成功案例
加速工程及科技創新，讓智能裝備的設計研發更簡單高效
論文丨基于噪聲元學習的衛星遙測信號異常檢測方法
一、基本信息：
研究方向：飛行器狀態智能感知與決策
發表于飛行器制導與控制
二、論文內容簡介
針對衛星遙測數據先驗知識稀缺、常規數據驅動的異常檢測方法難以準確辨識異常狀態的問題，提出了一種基于元學習與動態放縮閾值法的衛星遙測信號異常檢測算法。首先，通過元學習算法求解一組具備快速適應小樣本任務能力的長短期記憶神經網絡初始參數，并在訓練過程中為網絡權重添加噪聲，進一步提升模型泛化性能。其次，采用動態放縮閾值法分析預測誤差序列，劃定動態變化的異常閾值，標記異常點索引以實現衛星遙測數據異常檢測。最后，通過衛星遙測信號算例驗證算法在提升衛星異常檢測性能的有效性。
三、研究背景
衛星作為一項復雜系統工程，被廣泛應用于包括導航、通信、資源勘探在內的各類軍事及民用項目中。隨著現代衛星技術不斷向結構復雜化、功能多樣化方向發展，其在軌異常情況與故障問題的發生也愈發頻繁。因此，及時有效地檢測衛星異常并采取相應措施對提升在軌衛星可靠性、保障國家財產安全具有重要意義。
衛星在軌運行期間，遙測系統將傳感器測量數據傳輸到地面遙測中心，監測遙測數據是診斷衛星健康狀況的重要途經。近年來，基于數據驅動的異常檢測方法由于無需大量先驗知識且具有識別未知異常模式的潛力受到廣泛關注，并被應用到衛星遙測數據異常檢測任務中。部分學者研究如何利用少量的有標注數據，驅動算法精準預測衛星遙測信號，并根據預測值偏差程度診斷衛星健康狀況，元學習不要求先驗任務與目標任務間存在強相互關聯，因而在小樣本異常檢測領域備受關注。
四、創新內容與工程應用價值
針對已有的數據驅動的遙測數據異常檢測算法無法滿足稀疏標簽場景下異常檢測需求的問題，提出一種基于改進MAML策略與動態放縮閾值的小樣本衛星異常檢測方法。通過在公開的衛星遙測信號數據集與實驗室衛星姿軌半實物仿真平臺收集的衛星飛輪轉速數據集上進行實驗并與已有方法對比，結果表明本文方法具有較強泛化性能，能夠有效提升小樣本衛星遙測數據異常檢測效果。
五、基于靈思創奇設備
采用靈思創奇公司開發的衛星姿軌半實物仿真平臺仿真收集的衛星飛輪轉速數據作為算法訓練與測試數據集進行仿真校驗，通過與DNN、LSTM神經網絡以及M-LSTM算法進行對比，檢驗M-LSTM-AN算法針對小樣本遙測數據的學習能力；通過與傳統窗口閾值法對比，驗證動態放縮的閾值劃定方法的異常檢測性能。
