滑動窗口模型下的數(shù)據(jù)流自適應異常檢測方法研究.pdf

1、隨著航天技術的不斷發(fā)展,衛(wèi)星運行的發(fā)展趨勢為:長期自主穩(wěn)定運行為主,地面遙控介入為輔。衛(wèi)星在軌遙測數(shù)據(jù)是地面工作人員判斷衛(wèi)星健康狀態(tài)的唯一依據(jù),研究衛(wèi)星在軌運行時最近一段時間內遙測數(shù)據(jù)的異常變化具有重要意義。然而,衛(wèi)星遙測數(shù)據(jù)具有大量、快速、實時的特性,以數(shù)據(jù)流的形式傳輸至地面,傳統(tǒng)的數(shù)據(jù)分析及處理方法無法得到有效應用。而滑動窗口數(shù)據(jù)流模型的研究對象為距離當前時刻最近窗口內的數(shù)據(jù)流,是數(shù)據(jù)流領域的研究熱點,其符合衛(wèi)星遙測數(shù)據(jù)流異常檢測的

2、應用需求。因此本文從衛(wèi)星遙測數(shù)據(jù)流異常檢測背景出發(fā),對滑動窗口模型下的數(shù)據(jù)流異常檢測方法開展研究。
　　首先,面向衛(wèi)星在軌遙測數(shù)據(jù)流在線持續(xù)到達的大量性與計算機內存資源有限的矛盾,開展衛(wèi)星遙測數(shù)據(jù)流概要生成算法研究,針對當前抽樣算法不能綜合反映最近窗口內數(shù)據(jù)信息的問題,提出了基于基本窗口的均勻鏈式抽樣算法(UniformBasic-windowsChainSampling,UBCS),實現(xiàn)了以基本小窗口為單位的抽樣樣本的均勻分布并

3、通過實驗驗證。其次,針對按時間順序到達的單數(shù)據(jù)流中單點異常、連續(xù)異常及聚集異常檢測問題,提出了基于高斯過程回歸(GaussianProcessRegression,GPR)的單數(shù)據(jù)流異常檢測方法,實現(xiàn)了正常數(shù)據(jù)置信區(qū)間的直接輸出,相對于樸素貝葉斯(Na?ve)與多層感知網(wǎng)絡(Multilayerperception,MLP),實驗驗證了其對于單點異常檢測的有效性;再次,針對GPR方法對連續(xù)異常檢測性能不佳的問題,融合UBCS與GPR提出

4、了UBCS_GPR方法,其有效降低了異常數(shù)據(jù)在預測窗口中占有的比重,提高了單數(shù)據(jù)流連續(xù)異常檢測率;此外,對于聚集異常檢測問題,構建基于UBCS_GPR算法的離線模型和在線模型,離線模型確定抽樣比及初始在線模型實現(xiàn)正常模式數(shù)據(jù)的有效建模,在線模型利用其作為輸入并實時更新,以跟蹤數(shù)據(jù)流的變化,公開數(shù)據(jù)集Power與Space驗證了其對于聚集異常檢測的適用性。最后,針對多數(shù)據(jù)流異常檢測問題,將高維相似性度量函數(shù)引入分層聚類方法,提出了HSWS