一种准确识别随机相移卫星遥测时序数据模式的方法技术

一种准确识别随机相移卫星遥测时序数据模式的方法，包括：数据预处理；建立由多层感知器和多个多通道特征网络层组成的时序数据模式识别模型，模型输入分别送入多通道特征网络层的多个通道中，每个通道包含一个卷积核和一个池化结构，将一个多通道特征网络层中多个通道提取的特征整合之后，作为下一个多通道特征网络层的输入，依此类推；将最后一个多通道特征网络层提取的特征向量整合并连接为一维向量作为多层感知器的输入，多层感知器作为最后的识别分类层；本发明专利技术可准确识别出卫星遥测时序数据中有随机相位偏移的模式，提高了判定相应卫星参数或者卫星部件、平台运行状态的精度，更贴合实际卫星在实时监控和实时故障诊断中的应用情况。

【技术实现步骤摘要】
一种准确识别随机相移卫星遥测时序数据模式的方法
本专利技术属于计算机
，特别涉及一种准确识别随机相移卫星遥测时序数据模式的方法。
技术介绍
卫星遥测时序数据是监测卫星运行状态的基本依据。卫星遥测时序数据的模式识别就是要计算机自动识别判定出卫星参数或者卫星部件、平台的运行状态。在实际工作中，首先需要人工标注卫星遥测时序数据的标准模式及其标签。这个工作量非常大。而且还存在一个问题，就是对应人工标注的标准模式的时序数据和真实环境下随机获取的时序数据之间往往都会存在一个相位差。这个随机相位差会对一般机器学习模型的识别结果带来很大误差，十分影响卫星遥测时序数据的识别准确率。在真实环境中，观察时序数据的时间窗口可以从任意时间点开始。而观测窗口的起点不同，窗口内的序列样本就会有差别。由于观测窗口起点的随机性，导致来自相同模式的序列样本出现左右偏移的情况，称为时间序列数据的随机相位偏移。对于存在随机相位偏移的卫星遥测时序数据，使用现有识别模型会降低对卫星时序数据模式识别的准确率，不能达到理想识别效果。准确识别随机相位偏移卫星遥测时序数据的模式对于准确判定卫星参数或者卫星部件、平台的运行状态十分重要，是保证卫星故障诊断和异常检测准确性的一个必要条件。时序数据模式识别现有方法一般是对数据进行特征提取之后得到特征向量，例如用统计特征、频谱特征、小波特征或者主成分分析方法得到特征向量。然后利用各种分类模型对时序数据模式进行分类识别。例如用k近邻、随机森林、AdaBoost、支持向量机、BP网络(即多层感知器)等分类器对时序特征向量进行分类识别，判定输入向量属于哪一种模式。或者是用皮尔逊相关系数(PearsonCorrelationCoefficient，PCC)、动态时间弯曲(DynamicTimeWarping，DTW)等方法计算两个时间序列模式的相似度，然后根据该相似度再判断是否属于某个模式。近年来，长短期记忆网络(LongShort-TermMemory，LSTM)等循环神经网络(RecurrentNeuralNetwork，RNN)大量用于处理时序数据，也可以进行时序数据模式识别，具有比传统机器学习模型更好精度。卷积神经网络(Convolutionalneuralnetwork，CNN)作为最受欢迎的深度学习模型之一，以其具有自动学习数据特征的优点，也被应用在时间序列领域上。利用CNN解决时间序列分类问题主要有两种方式：(1)使用一维时间序列信号作为输入，调整传统的CNN结构实现分类任务；(2)基于CNN在图像领域的巨大成就，将时间序列一维信号转化为二维图像信号，然后再利用CNN进一步处理。但这些现有方法在进行模型测试的过程中，没有考虑到测试数据中的序列模式存在随机相位偏移的情况。存在随机偏移情况的序列模式利用现有模型并不能得到理想的识别效果。并且现有方法多采用单一通道的网络层，对复杂数据的特征提取效果一般。
技术实现思路
为了克服上述现有技术的缺点，针对卫星遥测时序数据的随机相位偏移问题，本专利技术提供一种准确识别随机相移卫星遥测时序数据模式的方法，用来对卫星遥测时序数据进行检测，提升卫星遥测时序数据模式识别准确性，从而保证自动识别判定卫星参数或者卫星部件、平台的运行状态的准确性，以及卫星故障诊断和异常检测准确性。为了实现上述目的，本专利技术采用的技术方案是：一种准确识别随机相移卫星遥测时序数据模式的方法，包括如下步骤：步骤1，数据预处理，原始时序数据为随机相移卫星遥测时序数据，将其转化为符合神经网络输入规范的形式，即固定时间长度窗口的时序数据，该固定时间长度窗口作为观测窗口；步骤2，建立由多层感知器和多个多通道特征网络层组成的时序数据模式识别模型，将所得固定时间长度窗口的时序数据作为模型输入，分别送入多通道特征网络层的多个通道中，每个通道包含一个卷积核和一个池化结构，将一个多通道特征网络层中多个通道提取的特征整合之后，作为下一个多通道特征网络层的输入，依此类推；步骤3，将最后一个多通道特征网络层提取的特征向量整合，将整合后的特征连接为一维向量，作为多层感知器的输入，多层感知器作为最后的识别分类层，由2个全连接层和softmax输出层组成；步骤4，softmax输出层输出最大值所对应的模式类别就是识别结果。由于所述固定时间长度窗口的时序数据对应不同的待识别模式，不同的识别模式又代表着不同的卫星参数或者卫星部件、平台的运行状态(即一个时序数据模式对应一个卫星参数或者卫星部件、平台的运行状态)，同一个模式在观测窗口内会有不同的时序数据，特别是不同相位偏移的同一个模式在观测窗口内会有不同的时序数据表象，所述方法能够准确识别同一模式在不同相位偏移下的不同时序数据表象，所以提高了判定卫星参数或者卫星部件、平台运行状态的精度。本专利技术中，所述随机相移卫星遥测时序数据按周期性分为平稳的周期性时序数据、有明显趋势的非平稳周期性时序数据以及除此两种之外的其它复杂型时序数据。对于平稳的周期性时序数据，采用滑动固定时间长度窗口的方式划分数据，观测窗口的大小取时间序列一个周期内包含的数据点个数，对数据进行归一化处理，取时序数据的最大值MAX和最小值MIN，将最大值映射为1，最小值映射为0，整个序列映射到[0,1]区间；对于有明显趋势的非平稳周期性时序数据，时序数据整体具有持续上升或者持续下降的趋势，计算时序数据每个数据点的斜率，称为增长率或者下降率，得到斜率的变化周期规律，即斜率序列，对得到的斜率序列进行归一化处理，取斜率序列的最大值和最小值，将最大值映射为1，最小值映射为0，整个序列映射到[0,1]区间；对于除此两种之外的其它复杂型时序数据，采用预先设定长度的时间窗口划分数据，对数据进行归一化处理，取时间序列数据的最大值MAX和最小值MIN，将最大值映射为1，最小值映射为0，整个序列映射到[0,1]区间。优先地，每个所述多通道特征网络层的通道数相同，每个所述多通道特征网络层中，所有通道的池化结构的输出均连接至拼接层，当前多通道特征网络层的拼接层的输出作为下一多通道特征网络层的输入。优先地，每个所述多通道特征网络层中，每个通道的卷积核、池化结构不相同，每个通道堆积不同卷积核以提取不同维度的特征，不同的卷积核代表不同的感受野，在特征整合阶段能够融合不同尺度的特征，从而增加网络对输入数据的适应性。优先地，每个所述多通道特征网络层中的通道数为3，3个通道对应的卷积核大小分别为1×1、1×3、1×5，卷积核数选取32、64、128、256，随着网络的不断加深，卷积核数目逐渐增大，池化结构选择最大池化方法。由于观测窗口的时间相移是随机的，所以一个观测窗口内既可能包含同一模式时序数据，也可能包含两种不同模式的时序数据；如果观测窗口内的时序数据对应同一种模式，则识别结果就为该模式；如果观测窗口内的时序数据对应A、B两种不同模式，且A模式在该窗口内的覆盖率大于70％，则识别结果为A模式，反之，若B模式在该窗口内的覆盖率大于70％，则识别结果为B模式本文档来自技高网...

【技术保护点】
1.一种准确识别随机相移卫星遥测时序数据模式的方法，其特征在于，包括如下步骤：/n步骤1，数据预处理，原始时序数据为随机相移卫星遥测时序数据，将其转化为符合神经网络输入规范的形式，即固定时间长度窗口的时序数据，该固定时间长度窗口作为观测窗口；/n步骤2，建立由多层感知器和多个多通道特征网络层组成的时序数据模式识别模型，将所得固定时间长度窗口的时序数据作为模型输入，分别送入多通道特征网络层的多个通道中，每个通道包含一个卷积核和一个池化结构，将一个多通道特征网络层中多个通道提取的特征整合之后，作为下一个多通道特征网络层的输入，依此类推；/n步骤3，将最后一个多通道特征网络层提取的特征向量整合，将整合后的特征连接为一维向量，作为多层感知器的输入，多层感知器作为最后的识别分类层，由2个全连接层和softmax输出层组成；/n步骤4，softmax输出层输出最大值所对应的模式类别就是识别结果。/n

【技术特征摘要】
1.一种准确识别随机相移卫星遥测时序数据模式的方法，其特征在于，包括如下步骤：
步骤1，数据预处理，原始时序数据为随机相移卫星遥测时序数据，将其转化为符合神经网络输入规范的形式，即固定时间长度窗口的时序数据，该固定时间长度窗口作为观测窗口；
步骤2，建立由多层感知器和多个多通道特征网络层组成的时序数据模式识别模型，将所得固定时间长度窗口的时序数据作为模型输入，分别送入多通道特征网络层的多个通道中，每个通道包含一个卷积核和一个池化结构，将一个多通道特征网络层中多个通道提取的特征整合之后，作为下一个多通道特征网络层的输入，依此类推；
步骤3，将最后一个多通道特征网络层提取的特征向量整合，将整合后的特征连接为一维向量，作为多层感知器的输入，多层感知器作为最后的识别分类层，由2个全连接层和softmax输出层组成；
步骤4，softmax输出层输出最大值所对应的模式类别就是识别结果。


2.根据权利要求1所述准确识别随机相移卫星遥测时序数据模式的方法，其特征在于，所述固定时间长度窗口的时序数据对应不同的待识别模式，不同的识别模式代表着不同的卫星参数或者卫星部件、平台的运行状态，即一个时序数据模式对应一个卫星参数或者卫星部件、平台的运行状态，同一个模式在观测窗口内会有不同的时序数据，不同相位偏移的同一个模式在观测窗口内会有不同的时序数据表象，所述方法能够准确识别同一模式在不同相位偏移下的不同时序数据表象，提高判定卫星参数或者卫星部件、平台运行状态的精度。


3.根据权利要求1所述准确识别随机相移卫星遥测时序数据模式的方法，其特征在于，所述随机相移卫星遥测时序数据按周期性分为平稳的周期性时序数据、有明显趋势的非平稳周期性时序数据以及除此两种之外的其它复杂型时序数据。


4.根据权利要求3所述准确识别随机相移卫星遥测时序数据模式的方法，其特征在于，所述步骤1中，对于平稳的周期性时序数据，采用滑动固定时间长度窗口的方式划分数据，观测窗口的大小取时间序列一个周期内包含的数据点个数，对数据进行归一化处理，取时序数据的最大值MAX和最小值MIN，将最大值映射为1，最小值映射为0，整个序列映射到[0,1]区间；
对于有明显趋势的非平稳周期性时序数据，时序数据整体具有持...

【专利技术属性】
技术研发人员：鲍军鹏，高宇，田欣，李欣宜，张峻华，李肖瑛，傅娜，邢楠，
申请(专利权)人：西安交通大学，中国西安卫星测控中心，
类型：发明
国别省市：陕西;61