一种在线飞行器多源电信号监测与融合决策识别方法技术

本发明专利技术涉及一种在线飞行器多源电信号监测与融合决策识别方法。包括：当飞行器信号要进行多源电信号监测识别时(101)，进行数据采集，并放入数据库(102)，判断此时是否多源传感器的数据都已完成收集(103)，若还未完成，对数据进行预处理(104)，提取时序特征(105)，得到基本置信分配(106)。若完成所有传感器数据收集，则进行状态属性决策融合(107)，最后完成健康状态判别(108)。本发明专利技术采用多源传感器数据监测和融合决策，相比单一传感器提升了置信度，提高了健康判读的准确性。提高了健康判读的准确性。提高了健康判读的准确性。

【技术实现步骤摘要】
一种在线飞行器多源电信号监测与融合决策识别方法


[0001]本专利技术涉及一种在线飞行器多源电信号监测与融合决策识别方法。

技术介绍

[0002]飞行器电信号监测系统的识别与健康状态判读是航天探测器领域的关键问题。航天探测器电子负载系统作为开放的非线性时变系统，具有复杂和不确定的系统结构。在系统中，常见的信号包括滚动、俯仰、偏航等，而这些信号的突变经常发生。因此，当系统发生故障时，导致事故的原因往往交织在一起。如果没有可靠的信息来源和分析方法，仅凭假设和推测，难以准确判断故障的起因。

技术实现思路

[0003]针对现有技术的上述问题，本专利技术提供了一种在线飞行器多源电信号监测与融合决策识别方法，包括：
[0004]A1)进行数据采集，并放入数据库，
[0005]A2)判断是否多源传感器的数据都已完成采集，其中：
[0006]若还未完成，进行数据预处理，提取时序特征，得到基本置信分配，
[0007]若已完成所有传感器数据收集，则进行状态属性决策融合，之后进行到步骤A3，
[0008]A3)进行健康状态判别，
[0009]其中：
[0010]所述数据预处理包括：
[0011]B1)先进行数字滤波，将噪声去除，增加判别的准确性，
[0012]B2)随后进行降采样，保证算法的速度，
[0013]B3)之后进行电信号事件捕获，固定窗函数的长度并统一标准，
[0014]所述步骤A3包括：
[0015]A31)先进行单信息源健康状态评估，
[0016]A32)得到单信息源健康指数，
[0017]A33)进行判断，其中：
[0018]若存在严重超限，分析可能的原因，避免湮灭，
[0019]若不存在严重超限，则完成所有信息源健康评估并得到健康指数，A34)完成健康状态预测。
附图说明
[0020]图1显示了根据本专利技术的一种在线飞行器多源电信号监测与融合决策识别方法流程图，
[0021]图2显示了根据本专利技术的一种在线飞行器多源电信号监测与融合决策识别方法中的数据预处理的流程图，
[0022]图3显示了根据本专利技术的一种在线飞行器多源电信号监测与融合决策识别方法中的健康判别的流程图。
具体实施方式
[0023]根据本专利技术的一个方面，提供了一种在线飞行器多源电信号监测与融合决策识别方法，其特征在于包括：
[0024]数据预处理模块；
[0025]RVM分类模型；
[0026]状态属性决策融合模块；
[0027](1)数据预处理模块
[0028]数据预处理模块主要包括三个部分，分别是：降采样，数字滤波，电信号事件捕获。
[0029]a)数字滤波模块与降采样模块设计
[0030]为了提高分析算法的速度与准确性，在对采集数据进行判别前将进行数字滤波与降采样处理。数字滤波将噪声去除，增加判别的准确性。同时，针对不同的数据量，采取不同的降采样设置，以保证分析算法的速度。
[0031]b)电信号事件捕获方法
[0032]由于原始采样数据内含有大量的无用数据，同时为了实现对比分析，必须使得所输入数据的起始点对齐。因此采用航天探测器电信号事件捕获的方式对原始数据进行预处理，只有在捕获到事件发生时，才对所捕获事件进行分析对比，同时统一了事件的时间起始点，使得数据起始点对齐。
[0033](2)RVM分类模型
[0034]在一般有监督学习过程中，给出训练样本集包括输入向量和与之相对应的目标估计函数t
n
＝f(x
n
)，通过训练样本集的“学习”，建立x
n
和t
n
之间的关系模型，以预测新输入向量x
*
的未知目标t
*
＝f(x
*
)。其中t
n
∈{0，1}为分类号。预测函数f可通过定义在输入空间中核函数的线性组合实现，
[0035][0036]式中，核函数为K(
·
，
·
)，权重系数为对RVM进行训练的最终目的是估计出核函数最适合的权重系数ω，同时RVM还能给出属于某一类t
*
的后验概率。
[0037]对于二元分类问题，统计学上习惯使y(x)服从sigmoid函数。
[0038][0039]不同于回归问题，分类不存在数据噪声。样本集的似然函数服从伯努利分布：
[0040][0041]从SVM最小化结构风险的原则中我们可以得出结论，若对于权重系数不采取任何约束而直接将式(2
‑
61)最大化会造成过拟和严重的后果。因此为使RVM的泛化能力进一步
提升，其为所有权重系数ω定义了Gauss先验概率分布：
[0042][0043]式中的α＝(α0，α1，
…
，α
N
)
T
为一超参数，其作用是通过确定ω的先验分布以实现对所有权值偏离其均值允许程度的控制。
[0044]参数ω和α的后验概率可表示为：
[0045]p(ω，α|t)＝p(ω|t，α)p(α|t)
[0046]ω的p(ω|t，α)后验概率运用Bayes准则可进行如下分解：
[0047][0048]因为式(2
‑
64)中的p(t|ω)不服从标准的Gauss分布，所以不能采用RVM进行预测时权值估计的方法。故通过Laplace方法找出ω的最大值，而这个寻找过程则需要进行反复地估计。采用delta函数进行近似的求解，即在p(ω|t，α)的最大值处取ω
MP
：
[0049][0050]p(t|ω)与p(ω|α)分布已知，可得到：
[0051][0052]其中，A＝diag(α0，α1，
…
，α
N
)；y
i
＝σ{y(x
i
，ω)}。
[0053]对于ω与α的最优估计可进行下述三个迭代步骤：
[0054](a)固定α，运用最大后验概率的方法对权重ω最大值进行估计：
[0055]Δω＝
‑
H
‑1g，ω
MP
＝ω
MP
+Δω
[0056]其中：g＝Φ
T
(t
‑
y)
‑
Aω；H＝
‑
(Φ
T
BΦ+A)；y＝[y1，y2，
…
，y
N
]T
。
[0057]B＝diag(y1(1
‑
y1)，y2(1
‑
y2)，
…
，y
N
(1
‑
y
N
))
[0058]Φ＝(K(x，x1)，K(x，x2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种在线飞行器多源电信号监测与融合决策识别方法，其特征在于包括：A1)进行数据采集，并放入数据库(102)，A2)判断是否多源传感器的数据都已完成采集(103)，其中：若还未完成，进行数据预处理(104)，提取时序特征(105)，得到基本置信分配(106)，若已完成所有传感器数据收集，则进行状态属性决策融合(107)，之后进行到步骤A3，A3)进行健康状态判别(108)，其中：所述数据预处理包括：B1)先进行数字滤波(202)，将噪声去...

【专利技术属性】
技术研发人员：李可，陈家骜，武昊鹏，李鹏蛟，阚艳，庞丽萍，杨顺昆，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：