CN116738333B - 一种飞行器小样本朴素贝叶斯的电信号多分类及预测方法 - Google Patents

Abstract

本发明涉及基于朴素贝叶斯的电信号多分类非侵入式识别检测方法,包括：专家数据库模块及信号分类模块。基于历史和实时飞行器信号构建已知类别的电信号训练样本(202)，再基于构建的朴素贝叶斯模型分类器(203)进行分类，得到飞行器信号分类结果(112)，其中：对每个类别分别计算P(yi)(205)，对各特征计算条件概率(206)，利用概率对比算法(207)统计得到样本信号的分类结果(208)，之后在朴素贝叶斯算法对电信号数据进行分类判断之后，采用时间序列预测的方法对接下来的状态进行预判(306)。该方法有效解决了提取浅层特征，梯度消失，特征尺度单一等问题，显著提升了飞行器多尺度信号分类和识别的准确率。

Description

一种飞行器小样本朴素贝叶斯的电信号多分类及预测方法

技术领域

本发明一种飞行器小样本电信号的分类识别与预测方法。

背景技术

飞行器信号的识别与分类是飞行器健康管理策略的核心，通过对复杂系统当前的健康状态进行判别，有效找到故障发生原因及来源，提出一系列维护保障相关的建议或决策。飞行器健康管理策略在航空航天工业领域受到广泛认同和应用，为航天器的安全性和可靠性提供了巨大保障，将成为航空航天工业发展的一种必然趋势。

飞行器信号识别与分类方法中的传统机器学习算法，缺乏对高维数据的特征提取能力，在飞行器信号分类问题中存在小样本、分类准确率，分类速度等问题。

发明内容

为了解决现有飞行器信号分类和识别方法存在信号尺度识别局限性问题，本发明提供了基于朴素贝叶斯的电信号多分类及时间序列分析模型预测方法，有效解决了提取浅层特征、梯度消失以及特征尺度单一问题，显著提升了飞行器信号分类和预测的准确率。

本发明采用时间序列预测的方法对航天器供电系统负载电信号进行监测。在朴素贝叶斯算法对电信号数据进行分类判断之后，采用时间序列预测的方法对接下来的状态进行预判，与已知正确分类的样本数据形成的标准库进行对比，判断可能出现的故障信号。

因此，本发明涉及朴素贝叶斯算法，时间序列分析模型预测方法。

附图说明

图1显示了根据本发明的一个实施例的飞行器小样本信号朴素贝叶斯分类与识别方法的流程图；

图2显示了根据本发明的一个实施例的朴素贝叶斯分类模块流程图；

图3显示了根据本发明的一个实施例的时间序列分析模型预测模块流程图。

具体实施方式

根据本发明的一个实施例的一个实施例的飞行器小样本信号朴素贝叶斯分类与识别方法的流程图如图1所示，其包括：

当飞行器信号要进行故障判别时(101)，首先，将飞行器中复杂设备的数据进行信号采集并传输给传感器(102)，将传感器得到的原始信号进行信号预处理(103)；然后，进行判断流程，对信号来源进行判断(104)，若信号来源是历史数据，则进入历史数据读取环节(105)，将数据进行信号聚类分析(106)，从而有效辅助专家标注工作(107)，最终将历史数据及其对应的标注构建成专家数据库(108)；若信号来源是实时数据，则进入实时数据读取环节(109)。将历史数据和实时数据共同输入朴素贝叶斯算法(110)，通过贝叶斯算法进行分类，将计算结果送入概率对比算法(111)，得到飞行器信号分类结果(112)，输出实时故障诊断结果(113)。

概率模型分类器是一个条件概率模型。独立的类别变量C有若干类别，条件依赖于若干特征变量F₁，...，F_n。但问题在于如果特征数量n较大或者每个特征能取大量值时，基于概率模型列出概率表变得不现实。所以我们修改这个模型使之变得可行。贝叶斯定理有下式：

独立分布特征模型既是朴素贝叶斯概率模型。朴素贝叶斯分类器包括了这种模型和相应的决策规则。根据分类决策规则的不同，贝叶斯分类有多种形式：最小错误率贝叶斯分类器，最大似然比贝叶斯分类器，最小风险贝叶斯分类器。

一个普通的规则就是选出最有可能的那个，即将一个待分类样本划归到后验概率最大的那一类中：这就是最大后验概率决策准则，真正分类器称为最大后验概率分类器，与最小错误率贝叶斯分类器是等价的。当采取最大后验概率决策时，分类错误概率取得最小值。相应的分类器便是如下定义的分类公式：

其中C代表一类事件，F代表电信号的特征。分类结果是在假设每一个特征独立的情况下，计算条件概率后选取概率最大的为结果。在计算每个特征的概率时可以采用最小绝对误差法，即计算电信号事件特征与标准事件特征之间的误差，将误差的大小转换为属于该类别的概率，误差与标准的比例越大则概率越小，可设定概率的阈值，如概率不小于10％。

P＝1-E/F_S＝1-(F-F_S)/F_S (3)

上式中E代表误差，F表示电信号事件特征，FS表示标准事件特征。

本发明涉及基于朴素贝叶斯的电信号多分类非侵入式识别检测方法。包括：专家数据库模块及信号分类模块。基于历史和实时飞行器信号构建已知类别的电信号训练样本(202)，再基于构建的朴素贝叶斯模型分类器(203)进行特征提取，再通过概率对比算法(111)得到飞行器信号分类结果(112)，具体为：对每个类别分别计算概率(205)，对每个特征计算条件概率(206)，利用概率对比算法(207)统计得到样本信号的分类结果(208)之后在朴素贝叶斯算法对电信号数据进行分类判断之后，采用时间序列预测的方法对接下来的状态进行预判(306)。所述方法有效解决了提取浅层特征，梯度消失，特征尺度单一等问题，显著提升了飞行器多尺度信号分类和识别的准确率。

本发明采用时间序列预测的方法对航天器供电系统负载电信号进行监测。在朴素贝叶斯算法对电信号数据进行分类判断之后，采用时间序列预测的方法对接下来的状态进行预判，与已知正确分类的样本数据形成的标准库进行对比，判断可能出现的故障信号。时间序列是指随时间变化的特征数据序列，航天器供电系统负载电信号便是基于时间序列的数据集，时间序列分析就是已知信号数据的现在和过去的观测值，探索包含在数据中所隐含的所有信息，观察和估计其未来一段时间内的值或变化趋势。对于给定的一组观测值[y_i，(x_1i，x_2i，…，x_pi)]，其中i＝1，2，...，N，y_i代表预测值，x_ji代表样本观测值，预测值与观测值之间的关系可用下式表达：

y_i＝β₁x_1i+β₂x_2i+…+β_px_pi+ε_i (4)

其中，ε_i代表均值为零的随机变量。样本观测值x_ji是确定的当前或历史数据信息，预测值y_i是主要由随机变量ε_i确定，该模型称为静态模型。

对(4)式进行变换之后便可以得到一个新的线性模型，可用来刻画某些时间序列{x_i}：

式中，α_i为白噪声序列，p为阶数。{x_i}和{x_i-j}代表{x_i}中不同时刻的状态，该模型称为动态模型。

模型(5)被称为自回归模型。所刻画的是序列{x_i}自身某一个时刻的观察值与之前状态的关系，若用当前状态观测值和历史数据的线性组合表示时间序列{x_i}

x_i＝α_i-θ₁α_i-1-θ₂α_i-2-…-θ_qα_i-q (6)

模型(6)称为滑动平均模型，q为阶次；θ_i为滑动平均系数或模型的参数。P和q均表示模型的阶次。

将模型(5)和模型(6)合并，即可得到时间序列分析模型如下式所示：

利用已知可用的历史观测数据来识别和构建模型，是时间序列模型建立的关键步骤。对一个时间序列{x_t}，有两个重要的数据量统计特性，主要是根据其统计特性对该序列是否适合预测模型做初步判断，一个是自相关系数，一个是偏相关系数，同时，这两个数据量的特性还可用来来确定模型的阶数。

设{x_i}是一组时间序列样本观测值，样本自协方差函数为：

样本自相关函数定义为：

偏相关函数定义为：

对于时间序列分析模型：已知样本{x_t}，首先求出{x_t}的自协方差γ_k的估计值，由公式

求出：并将此作为回归系数的估计值回代到模型中。即可求得所有的估计参数。

用观测值序列{x_t}在时刻t对t+l时刻的状态值x_t+l(l＞1)进行预测，预测值记为用x_t+l的条件期望作为x_t+l的预测值，即：

由于

可得预测值：

给定一组基于时间序列采集的观测数据，来对接下来一段时间内的观测状态预估，首先要根据数据特点进行模型识别即模型的选择，然后对所选择的模型进行参数估计，最后通过模型检验，经过以上步骤，该模型便可用来对未来状态进行预测。具体流程为：首先输入基于时间序列采集的观测数据(302)进行模型识别，通过计算自相关系数和偏相关系数判断模型是否适用(303)，对模型参数进行估计(304)，构建模型预测函数(305)，输出未来一段时间的预测结果(306)。

本发明的优点和有益效果包括：

1)针对飞行器小样本信号识别与分类方法，具有很好的鲁棒性及普适性。

2)与传统方法相比，朴素贝叶斯方法有稳定的分类效率，对缺失数据的敏感性较低，满足小样本信号适用条件。该方法显著提升了飞行器信号的分类和识别准确率。

3)提出了一种模型预测方法，为飞行器健康管理策略的核心故障检测做出了卓越贡献。

Claims (3)

1.一种飞行器小样本信号朴素贝叶斯分类与识别方法，其特征在于包括：

A3)对信号来源进行判断(104)，其中：

若信号来源是历史数据，则进入历史数据读取环节(105)，将数据进行信号聚类分析(106)，从而有效辅助专家标注工作(107)，最终将历史数据及其对应的标注构建成专家数据库(108)；

若信号来源是实时数据，则进入实时数据读取环节(109)，

A4)将历史数据和实时数据共同输入朴素贝叶斯分类模块(110)，通过贝叶斯算法计算条件概率，

A5)将计算结果送入概率对比算法分类器(111)，得到飞行器信号分类结果(112)，

A6)输出实时故障诊断结果(113)，

其中：

所述朴素贝叶斯分类模块是一个条件概率模型，其

采取最大后验概率决策，即分类错误概率取得最小值，相应的分类器是如下定义的分类公式：

其中C代表类别变量，c代表具体类别，F代表电信号的特征变量，f代表具体特征，n代表求和上限，p(C＝c)代表c类别的概率，p(F_i＝f_i|C＝c)代表条件概率，其分类结果是在假设每-个特征独立的情况下，计算条件概率后选取概率最大的为结果，

朴素贝叶斯分类模块的操作包括：

B1)基于历史和实时飞行器信号构建已知类别的电信号，训练样本(202)，

B2)基于构建的朴素贝叶斯模型分类器(203)进行特征提取，

B3)通过概率对比算法(111)得到飞行器信号分类结果(112)，包括：

B31)对每个类别分别计算概率(205)，

B32)对每个特征计算条件概率(206)，

B33)利用概率对比算法(207)统计得到样本信号的分类结果(208)，

B4)之后，在朴素贝叶斯算法对电信号数据进行分类判断之后，采用时间序列预测的方法对接下来的状态进行预判(306)，包括：B41)首先输入基于时间序列采集的观测数据(302)进行模型识别，

B42)通过计算自相关系数和偏相关系数判断模型是否适用(303)，

B43)对模型参数进行估计(304)，

B44)构建模型预测函数(305)，

B45)输出未来一段时间的预测结果(306)。

2.根据权利要求1所述的飞行器小样本信号朴素贝叶斯分类与识别方法，其特征在于进一步包括在步骤A3之前进行：

A1)利用传感器采集飞行器中复杂设备的数据信号，

A2)将传感器得到的原始信号进行信号预处理(103)。

3.根据权利要求1所述的飞行器小样本信号朴素贝叶斯分类与识别方法，其特征在于步骤A6中在计算每个特征的概率时采用最小绝对误差法，即计算电信号事件特征与标准事件特征之间的误差，将误差的大小转换为属于该类别的概率，误差与标准的比例越大则概率越小。