CN117031421A - 雷达信号模拟系统的异常分析方法及系统 - Google Patents
雷达信号模拟系统的异常分析方法及系统 Download PDFInfo
- Publication number
- CN117031421A CN117031421A CN202311019338.7A CN202311019338A CN117031421A CN 117031421 A CN117031421 A CN 117031421A CN 202311019338 A CN202311019338 A CN 202311019338A CN 117031421 A CN117031421 A CN 117031421A
- Authority
- CN
- China
- Prior art keywords
- simulation system
- control data
- target
- anomaly
- training
- 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
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 333
- 238000004458 analytical method Methods 0.000 title claims abstract description 105
- 238000012549 training Methods 0.000 claims abstract description 235
- 230000002159 abnormal effect Effects 0.000 claims abstract description 185
- 238000009826 distribution Methods 0.000 claims abstract description 123
- 238000000034 method Methods 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000005856 abnormality Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005065 mining Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明实施例提供了一种雷达信号模拟系统的异常分析方法及系统，获取目标训练模拟系统控制数据；依据在先配置的异常概率分布配置信息，对目标训练模拟系统控制数据进行异常概率分布信息生成，得到目标训练模拟系统控制数据的训练异常概率分布；依据训练异常概率分布，确定目标训练模拟系统控制数据的系统异常标签携带数据；依据系统异常标签携带数据和目标训练模拟系统控制数据，对初始化权重参数的模拟系统异常分析网络进行网络权重参数更新，直至满足在先配置的第一网络收敛要求时，得到更新结束的模拟系统异常分析网络，由此可以提高模拟系统异常分析网络的异常分析准确性。
Description
技术领域
本发明涉及AI技术领域，具体而言，涉及一种雷达信号模拟系统的异常分析方法及系统。
背景技术
现如今雷达技术和数字计算机技术得到了广泛运用，在雷达研究、设计、制造、操作训练和使用过程中常常需要进行试验，若用真实雷达在真实环境中进行试验既不经济灵活，也不易控制和重复进行，而且在新雷达制成之前无法试验，这时候使用数字计算机对雷达信号模拟系统进行控制试验，减少了试验成本，而遇到环境中的信号变得复杂的时候，需要通过AI技术对雷达信号模拟系统进行异常分析找到系统的异常点，从而提高后续模拟系统异常分析网络的异常分析准确性，而如何提高雷达信号模拟系统的异常分析是本领域亟待解决的技术问题。
发明内容
有鉴于此，本发明实施例的目的在于提供一种雷达信号模拟系统的异常分析方法及系统，获取目标训练模拟系统控制数据；依据在先配置的异常概率分布配置信息，对目标训练模拟系统控制数据进行异常概率分布信息生成，得到目标训练模拟系统控制数据的训练异常概率分布，其中异常概率分布配置信息表征训练异常概率分布与系统异常标签携带数据之间的配置绑定信息，异常概率分布配置信息依据在先配置的异常概率分布挖掘神经网络进行网络权重参数更新获得；依据训练异常概率分布，确定目标训练模拟系统控制数据的系统异常标签携带数据；依据系统异常标签携带数据和目标训练模拟系统控制数据，对初始化权重参数的模拟系统异常分析网络进行网络权重参数更新，直至满足在先配置的第一网络收敛要求时，得到更新结束的模拟系统异常分析网络。由此可以提高模拟系统异常分析网络的异常分析准确性。
依据本发明实施例的一个方面，提供一种雷达信号模拟系统的异常分析方法及系统，所述方法包括：
获取所述雷达信号模拟系统的目标训练模拟系统控制数据；
依据在先配置的异常概率分布配置信息，对所述目标训练模拟系统控制数据进行异常概率分布信息生成，获得所述目标训练模拟系统控制数据的训练异常概率分布，其中，所述异常概率分布配置信息表征训练异常概率分布与系统异常标签携带数据之间的配置绑定信息，所述异常概率分布配置信息依据在先配置的异常概率分布挖掘神经网络进行网络权重参数更新获得；
依据所述训练异常概率分布，确定所述目标训练模拟系统控制数据的系统异常标签携带数据；
依据所述系统异常标签携带数据和所述目标训练模拟系统控制数据，对初始化权重参数的模拟系统异常分析网络进行网络权重参数更新，直至满足在先配置的第一网络收敛要求时，获得更新结束的模拟系统异常分析网络。
一种可替代的实施方式中，所述依据所述训练异常概率分布，确定所述目标训练模拟系统控制数据的系统异常标签携带数据，包括：
获取显著异常概率节点与系统异常标签信息之间的设定关联信息，其中，所述设定关联信息表征所述训练异常概率分布的显著异常概率节点与所述目标训练模拟系统控制数据的系统异常标签携带数据之间的关系；
获取所述训练异常概率分布的显著异常概率节点；
依据所述训练异常概率分布的显著异常概率节点和所述设定关联信息，确定所述目标训练模拟系统控制数据的系统异常标签携带数据。
一种可替代的实施方式中，所述依据所述系统异常标签携带数据和所述目标训练模拟系统控制数据，对初始化权重参数的模拟系统异常分析网络进行网络权重参数更新，直至满足在先配置的第一网络收敛要求时，获得更新结束的模拟系统异常分析网络之前，还包括：
获取训练模拟系统控制数据序列以及先验异常携带数据，其中，所述训练模拟系统控制数据序列包括多个参考训练模拟系统控制数据，所述先验异常携带数据包括所述参考训练模拟系统控制数据的先验异常标签；
依据初始化神经网络对所述训练模拟系统控制数据序列中各参考训练模拟系统控制数据进行异常标签分类，获得所述训练模拟系统控制数据序列中各参考训练模拟系统控制数据的异常标签分类信息；
从所述训练模拟系统控制数据序列中，获取所述先验异常标签与所述异常标签分类信息不同的目标参考训练模拟系统控制数据；
以所述目标参考训练模拟系统控制数据的异常标签分类信息作为网络学习依据信息，依据所述目标参考训练模拟系统控制数据对所述初始化神经网络进行网络权重参数更新，直至满足在先配置的第二网络收敛要求时，获得所述初始化权重参数的模拟系统异常分析网络。
一种可替代的实施方式中，所述依据所述训练异常概率分布，确定所述目标训练模拟系统控制数据的系统异常标签携带数据之前，还包括：
依据所述异常概率分布配置信息，对所述目标参考训练模拟系统控制数据进行异常概率分布信息生成，获得所述目标参考训练模拟系统控制数据的目标异常概率分布；
依据初始化权重参数的模拟系统异常分析网络，基于所述目标参考训练模拟系统控制数据进行异常标签分类，获得所述目标参考训练模拟系统控制数据的目标异常标签；
获取所述目标异常概率分布的显著异常概率节点；
依据所述目标异常概率分布的显著异常概率节点和所述目标异常标签，获取显著异常概率节点与系统异常标签信息之间的设定关联信息。
一种可替代的实施方式中，所述依据在先配置的异常概率分布配置信息，对所述目标训练模拟系统控制数据进行异常概率分布信息生成，获得所述目标训练模拟系统控制数据的训练异常概率分布，包括：
依据所述异常概率分布配置信息，对所述目标训练模拟系统控制数据进行编码，获得所述目标训练模拟系统控制数据的目标编码向量；
依据所述目标编码向量，获取所述目标训练模拟系统控制数据的训练异常概率分布。
一种可替代的实施方式中，所述方法还包括：
获取目标雷达信号模拟策略的目标策略模拟系统控制数据；
依据所述更新结束的模拟系统异常分析网络，对所述目标策略模拟系统控制数据进行异常决策，获得所述目标雷达信号模拟策略的目标策略异常决策信息。
一种可替代的实施方式中，所述目标训练模拟系统控制数据包括样本雷达信号模拟策略的在先训练模拟系统控制数据和在后训练模拟系统控制数据，所述目标策略模拟系统控制数据包括所述目标雷达信号模拟策略的在先策略模拟系统控制数据和在后策略模拟系统控制数据；
所述依据所述系统异常标签携带数据和所述目标训练模拟系统控制数据，对初始化权重参数的模拟系统异常分析网络进行网络权重参数更新，直至满足在先配置的第一网络收敛要求时，获得更新结束的模拟系统异常分析网络，包括：
依据所述在先训练模拟系统控制数据和所述在后训练模拟系统控制数据，确定所述目标训练模拟系统控制数据的控制态势数据；
以所述系统异常标签携带数据作为网络学习依据信息，依据所述在先训练模拟系统控制数据和所述控制态势数据对初始化权重参数的模拟系统异常分析网络进行网络权重参数更新，直至满足在先配置的第一网络收敛要求时，获得更新结束的模拟系统异常分析网络；
所述依据所述更新结束的模拟系统异常分析网络，对所述目标策略模拟系统控制数据进行异常决策，获得所述目标雷达信号模拟策略的目标策略异常决策信息，包括：
依据所述在先策略模拟系统控制数据和所述在后策略模拟系统控制数据，确定所述目标策略模拟系统控制数据的策略运行态势数据；
依据所述更新结束的模拟系统异常分析网络，基于所述在先策略模拟系统控制数据和所述策略运行态势数据，对所述目标策略模拟系统控制数据进行异常决策，获得所述目标雷达信号模拟策略的目标策略异常决策信息。
依据本发明实施例的另一方面，提供一种雷达信号模拟系统的异常分析方法及系统，所述系统包括：
获取模块，用于获取目标训练模拟系统控制数据；
生成模块，用于依据在先配置的异常概率分布配置信息，对所述目标训练模拟系统控制数据进行异常概率分布信息生成，获得所述目标训练模拟系统控制数据的训练异常概率分布，其中，所述异常概率分布配置信息表征训练异常概率分布与系统异常标签携带数据之间的配置绑定信息，所述异常概率分布配置信息依据在先配置的异常概率分布挖掘神经网络进行网络权重参数更新获得；
确定模块，用于依据所述训练异常概率分布，确定所述目标训练模拟系统控制数据的系统异常标签携带数据；
训练模块，用于依据所述系统异常标签携带数据和所述目标训练模拟系统控制数据，对初始化权重参数的模拟系统异常分析网络进行网络权重参数更新，直至满足在先配置的第一网络收敛要求时，获得更新结束的模拟系统异常分析网络。
依据本发明实施例的另一方面，提供一种电子设备，包括：处理器、通信接口、存储器和通信总线，其中，所述处理器、通信接口和存储器通过通信总线完成相互间的通信；所述存储器，用于存放计算机程序；所述处理器，用于执行所述计算机程序时，实现以上任一项所述的雷达信号模拟系统的异常分析方法步骤。
依据本发明实施例的另一方面，提供一种可读存储介质，该可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行上述的雷达信号模拟系统的异常分析方法的步骤。
为使本发明实施例的上述目的、特征和优点能更明显易懂，下面将结合实施例，并配合所附附图，作详细说明。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以依据这些附图获得其他相关的附图。
图1示出了本发明实施例所提供的服务器的组件示意图；
图2示出了本发明实施例所提供的雷达信号模拟系统的异常分析方法及系统的流程示意图；
图3示出了本发明实施例所提供的依据雷达信号模拟系统的异常分析系统的功能模块框图。
具体实施方式
为了使本技术领域的学员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。依据本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1示出了服务器100的示例性组件示意图。服务器100可以包括一个或多个处理器104，诸如一个或多个中央处理单元(CPU)，每个处理单元可以实现一个或多个硬件线程。服务器100还可以包括任何存储介质106，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储介质106可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储介质都可以使用任何技术来存储信息。进一步地，任何存储介质可以提供信息的易失性或非易失性保留。进一步地，任何存储介质可以表示服务器100的固定或可移除部件。在一种情况下，当处理器104执行被存储在任何存储介质或存储介质的组合中的相关联的指令时，服务器100可以执行相关联指令的任一操作。服务器100还包括用于与任何存储介质交互的一个或多个驱动单元108，诸如硬盘驱动单元、光盘驱动单元等。
服务器100还包括输入/输出110(I/O)，其用于接收各种输入(经由输入单元112)和用于提供各种输出(经由输出单元114))。一个具体输出机构可以包括呈现设备116和相关联的图形用户接口(GUI)118。服务器100还可以包括一个或多个网络接口120，其用于经由一个或多个通信单元122与其他设备交换数据。一个或多个通信总线124将上文所描述的部件耦合在一起。
通信单元122可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信单元122可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器100等的任何组合。
图2示出了本发明实施例提供的雷达信号模拟系统的异常分析方法及系统的流程示意图，该雷达信号模拟系统的异常分析方法及系统可由图1中所示的服务器100执行，该雷达信号模拟系统的异常分析方法及系统的详细步骤介绍如下。
步骤S110，获取所述雷达信号模拟系统的目标训练模拟系统控制数据；
步骤S120，依据在先配置的异常概率分布配置信息，对所述目标训练模拟系统控制数据进行异常概率分布信息生成，获得所述目标训练模拟系统控制数据的训练异常概率分布，其中，所述异常概率分布配置信息表征训练异常概率分布与系统异常标签携带数据之间的配置绑定信息，所述异常概率分布配置信息依据在先配置的异常概率分布挖掘神经网络进行网络权重参数更新获得；
步骤S130，依据所述训练异常概率分布，确定所述目标训练模拟系统控制数据的系统异常标签携带数据；
步骤S140，依据所述系统异常标签携带数据和所述目标训练模拟系统控制数据，对初始化权重参数的模拟系统异常分析网络进行网络权重参数更新，直至满足在先配置的第一网络收敛要求时，获得更新结束的模拟系统异常分析网络。
基于以上步骤，本实施例获取目标训练模拟系统控制数据；依据在先配置的异常概率分布配置信息，对目标训练模拟系统控制数据进行异常概率分布信息生成，得到目标训练模拟系统控制数据的训练异常概率分布，其中异常概率分布配置信息表征训练异常概率分布与系统异常标签携带数据之间的配置绑定信息，异常概率分布配置信息依据在先配置的异常概率分布挖掘神经网络进行网络权重参数更新获得；依据训练异常概率分布，确定目标训练模拟系统控制数据的系统异常标签携带数据；依据系统异常标签携带数据和目标训练模拟系统控制数据，对初始化权重参数的模拟系统异常分析网络进行网络权重参数更新，直至满足在先配置的第一网络收敛要求时，得到更新结束的模拟系统异常分析网络，由此可以提高模拟系统异常分析网络的异常分析准确性。
一种可替代的实施方式中，所述依据所述训练异常概率分布，确定所述目标训练模拟系统控制数据的系统异常标签携带数据，包括：
获取显著异常概率节点与系统异常标签信息之间的设定关联信息，其中，所述设定关联信息表征所述训练异常概率分布的显著异常概率节点与所述目标训练模拟系统控制数据的系统异常标签携带数据之间的关系；
获取所述训练异常概率分布的显著异常概率节点；
依据所述训练异常概率分布的显著异常概率节点和所述设定关联信息，确定所述目标训练模拟系统控制数据的系统异常标签携带数据。
一种可替代的实施方式中，所述依据所述系统异常标签携带数据和所述目标训练模拟系统控制数据，对初始化权重参数的模拟系统异常分析网络进行网络权重参数更新，直至满足在先配置的第一网络收敛要求时，获得更新结束的模拟系统异常分析网络之前，还包括：
获取训练模拟系统控制数据序列以及先验异常携带数据，其中，所述训练模拟系统控制数据序列包括多个参考训练模拟系统控制数据，所述先验异常携带数据包括所述参考训练模拟系统控制数据的先验异常标签；
依据初始化神经网络对所述训练模拟系统控制数据序列中各参考训练模拟系统控制数据进行异常标签分类，获得所述训练模拟系统控制数据序列中各参考训练模拟系统控制数据的异常标签分类信息；
从所述训练模拟系统控制数据序列中，获取所述先验异常标签与所述异常标签分类信息不同的目标参考训练模拟系统控制数据；
以所述目标参考训练模拟系统控制数据的异常标签分类信息作为网络学习依据信息，依据所述目标参考训练模拟系统控制数据对所述初始化神经网络进行网络权重参数更新，直至满足在先配置的第二网络收敛要求时，获得所述初始化权重参数的模拟系统异常分析网络。
一种可替代的实施方式中，所述依据所述训练异常概率分布，确定所述目标训练模拟系统控制数据的系统异常标签携带数据之前，还包括：
依据所述异常概率分布配置信息，对所述目标参考训练模拟系统控制数据进行异常概率分布信息生成，获得所述目标参考训练模拟系统控制数据的目标异常概率分布；
依据初始化权重参数的模拟系统异常分析网络，基于所述目标参考训练模拟系统控制数据进行异常标签分类，获得所述目标参考训练模拟系统控制数据的目标异常标签；
获取所述目标异常概率分布的显著异常概率节点；
依据所述目标异常概率分布的显著异常概率节点和所述目标异常标签，获取显著异常概率节点与系统异常标签信息之间的设定关联信息。
一种可替代的实施方式中，所述依据在先配置的异常概率分布配置信息，对所述目标训练模拟系统控制数据进行异常概率分布信息生成，获得所述目标训练模拟系统控制数据的训练异常概率分布，包括：
依据所述异常概率分布配置信息，对所述目标训练模拟系统控制数据进行编码，获得所述目标训练模拟系统控制数据的目标编码向量；
依据所述目标编码向量，获取所述目标训练模拟系统控制数据的训练异常概率分布。
一种可替代的实施方式中，所述方法还包括：
获取目标雷达信号模拟策略的目标策略模拟系统控制数据；
依据所述更新结束的模拟系统异常分析网络，对所述目标策略模拟系统控制数据进行异常决策，获得所述目标雷达信号模拟策略的目标策略异常决策信息。
一种可替代的实施方式中，所述目标训练模拟系统控制数据包括样本雷达信号模拟策略的在先训练模拟系统控制数据和在后训练模拟系统控制数据，所述目标策略模拟系统控制数据包括所述目标雷达信号模拟策略的在先策略模拟系统控制数据和在后策略模拟系统控制数据；
所述依据所述系统异常标签携带数据和所述目标训练模拟系统控制数据，对初始化权重参数的模拟系统异常分析网络进行网络权重参数更新，直至满足在先配置的第一网络收敛要求时，获得更新结束的模拟系统异常分析网络，包括：
依据所述在先训练模拟系统控制数据和所述在后训练模拟系统控制数据，确定所述目标训练模拟系统控制数据的控制态势数据；
以所述系统异常标签携带数据作为网络学习依据信息，依据所述在先训练模拟系统控制数据和所述控制态势数据对初始化权重参数的模拟系统异常分析网络进行网络权重参数更新，直至满足在先配置的第一网络收敛要求时，获得更新结束的模拟系统异常分析网络；
所述依据所述更新结束的模拟系统异常分析网络，对所述目标策略模拟系统控制数据进行异常决策，获得所述目标雷达信号模拟策略的目标策略异常决策信息，包括：
依据所述在先策略模拟系统控制数据和所述在后策略模拟系统控制数据，确定所述目标策略模拟系统控制数据的策略运行态势数据；
依据所述更新结束的模拟系统异常分析网络，基于所述在先策略模拟系统控制数据和所述策略运行态势数据，对所述目标策略模拟系统控制数据进行异常决策，获得所述目标雷达信号模拟策略的目标策略异常决策信息。
图3示出了本发明实施例提供的依据雷达信号模拟系统的异常分析系统200的功能模块图，该依据雷达信号模拟系统的异常分析系统200实现的功能可以对应上述方法执行的步骤。该依据雷达信号模拟系统的异常分析系统200可以理解为上述服务器100，或服务器100的处理器，也可以理解为独立于上述服务器100或处理器之外的在服务器100控制下实现本发明功能的组件，如图3所示，下面分别对该依据雷达信号模拟系统的异常分析系统200的各个功能模块的功能进行详细阐述。
获取模块210，用于获取目标训练模拟系统控制数据；
生成模块220，用于依据在先配置的异常概率分布配置信息，对所述目标训练模拟系统控制数据进行异常概率分布信息生成，获得所述目标训练模拟系统控制数据的训练异常概率分布，其中，所述异常概率分布配置信息表征训练异常概率分布与系统异常标签携带数据之间的配置绑定信息，所述异常概率分布配置信息依据在先配置的异常概率分布挖掘神经网络进行网络权重参数更新获得；
确定模块230，用于依据所述训练异常概率分布，确定所述目标训练模拟系统控制数据的系统异常标签携带数据；
训练模块240，用于依据所述系统异常标签携带数据和所述目标训练模拟系统控制数据，对初始化权重参数的模拟系统异常分析网络进行网络权重参数更新，直至满足在先配置的第一网络收敛要求时，获得更新结束的模拟系统异常分析网络。
一种可替代的实施方式中，所述确定模块230，具体还用于：
获取显著异常概率节点与系统异常标签信息之间的设定关联信息，其中，所述设定关联信息表征所述训练异常概率分布的显著异常概率节点与所述目标训练模拟系统控制数据的系统异常标签携带数据之间的关系；
获取所述训练异常概率分布的显著异常概率节点；
依据所述训练异常概率分布的显著异常概率节点和所述设定关联信息，确定所述目标训练模拟系统控制数据的系统异常标签携带数据。
一种可替代的实施方式中，所述训练模块240，具体还用于：
获取训练模拟系统控制数据序列以及先验异常携带数据，其中，所述训练模拟系统控制数据序列包括多个参考训练模拟系统控制数据，所述先验异常携带数据包括所述参考训练模拟系统控制数据的先验异常标签；
依据初始化神经网络对所述训练模拟系统控制数据序列中各参考训练模拟系统控制数据进行异常标签分类，获得所述训练模拟系统控制数据序列中各参考训练模拟系统控制数据的异常标签分类信息；
从所述训练模拟系统控制数据序列中，获取所述先验异常标签与所述异常标签分类信息不同的目标参考训练模拟系统控制数据；
以所述目标参考训练模拟系统控制数据的异常标签分类信息作为网络学习依据信息，依据所述目标参考训练模拟系统控制数据对所述初始化神经网络进行网络权重参数更新，直至满足在先配置的第二网络收敛要求时，获得所述初始化权重参数的模拟系统异常分析网络。
一种可替代的实施方式中，所述确定模块230，具体还用于：
依据所述异常概率分布配置信息，对所述目标参考训练模拟系统控制数据进行异常概率分布信息生成，获得所述目标参考训练模拟系统控制数据的目标异常概率分布；
依据初始化权重参数的模拟系统异常分析网络，基于所述目标参考训练模拟系统控制数据进行异常标签分类，获得所述目标参考训练模拟系统控制数据的目标异常标签；
获取所述目标异常概率分布的显著异常概率节点；
依据所述目标异常概率分布的显著异常概率节点和所述目标异常标签，获取显著异常概率节点与系统异常标签信息之间的设定关联信息。
一种可替代的实施方式中，所述生成模块220，具体还用于：
依据所述异常概率分布配置信息，对所述目标训练模拟系统控制数据进行编码，获得所述目标训练模拟系统控制数据的目标编码向量；
依据所述目标编码向量，获取所述目标训练模拟系统控制数据的训练异常概率分布。
一种可替代的实施方式中，所述训练模块240，具体还用于：
获取目标雷达信号模拟策略的目标策略模拟系统控制数据；
依据所述更新结束的模拟系统异常分析网络，对所述目标策略模拟系统控制数据进行异常决策，获得所述目标雷达信号模拟策略的目标策略异常决策信息。
一种可替代的实施方式中，所述训练模块240，具体还用于：
所述依据所述系统异常标签携带数据和所述目标训练模拟系统控制数据，对初始化权重参数的模拟系统异常分析网络进行网络权重参数更新，直至满足在先配置的第一网络收敛要求时，获得更新结束的模拟系统异常分析网络，包括：
依据所述在先训练模拟系统控制数据和所述在后训练模拟系统控制数据，确定所述目标训练模拟系统控制数据的控制态势数据；
以所述系统异常标签携带数据作为网络学习依据信息，依据所述在先训练模拟系统控制数据和所述控制态势数据对初始化权重参数的模拟系统异常分析网络进行网络权重参数更新，直至满足在先配置的第一网络收敛要求时，获得更新结束的模拟系统异常分析网络；
所述依据所述更新结束的模拟系统异常分析网络，对所述目标策略模拟系统控制数据进行异常决策，获得所述目标雷达信号模拟策略的目标策略异常决策信息，包括：
依据所述在先策略模拟系统控制数据和所述在后策略模拟系统控制数据，确定所述目标策略模拟系统控制数据的策略运行态势数据；
依据所述更新结束的模拟系统异常分析网络，基于所述在先策略模拟系统控制数据和所述策略运行态势数据，对所述目标策略模拟系统控制数据进行异常决策，获得所述目标雷达信号模拟策略的目标策略异常决策信息。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征时，能够以其它的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
Claims (10)
1.一种雷达信号模拟系统的异常分析方法，其特征在于，所述方法包括：
获取所述雷达信号模拟系统的目标训练模拟系统控制数据；
依据在先配置的异常概率分布配置信息，对所述目标训练模拟系统控制数据进行异常概率分布信息生成，获得所述目标训练模拟系统控制数据的训练异常概率分布，其中，所述异常概率分布配置信息表征训练异常概率分布与系统异常标签携带数据之间的配置绑定信息，所述异常概率分布配置信息依据在先配置的异常概率分布挖掘神经网络进行网络权重参数更新获得；
依据所述训练异常概率分布，确定所述目标训练模拟系统控制数据的系统异常标签携带数据；
依据所述系统异常标签携带数据和所述目标训练模拟系统控制数据，对初始化权重参数的模拟系统异常分析网络进行网络权重参数更新，直至满足在先配置的第一网络收敛要求时，获得更新结束的模拟系统异常分析网络。
2.根据权利要求1所述的雷达信号模拟系统的异常分析方法，其特征在于，所述依据所述训练异常概率分布，确定所述目标训练模拟系统控制数据的系统异常标签携带数据，包括：
获取显著异常概率节点与系统异常标签信息之间的设定关联信息，其中，所述设定关联信息表征所述训练异常概率分布的显著异常概率节点与所述目标训练模拟系统控制数据的系统异常标签携带数据之间的关系；
获取所述训练异常概率分布的显著异常概率节点；
依据所述训练异常概率分布的显著异常概率节点和所述设定关联信息，确定所述目标训练模拟系统控制数据的系统异常标签携带数据。
3.根据权利要求1所述的雷达信号模拟系统的异常分析方法，其特征在于，所述依据所述系统异常标签携带数据和所述目标训练模拟系统控制数据，对初始化权重参数的模拟系统异常分析网络进行网络权重参数更新，直至满足在先配置的第一网络收敛要求时，获得更新结束的模拟系统异常分析网络之前，还包括：
获取训练模拟系统控制数据序列以及先验异常携带数据，其中，所述训练模拟系统控制数据序列包括多个参考训练模拟系统控制数据，所述先验异常携带数据包括所述参考训练模拟系统控制数据的先验异常标签；
依据初始化神经网络对所述训练模拟系统控制数据序列中各参考训练模拟系统控制数据进行异常标签分类，获得所述训练模拟系统控制数据序列中各参考训练模拟系统控制数据的异常标签分类信息；
从所述训练模拟系统控制数据序列中，获取所述先验异常标签与所述异常标签分类信息不同的目标参考训练模拟系统控制数据；
以所述目标参考训练模拟系统控制数据的异常标签分类信息作为网络学习依据信息，依据所述目标参考训练模拟系统控制数据对所述初始化神经网络进行网络权重参数更新，直至满足在先配置的第二网络收敛要求时，获得所述初始化权重参数的模拟系统异常分析网络。
4.根据权利要求3所述的雷达信号模拟系统的异常分析方法，其特征在于，所述依据所述训练异常概率分布，确定所述目标训练模拟系统控制数据的系统异常标签携带数据之前，还包括：
依据所述异常概率分布配置信息，对所述目标参考训练模拟系统控制数据进行异常概率分布信息生成，获得所述目标参考训练模拟系统控制数据的目标异常概率分布；
依据初始化权重参数的模拟系统异常分析网络，基于所述目标参考训练模拟系统控制数据进行异常标签分类，获得所述目标参考训练模拟系统控制数据的目标异常标签；
获取所述目标异常概率分布的显著异常概率节点；
依据所述目标异常概率分布的显著异常概率节点和所述目标异常标签，获取显著异常概率节点与系统异常标签信息之间的设定关联信息。
5.根据权利要求1所述的雷达信号模拟系统的异常分析方法，其特征在于，所述依据在先配置的异常概率分布配置信息，对所述目标训练模拟系统控制数据进行异常概率分布信息生成，获得所述目标训练模拟系统控制数据的训练异常概率分布，包括：
依据所述异常概率分布配置信息，对所述目标训练模拟系统控制数据进行编码，获得所述目标训练模拟系统控制数据的目标编码向量；
依据所述目标编码向量，获取所述目标训练模拟系统控制数据的训练异常概率分布。
6.根据权利要求1-5任一项所述的雷达信号模拟系统的异常分析方法，其特征在于，所述方法还包括：
获取目标雷达信号模拟策略的目标策略模拟系统控制数据；
依据所述更新结束的模拟系统异常分析网络，对所述目标策略模拟系统控制数据进行异常决策，获得所述目标雷达信号模拟策略的目标策略异常决策信息。
7.根据权利要求6所述的雷达信号模拟系统的异常分析方法，其特征在于，所述目标训练模拟系统控制数据包括样本雷达信号模拟策略的在先训练模拟系统控制数据和在后训练模拟系统控制数据，所述目标策略模拟系统控制数据包括所述目标雷达信号模拟策略的在先策略模拟系统控制数据和在后策略模拟系统控制数据；
所述依据所述系统异常标签携带数据和所述目标训练模拟系统控制数据，对初始化权重参数的模拟系统异常分析网络进行网络权重参数更新，直至满足在先配置的第一网络收敛要求时，获得更新结束的模拟系统异常分析网络，包括：
依据所述在先训练模拟系统控制数据和所述在后训练模拟系统控制数据，确定所述目标训练模拟系统控制数据的控制态势数据；
以所述系统异常标签携带数据作为网络学习依据信息，依据所述在先训练模拟系统控制数据和所述控制态势数据对初始化权重参数的模拟系统异常分析网络进行网络权重参数更新，直至满足在先配置的第一网络收敛要求时，获得更新结束的模拟系统异常分析网络；
所述依据所述更新结束的模拟系统异常分析网络，对所述目标策略模拟系统控制数据进行异常决策，获得所述目标雷达信号模拟策略的目标策略异常决策信息，包括：
依据所述在先策略模拟系统控制数据和所述在后策略模拟系统控制数据，确定所述目标策略模拟系统控制数据的策略运行态势数据；
依据所述更新结束的模拟系统异常分析网络，基于所述在先策略模拟系统控制数据和所述策略运行态势数据，对所述目标策略模拟系统控制数据进行异常决策，获得所述目标雷达信号模拟策略的目标策略异常决策信息。
8.一种模拟系统异常分析网络训练系统，其特征在于，所述模拟系统异常分析网络训练系统包括：
获取模块，用于获取目标训练模拟系统控制数据；
生成模块，用于依据在先配置的异常概率分布配置信息，对所述目标训练模拟系统控制数据进行异常概率分布信息生成，获得所述目标训练模拟系统控制数据的训练异常概率分布，其中，所述异常概率分布配置信息表征训练异常概率分布与系统异常标签携带数据之间的配置绑定信息，所述异常概率分布配置信息依据在先配置的异常概率分布挖掘神经网络进行网络权重参数更新获得；
确定模块，用于依据所述训练异常概率分布，确定所述目标训练模拟系统控制数据的系统异常标签携带数据；
训练模块，用于依据所述系统异常标签携带数据和所述目标训练模拟系统控制数据，对初始化权重参数的模拟系统异常分析网络进行网络权重参数更新，直至满足在先配置的第一网络收敛要求时，获得更新结束的模拟系统异常分析网络。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时执行如权利要求1至7任一项所述的雷达信号模拟系统的异常分析方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1至7任一项所述的雷达信号模拟系统的异常分析方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311019338.7A CN117031421A (zh) | 2023-08-14 | 2023-08-14 | 雷达信号模拟系统的异常分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311019338.7A CN117031421A (zh) | 2023-08-14 | 2023-08-14 | 雷达信号模拟系统的异常分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117031421A true CN117031421A (zh) | 2023-11-10 |
Family
ID=88627646
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311019338.7A Pending CN117031421A (zh) | 2023-08-14 | 2023-08-14 | 雷达信号模拟系统的异常分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117031421A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112353402A (zh) * | 2020-10-22 | 2021-02-12 | 平安科技（深圳）有限公司 | 心电信号分类模型的训练方法、心电信号分类方法及装置 |
| CN112782654A (zh) * | 2019-11-08 | 2021-05-11 | 北京振兴计量测试研究所 | 一种相控阵雷达目标回波信号模拟系统 |
| CN113705699A (zh) * | 2021-08-31 | 2021-11-26 | 平安科技（深圳）有限公司 | 基于机器学习的样本异常检测方法、装置、设备及介质 |
| CN114365091A (zh) * | 2019-09-13 | 2022-04-15 | Wing航空有限责任公司 | 自主载具的无监督异常检测 |
| CN115456107A (zh) * | 2022-09-29 | 2022-12-09 | 中国农业银行股份有限公司 | 一种时间序列异常检测系统及方法 |
| CN115586499A (zh) * | 2022-09-26 | 2023-01-10 | 安徽乾栋智能科技有限公司 | 一种雷达信号环境模拟方法及系统 |
| CN116304942A (zh) * | 2023-03-06 | 2023-06-23 | 酷哇科技有限公司 | 基于神经网络的自动驾驶车辆异常管理方法和系统 |
| US20230244946A1 (en) * | 2022-01-28 | 2023-08-03 | International Business Machines Corporation | Unsupervised anomaly detection of industrial dynamic systems with contrastive latent density learning |
-
2023
- 2023-08-14 CN CN202311019338.7A patent/CN117031421A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114365091A (zh) * | 2019-09-13 | 2022-04-15 | Wing航空有限责任公司 | 自主载具的无监督异常检测 |
| CN112782654A (zh) * | 2019-11-08 | 2021-05-11 | 北京振兴计量测试研究所 | 一种相控阵雷达目标回波信号模拟系统 |
| CN112353402A (zh) * | 2020-10-22 | 2021-02-12 | 平安科技（深圳）有限公司 | 心电信号分类模型的训练方法、心电信号分类方法及装置 |
| CN113705699A (zh) * | 2021-08-31 | 2021-11-26 | 平安科技（深圳）有限公司 | 基于机器学习的样本异常检测方法、装置、设备及介质 |
| US20230244946A1 (en) * | 2022-01-28 | 2023-08-03 | International Business Machines Corporation | Unsupervised anomaly detection of industrial dynamic systems with contrastive latent density learning |
| CN115586499A (zh) * | 2022-09-26 | 2023-01-10 | 安徽乾栋智能科技有限公司 | 一种雷达信号环境模拟方法及系统 |
| CN115456107A (zh) * | 2022-09-29 | 2022-12-09 | 中国农业银行股份有限公司 | 一种时间序列异常检测系统及方法 |
| CN116304942A (zh) * | 2023-03-06 | 2023-06-23 | 酷哇科技有限公司 | 基于神经网络的自动驾驶车辆异常管理方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 任明;宋云奎;: "基于深度学习的云计算系统异常检测方法", 计算机技术与发展, no. 05, 21 December 2018 (2018-12-21) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Schlegel et al. | Towards a rigorous evaluation of XAI methods on time series | |
| US11514347B2 (en) | Identifying and remediating system anomalies through machine learning algorithms | |
| EP3944159A1 (en) | Method and system for defending universal adversarial attacks on time-series data | |
| CN109614325B (zh) | 一种确定控件属性的方法及装置、电子设备和存储介质 | |
| CN109685805A (zh) | 一种图像分割方法及装置 | |
| EP3132321B1 (en) | Transforming failure samples using conditional models for machine condition monitoring | |
| CN111949530B (zh) | 测试结果的预测方法、装置、计算机设备及存储介质 | |
| CN113222554A (zh) | 基于大数据的智慧办公协同方法及系统 | |
| CN117031421A (zh) | 雷达信号模拟系统的异常分析方法及系统 | |
| CN111611326A (zh) | 一种客户关系管理数据库建立方法及系统 | |
| CN110716778A (zh) | 应用兼容性测试方法、装置及系统 | |
| CN114650552B (zh) | 用于网络中的异常检测的方法和装置 | |
| CN117033052B (zh) | 基于模型识别的对象异常诊断方法及系统 | |
| CN116926241A (zh) | 一种免疫细胞培养控制方法及系统 | |
| CN117953977B (zh) | 一种重组间充质干细胞培养控制方法及系统 | |
| CN117401179A (zh) | 基于无人机的飞行性能测试方法及系统 | |
| CN111899060A (zh) | 一种基于大数据的广告管理方法及系统 | |
| CN116956196A (zh) | 异常信号检测方法及系统 | |
| CN117076221A (zh) | 数据中心扫描处理方法及系统 | |
| CN116796174A (zh) | 用于微服务的内容识别方法及系统 | |
| CN117077809A (zh) | 基于风控决策和可视化的异常数据分析方法及系统 | |
| CN117519035A (zh) | 应用于管桩生产控制系统的优化方法及系统 | |
| CN117273846A (zh) | 基于人工智能的数字商城可视化交互处理方法及系统 | |
| CN117540253A (zh) | 正方盒质量检测系统的数据分析方法及系统 | |
| CN113901304A (zh) | 一种虚拟客户端信息处理方法及系统 |
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 |