磁测卫星异常状态智能检测与识别方法技术

本发明专利技术公开一种磁测卫星异常状态智能检测与识别方法，涉及到磁测卫星异常状态检测领域。首先使用仿真软件模拟磁测卫星各种可能的误差类型及分布规律，然后构建深度学习网络，训练神经网络自动提取磁测卫星时序数据特征进行误差类型分类。最终通过注意力网络将异常状态对应的误差分布在时序数据逐点相关性可视化显示，辅助数据处理团队对磁测卫星的数据处理。本发明专利技术将人工智能算法应用于磁测卫星异常状态监控与识别工程实践，能够极大提高磁测卫星的数据处理效率，并且可以应用于其他卫星的数据处理，具有更优的通用性。具有更优的通用性。具有更优的通用性。

【技术实现步骤摘要】
package[J].Earth,Planets and Space,2016,68:1
‑
13.其方法首先是通过卫星载荷仪器设备参数来诊断卫星异常状态，剔除异常数据，比如卫星供电系统，温控系统，磁强计传感器工作状态；然后通过矢量磁强计和标量磁强计数值建立误差模型，通过数学拟合建模降低残差，比如通过建立拟合模型校正太阳光照引起的误差(dB_Sun)，显著提升了磁测卫星载荷数据精度。但是这种方法效率低，稳定性差，高度依赖数据处理团队的工程经验。
[0007]2.Lines J,Taylor S,Bagnall A.Hive
‑
cote:The hierarchical vote collective of transformation
‑
based ensembles for time series classification[C]//2016IEEE 16th international conference on data mining(ICDM).IEEE,2016:1041
‑
1046.中提出HIT本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种磁测卫星异常状态智能检测与识别方法，其特征在于包括如下步骤：S1、通过磁测卫星的工程设计方案，确定磁测卫星仿真器的物理参数；S2、根据磁测卫星仿真器的物理参数，利用仿真平台生成由不同误差源产生的带误差类型标签的磁测卫星异常时序数据集D；S3、利用多个一维卷积块叠加构成深度神经网络，并将多个输出信息融合，然后使用多层全连接层构建针对多变量一维时序数据的深度学习网络；S4、将S2生成的带误差类型标签的磁测卫星异常时序数据集D，输入到S3构建的深度学习网络，将不同卷积核匹配的时间序列异常状态特征在训练数据集中建立与标签的对应关系，检测提取磁测卫星时间序列采样数据特征，匹配潜在的属于同一异常状态特征的序列；S5、利用S4训练得到的深度学习网络所构建的异常状态信息与误差类型标签的对应关系，通过注意力网络对某个异常状态向量，即查询向量q与训练数据集D逐个向量D
i
计算注意力分布α
i
，最后通过选择机制对输入信息汇总，实现任意时间序列数据异常状态的监测与识别；其中带参数的注意力汇聚机制表示为如下关系：上式z∈[1,N]表示被选择的索引位置，s表示注意力打分函数，用点积模型表示为exp表示以自然常数e为底的指数函数；根据查询q使用上述的注意力权重机制绘制智能化诊断系统注意力分布函数，并将注意力网络表示为通过注意力网络与查询向量的点积运算，绘制智能化诊断系统中每个时间序列点与该序列误差类型的相关关系。2.根据权利要求1所述的磁测卫星异常状态智能检测与识别方法，其特征在于，步骤S2中利用仿真平台生成由不同误差源产生的带误差类型标签的磁测卫星异常时序数据集D的具体方法为：首先根据磁测卫星仿真器的参数，利用仿真平台生成某单个误差源造成的带误差的时间序列数据X，X＝[X1,X2,
…

【专利技术属性】
技术研发人员：李希之，李力刚，成剑霞，唐凯，王娅冰，孔大力，
申请(专利权)人：中国科学院上海天文台，
类型：发明
国别省市：