一种基于生成对抗网络的卫星异常检测方法

针对卫星地面测控中心在异常检测时面临的遥测数据不平衡和缺乏异常标签等问题,提出了一种基于时序生成对抗网络的异常检测方法.首先对卫星遥测数据进行预处理,剔除原始数据中的噪声和野值.然后使用长短时记忆网络构建生成模型的生成器和判别器,使得模型可以学习到历史数据的时间依赖关系.采用改进的生成对抗损失函数,使得生成模型在训练时可以保证生成序列与输入序列的潜在空间分布一致.最后,使用残差作为测试序列的异常分数,通过阈值自适应方法判断测试序列是否异常.经真实卫星遥测数据进行实验验证,表明该异常检测方法具有较好的有效性.     

遥测伪周期时间序列子序列异常检测算法

针对现有异常检测算法用于伪周期时间序列异常序列检测时易造成误差累积,导致序列周期与特征值上显著差异的不足,文章以卫星遥测伪周期时序数据为对象,综合两种常规分段方法的优势,提出了最大周期窗宽内基于极值的模式子序列分段算法。在此基础上,给出了一种基于均序列动态生成模型的子序列异常检测方法（AnomalySubsequenceDetectionmethodbasedonOptimizedSequenceModel,ASD_OSM）,并采用2次四分位距准则（DoubleQuantilerangescriterion,2Q准则）设置距离检测门限阈值,将超出阈值的序列判定为异常序列。某航天器传感器遥测子序列异常检测试验结果表明,提出的检测方法能够有效减少漏判,提高卫星遥测伪周期数据异常序列检测的准确性。     

基于改进组合机器学习的卫星遥测参数预测

对在轨卫星的运行状态进行监测、分析以及异常检测是卫星在轨运行管理的重要内容。预测卫星遥测参数序列的变化趋势，对卫星异常检测与处置、保障安全运行非常必要。针对目前对于周期性不明显且具有多种变化特征的遥测参数预测精确度不够的问题，本文引入对遥测参数的预测有辅助作用的因素作为协变量，提出了基于改进组合机器学习的预测模型。该模型使用全局模型和局部模型分别获取遥测参数序列的趋势特征和局部不规则波动特征，并采用改进的注意力机制捕获多维参数之间的关联关系，提高了预测精度。此模型可以提供点预测和区间预测的结果，为在轨卫星处置决策提供了更多输入。在科学卫星真实遥测数据集和时间序列公开数据集上验证了本文方法的有效性。     

基于深度迁移学习的航天器故障诊断

随着航天科技的发展,智能故障诊断技术是确保航天器控制系统安全、自主运行的关键技术之一.由于在轨航天器遥测数据样本少、噪声高、未标记,因此缺乏自适应能力、学习能力的传统故障诊断方法难以准确诊断在轨航天器故障.本文针对上述问题提出一种基于深度迁移学习的航天器故障诊断方法,为在轨航天器实时故障诊断提供了可行方法.首先,对航天...     

基于遥测数据动态特征的卫星异常检测方法

基于遥测参数分析异常是保证卫星正常在轨运行的基础,通常采用阈值法判断遥测参数是否超差来判断卫星工作状态,由于其无法检测在阈值范围内变化的卫星遥测数据异常,因而会导致故障漏报.本文利用遥测参数动态变化特性,提出一种基于遥测数据变化规律检测异常的方法.利用周期图谱法求解遥测参数周期,根据遥测数据各周期之间参数值的相似性,按照遥测参数周期对数据进行采样,得到平稳差分序列,对其建立自回归移动平均混合模型,通过精确的预测结果与实测遥测数据比较来发现异常.利用该方法对实际在轨运行的某卫星2012年5月太阳能帆板转动异常故障进行验证,结果表明其能够有效避免故障漏报.      

基于无监督学习的时序序列故障诊断方法研究

随着信息技术和传感器技术的发展,基于数据驱动的故障诊断技术是保障大型工业设备高效、安全运行的关键技术之一.机器学习由于其具有强大的特征表示能力与基于大数据的特征提取优势,多种深度神经网络模型已成为故障诊断领域中最常用的特征提取方法之一.但监测设备收集到的数据中包括大量的无标签数据,基于监督学习的深度神经网络模型没有办法对其进行充分的利用,造成了部分有用信息的浪费.针对无标签数据,提出基于无监督学习的方法,利用最大化互信息的思想训练特征提取模型,在此基础上,设计一种针对时序序列数据的故障诊断方法,并在公开数据集凯斯西储大学轴承数据集上验证,取得了比以往传统方法更高的诊断精度.在卫星监测数据上进一步验证,提出的特征提取模型能够对故障不同阶段进行区分,很好地捕捉不同阶段的数据特性.结果表明,提出的基于无监督学习的故障诊断方法能够有效、充分地利用大量的无标签数据,提高时序序列数据的故障诊断精度.     

模型数据混合驱动的航天器健康监测技术

针对现有纯数据驱动的航天器健康监测技术不能覆盖非测控弧段,遥测数据有限,无法满足功能复杂化、任务多样化、在轨时间长期化的航天任务需求的问题,提出一种模型和数据混合驱动的航天器健康监测系统架构.该系统以高保真的数字化模型为基础,通过遥测数据与模型的融合,实现对航天器全时间段、连续可靠的状态监控及状态预示.本文对架构中模型实现、遥测数据与模型数据融合、故障诊断等关键技术进行详细描述,并说明在某型号航天器任务过程中的应用验证情况.     

基于集成学习的空间科学卫星工作模式识别

针对空间科学卫星遥测参数数据量大且特征维度高、需要消耗大量人力资源预先设置海量阈值、预先设置的阈值可能不再适用、现有监测手段可扩展性低等问题，提出了一种基于集成学习的空间科学卫星工作模式识别方法。该方法采用相关系数统计特性和互信息理论对遥测参数数据进行筛选降维，使用数据重采样技术解决数据集中存在的类别不平衡问题，构建集成学习模型，实现空间科学卫星工作模式的识别。借助某型号科学卫星真实遥测参数数据对该方法进行验证，在短时内便可构建完成算法模型，模型对整体类别的识别正确率高达99.67%，可正确识别多数类样本和少数类样本，为地面运控人员判断空间科学卫星工作模式提供了决策依据。     

适用于连续数值标签的兴趣漂移增量学习方法

针对现有兴趣漂移增量学习方法大多针对包含二值数据标签的用户反馈进行学习的不足,提出了一种适用于连续数值标签反馈的兴趣漂移增量学习方法,以或然概念集的形式描述用户兴趣,将用户反馈中包含的数据标签视为用户对该实例的喜好概率,并采用基于指数近度加权平均的方法对兴趣模型进行增量学习.在不同学习任务下的实验结果表明,该方法能够在反馈数据标签为连续数值的条件下达到比现有方法更好的学习效果.     

航天器地面伴飞系统遥测遥控数据接口设计与实现

航天器地面伴飞系统由遥测遥控数据接口和高精度的数字仿真模型组成.在伴飞系统工作过程中,通过数据接口实时接受在轨航天器遥测遥控数据,并注入航天器数字模型进行同步仿真,进而实现在轨航天器的地面孪生系统.对航天器地面伴飞系统中遥测遥控数据接口的设计与实现问题展开研究.对地面伴飞中涉及的遥测遥控数据标准化封装、数字模型与遥测遥控数据双向映射技术进行了介绍.给出了遥测遥控数据接口的设计与实现过程,对其中的数据对接模块、数据驱动与状态同步模块进行了详细介绍.通过实际工程案例对所设计接口进行了验证.结果表明遥测遥控数据接口工作正常,为地面伴飞系统提供了有效的数据支撑.     

基于多标签协同学习的跨域行人重识别

跨域是行人重识别的重要应用场景,但是源域与目标域行人图像在光照条件、拍摄视角、成像背景与风格等方面的表观特征差异性是导致行人重识别模型泛化能力下降的关键因素。针对该问题,提出了基于多标签协同学习的跨域行人重识别方法。利用语义解析模型构造了基于语义对齐的多标签数据表示,以引导构建更关注行人前景区域的局部特征,达到语义对齐的目的,减少背景对跨域重识别的影响。基于行人图像全局特征和语义对齐后的行人局部特征,利用协同学习平均模型生成行人重识别模型的多标签表示,减少跨域场景下噪声硬标签的干扰。利用协同学习网络框架联合多标签的语义对齐模型,提高行人重识别模型的识别能力。实验结果表明：在Market-1501→DukeMTMC-reID、DukeMTMC-reID→Market-1501、Market-1501→MSMT17、DukeMTMC-reID→MSMT17跨域行人重识别数据集上,与NRMT方法相比,平均精度均值分别提高了8.3%、8.9%、7.6%、7.9%,多标签协同学习方法具有显著的优越性。     

基于局部语义特征不变性的跨域行人重识别

行人重识别是刑侦案件中重要的侦查手段，而跨域是行人重识别的主要挑战之一，也是制约其实际应用的瓶颈问题。在带标签的源域和无标签的目标域学习跨域行人局部语义不变性特征模型。首先，在源域上通过只含有行人标识无部件标签的监督学习方式学习行人的各部件特征，并在源域和目标域上采用无监督学习方式对齐行人部件。然后，基于对齐后的行人全局与局部特征，引入特征模板池存储对齐后的目标域全局和局部特征，并设计了跨域不变性损失函数进行特征不变性约束，提高行人重识别的跨域适应能力。最后，在Market-1501、DukeMTMC-reID和MSMT17数据集之间开展了跨域行人重识别验证实验，实验结果表明，所提方法在跨域行人重识别上取得了显著的性能提升。      

基于无监督聚类与LSTM网络的航天器健康状态预测方法

健康状态预测是从系统层面保证航天器在轨安全稳定运行的关键技术.针对机电类关键部件存在性能退化过程的特点,提出一种基于无监督聚类与长短时记忆(LSTM)网络的航天器健康状态预测方法.该方法首先提取航天器单部件多维参数的高维时域特征,通过PCA方法将高维特征融合为反映部件运行状态的健康因子,再结合无监督聚类算法识别出故障的不同演化阶段,最后采用LSTM网络分别对各退化阶段构建其健康状态演化预测模型,实现对航天器部件健康状态预测.本文以控制系统关键部件控制力矩陀螺(CMG)为例对上述算法进行试验验证,验证了方法的有效性.     

基于联合分布适配的智能电表运行状态评价

针对智能电表运行状态评价中经常存在带标签的数据采集困难且不同地区的数据分布不一致的问题，在智能电表的运行状态评价领域引入迁移学习中的联合分布适配（JDA）算法。该算法寻找一个最优化的变换矩阵，使得在变换后的空间中不同地区数据的边缘分布和条件分布距离最小化。针对条件分布适配中目标域没有数据标签的问题，采用伪标签迭代的方法使得目标域伪标签不断接近真实标签。变换后空间数据中训练得到的分类模型可以运用于新的地区，实现迁移。实验结果证明了JDA算法在智能电表运行状态评价中的有效性。      

基于迁移学习的暴恐图像自动识别

利用人工智能和深度学习技术自动化地分析互联网海量图片,快速、准确地识别有害的暴恐图像并及时处置是反恐工作的重要手段之一。研究了利用深度学习和迁移学习技术对暴恐图像进行分类识别。首先,定义了暴恐图像的主要概念特征,并针对性地构建数据集;其次,针对暴恐图像正样本较少的问题,设计深度神经网络模型和迁移学习方式;最后,基于构建的训练数据集进行模型训练和测试。结果显示:所提方法可以快速、准确地对互联网图片进行分类识别,平均分类准确率达到96.7%,从而有效降低人工检测的劳动强度,为反恐预警工作提供决策支持。      

真实场景水下语义分割方法及数据集

随着水下生物抓取技术的不断发展,高精度的水下物体识别与分割成为了挑战。已有的水下目标检测技术仅能给出物体的大体位置,无法提供物体轮廓等更加细致的信息,严重影响了抓取效率。为了解决这一问题,标注并建立了真实场景水下语义分割数据集DUT-USEG,该数据集包含6 617张图像,其中1 487张具有语义分割和实例分割标注,剩余5 130张图像具有目标检测框标注。基于该数据集,提出了一个关注边界的半监督水下语义分割网络(US-Net),该网络通过设计伪标签生成器和边界检测子网络,实现了对水下物体与背景之间边界的精细学习,提升了边界区域的分割效果。实验表明:所提方法在DUT-USEG数据集的海参、海胆和海星3个类别上相较于对比方法提升了6.7%,达到了目前最好的分割精度。      

集成学习在高误码率下AOS协议识别中的应用研究

针对天基网络中高误码率的传输特点,为保证各个异构网络之间数据能够高效可靠的传输,采用空间链路层高级在轨系统协议设计一种基于集成学习的识别方法。该方法采用集成学习模型,学习AOS协议数据,构建基于集成学习的AOS协议识别模型,实现AOS协议的准确识别,并在高误码率情况下进行实验验证。实验结果表明,集成学习模型在AOS协议识别方面具有较好的识别效果,识别运行效率有显著提升,且在较高误码率即10^-1时依然可以保持稳定的识别效果。     

状态划分下基于Bi-LSTM-Att的轴承剩余寿命预测

准确预测滚动轴承剩余使用寿命(remaining useful life, RUL),对于保证工程设备安全稳定可靠运行具有极其重要的作用.现有深度学习预测方法往往直接建立振动监测数据与剩余寿命之间的映射关系,通常忽略滚动轴承性能退化的不同状态差异性,且并未考虑深度学习模型所提取各类特征的差异性,给剩余寿命预测结果带来了极大的偏差.鉴于此,提出一种新型滚动轴承退化状态划分方法和RUL预测方法.提取轴承振动信号的特征,利用Mann-Kendall检验法进行趋势判断,确定出退化期的起始点;通过归一化奇异值相关系数走势确定出慢速退化期的终点;构建基于融合注意力机制的双向长短时记忆网络(bidirectional long short-term memory with attention, Bi-LSTM-Att)的滚动轴承RUL预测模型,利用所截取的慢速退化期数据与对应RUL标签训练预测模型实现RUL预测.通过轴承公开数据集验证所提方法对轴承RUL预测的准确性和有效性.     

基于对抗和迁移学习的灾害天气卫星云图分类

针对卫星云图中的灾害天气数据存在严重不平衡问题,提出一个结合生成对抗学习（GAN）和迁移学习（TL）的卷积神经网络（CNN）框架以解决上述问题进而提高基于卫星云图的灾害天气分类精度。该框架主要包含基于GAN的数据均衡化模块和基于迁移学习的CNN分类模块。上述2个模块分别从数据和算法层面解决数据的类间不平衡问题,分别得到一个相对均衡的数据集和一个可在不同类别数据上提取相对均衡特征的分类模型,最终实现对卫星云图的分类,提高其中灾害天气的卫星云图类别分类准确率。与此同时所提方法在自建的大规模卫星云图数据上进行了测试,消融性和综合实验结果证明了所提数据均衡方法和迁移学习方法是有效的,且所提框架模型对各个灾害天气类别的分类精度都有显著提升。