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

本发明专利技术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。本发明专利技术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。确的优点。确的优点。

【技术实现步骤摘要】
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


[0001]本专利技术属于航天器测控
，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。

技术介绍

[0002]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。
[0003]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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，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...

【专利技术属性】
技术研发人员：程承，李海涛，李赞，黄磊，陈少伍，张大伟，
申请(专利权)人：中国人民解放军六三九二一部队，
类型：发明
国别省市：