基于ls-svm的传感器检测数据点异常检测方法
【专利摘要】基于LS-SVM的传感器检测数据点异常检测方法，属于航天器测试数据的异常检测领域。为了解决目前对时间序列数据进行异常检测的方法实时性和有效性差的问题。它包括：一：获取训练数据和测试数据；二：建立LS-SVM预测模型，利用训练数据训练好模型；三：将测试数据中下一时刻输入向量输入模型中，获取下一时刻预测值，求出对应该时刻的真实观测值的估计方差；四：根据预测值和估计方差，确定P置信概率下的置信区间；五：当下一时刻真实观测数据到来时，判断所述真实观测数据是否在置信区间内，若是，标记正常，返回三；若否，标记异常，预测值替换观测真实数据，用替换后时间序列构造之后的输入向量，返回三。它用于航天器测试数据。
【专利说明】基于LS-SVM的传感器检测数据点异常检测方法
【技术领域】
[0001] 本发明涉及航天器测试数据的异常检测领域。
【背景技术】
[0002] 随着国防现代化建设的快速发展和国家安全的迫切需要，对各类航天器的需求不 断增长，并且对航天器功能的完备性和可靠性提出了更高的要求。为了确保此类航天设备 的高可靠和长寿命，在设计、研制、生产、使用、维护的过程中，始终离不开大量的测试工作。 以卫星为例，作为一类大型多功能复杂系统，在一颗卫星诞生、发射、在轨维护的全寿命周 期中，将会有大量的测试数据被记录下来，这些数据往往是以时间序列，特别是多维时间序 列的形式存在。如果能对这些时间序列数据进行科学、有效的分析和处理，发现数据中的异 常，就能为卫星的状态实时监测和健康维护提供依据。随着航天器数量的增加以及设计复 杂度的逐渐提高，故障事件的数量以及故障率也有明显增幅。测试所得的时间序列数据中 的异常与航天器工作模式的变化是否隐含故障演化或潜在故障发生有着密切联系，仅仅通 过传统可靠性工程方法手段，依托专家个人经验的人工分析方法已经难以对数据进行充分 处理，这不仅是信息的浪费，同时也难以满足航天器安全可靠运行对数据挖掘和分析处理 的需求。因此，如何实时、有效的对时间序列数据进行异常检测分析，对航天器工作模式、运 行状况以及健康程度的判断有至关重要的作用。
【发明内容】
[0003] 本发明的目的是为了解决目前对时间序列数据进行异常检测的方法实时性和有 效性差的问题，本发明提供一种基于LS-SVM的传感器检测数据点异常检测方法。
[0004] 本发明的基于LS-SVM的传感器检测数据点异常检测方法，
[0005] 它包括如下步骤：
[0006] 步骤一：对获取的观测数据进行预处理，选取预处理后的前N对输入向量与输出 向量作为训练数据，其余的作为测试数据，所述N为正整数；
[0007] 步骤二：设定模型参数，建立LS-SVM预测模型，利用步骤一所述的训练数据对 LS-SVM预测模型进行训练，获取训练好的预测模型；
[0008] 步骤三：将测试数据中下一时刻的输入向量输入至训练好的预测模型中，获取下 一时刻的预测值，并求出对应该时刻的真实观测值的估计方差；
[0009] 步骤四：根据所步骤三获得的预测值和估计方差，确定在P置信概率下的置信区 间；
[0010] 步骤五：当下一时刻真实观测数据到来时，判断所述下一时刻真实观测数据是否 在步骤四所得的置信区间内，若是，则标记该时刻的真实观测数据为正常，并返回步骤三； 若否，则标记该时刻的真实观测数据为异常，并转入步骤六；
[0011] 步骤六：将步骤三获得的预测值替换观测的真实数据，使用替换后时间序列构造 之后的输入向量，返回步骤三。
[0012] 所述步骤一中，对获取的观测数据进行预处理的方法包括：
[0013] 步骤一一：对观测数据进行相空间重构，获得输入向量与输出向量；
[0014] 步骤一二：利用z-zeros方法对N对输入向量与输出向量进行归一化处理，将所述 输入向量与输出向量归一化至[-ι，ι]范围内。
[0015] 所述LS-SVM预测模型为：
[0016]
【权利要求】
1. 一种基于LS-SVM的传感器检测数据点异常检测方法，其特征在于，它包括如下步 骤： 步骤一：对获取的观测数据进行预处理，选取预处理后的前N对输入向量与输出向量 作为训练数据，其余的作为测试数据，所述N为正整数； 步骤二：设定模型参数，建立LS-SVM预测模型，利用步骤一所述的训练数据对LS-SVM 预测模型进行训练，获取训练好的预测模型； 步骤三：将测试数据中下一时刻的输入向量输入至训练好的预测模型中，获取下一时 刻的预测值，并求出对应该时刻的真实观测值的估计方差； 步骤四：根据所步骤三获得的预测值和估计方差，确定在P置信概率下的置信区间； 步骤五：当下一时刻真实观测数据到来时，判断所述下一时刻真实观测数据是否在步 骤四所得的置信区间内，若是，则标记该时刻的真实观测数据为正常，并返回步骤三；若否， 则标记该时刻的真实观测数据为异常，并转入步骤六； 步骤六：将步骤三获得的预测值替换观测的真实数据，使用替换后时间序列构造之后 的输入向量，返回步骤三。
2. 根据权利要求1所述的基于LS-SVM的传感器检测数据点异常检测方法，其特征在 于， 所述步骤一中，对获取的观测数据进行预处理的方法包括： 步骤一一：对观测数据进行相空间重构，获得输入向量与输出向量； 步骤一二：利用Z-zeros方法对N对输入向量与输出向量进行归一化处理，将所述输入 向量与输出向量归一化至[-ι，ι]范围内。
3. 根据权利要求1或2所述的基于LS-SVM的传感器检测数据点异常检测方法，其特征 在于，所述LS-SVM预测模型为：
其中，K(x, xD为径向基核函数；b为偏差量，β i是拉格朗日乘子β的数组元素，y为 LS-SVM预测模型的输出的预测值，新观测到的数据的观测值Xi e Rn。
4. 根据权利要求3所述的基于LS-SVM的传感器检测数据点异常检测方法，其特征在 于， 步骤四中，根据所步骤三获得的预测值和估计方差，确定在P置信概率下的置信区间 的方法包括： 根据下一时刻预测值八+1和对应该时刻的真实观测值的估计方差在置信概率 p的置信区间为：
其中，ta/iH为根据α查找t分布表所得，a = l-P，!^表示当前时刻。
5. 根据权利要求4所述的基于LS-SVM的传感器检测数据点异常检测方法，其特征在 于，所述置信概率P为99%,此时置信区间为
【文档编号】G06F19/00GK104156615SQ201410422010
【公开日】2014年11月19日 申请日期:2014年8月25日 优先权日:2014年8月25日
【发明者】刘大同, 王少军, 宋歌, 彭宇, 彭喜元 申请人:哈尔滨工业大学