深空测控链路异常检测方法，其特征在于，步骤2中，采用以下方法对自编码器神经网络进行训练：

对于本次的训练样本集中的训练样本，将其输入到自编码器神经网络的编码器，所述编码器对训练样本进行特征提取，得到d维样本特征；

将d维样本特征输入解码器，所述解码器与所述编码器为对称结构，对所述d维样本特征进行反向重建操作，得到重建后的训练样本，表示为：重建后的训练样本；

计算训练样本与对应的重建后的训练样本之间的差异；

因此，采用训练样本集的各个训练样本对自编码器神经网络不断进行训练，训练的最优化目标为：最小化训练样本与对应的重建后的训练样本之间的差异，当训练收敛时，得到训练完成的自编码器神经网络。

4.根据权利要求3所述的一种基于深度学习自编码器的深空测控链路异常检测方法，其特征在于，所述编码器包括串联的输入层、卷积层和全连接层；所述解码器包括对称的全连接层、反卷积层和输出层。

5.根据权利要求1所述的一种基于深度学习自编码器的深空测控链路异常检测方法，其特征在于，所述聚类算法为kmeans聚类算法。

6.根据权利要求1所述的一种基于深度学习自编码器的深空测控链路异常检测方法，其特征在于，步骤5中，判断是否出现显著偏离网络训练误差的重建误差是指：如果重建误差大于两倍的网络训练误差，则认为重建误差显著偏离网络训练误差。

7.根据权利要求1所述的一种基于深度学习自编码器的深空测控链路异常检测方法，其特征在于，步骤4之后，还包括：

将第一类样本特征集合和第二类样本特征集合中包含的所有样本特征绘制三维散点图，通过观察三维散点图中散点的聚集情况，从而辅助判断是否出现异常样本点以及聚类算法进行的分类是否正确。

Images