[发明专利]一种基于相关团划分的航天器遥测数据多参数异常检测方法

权利要求书

1.一种基于相关团划分的航天器遥测数据多参数异常检测方法，包括下列步骤：

首先，使用最大互信息系数计算各参数之间的相关程度，形成相关系数矩阵，将其转化为可视化的有权无向图结构，建立相关图；具体包括如下步骤：

步骤一：选取相关性指标；采用所述最大互信息系数进行遥测参数之间的相关程度计算；

步骤二：构建相关系数矩阵；采用minepy开源包中的MINE算法实现最小互信息的网格划分，对M维遥测参数计算最大互信息系数相关系数，获得相关系数矩阵；

步骤三：建立相关图；对所述相关系数矩阵中的元素通过门限滤除不相关的相关关系，仅对超出阈值的相关系数建立边，并将对应的相关系数的绝对值设置为相关图中边权值；

其次，采用相关团划分的方法，利用剪枝算法划分相关团，筛选具有高度相关性的参数，使复杂的相关图变为相关结构简单、可解释性更强的若干相关团，达到数据降维和特征提取的目的；

将相关图划分为相关团，具体步骤如下：

1)将相关图G_r中的所有结点放入数组NodesToAggregate中，代表尚未形成团的结点；

2)若NodesToAggregate为空，所有结点均已划分完毕，相关团划分算法结束，返回相关团划分结果C；

3)将使用数组visit标记G_r中结点是否被遍历，初始化将visit内所有结点标记为未遍历；

4)初始化集合C_unpruned为空，用于存储未经过剪枝操作的相关团；

5)分别以NodesToAggregate数组中的结点为源结点，进行广度优先遍历所有的visit标记为未遍历的结点，在遍历过程中同时将已经遍历到的结点在visit中标记为已经遍历，遍历的结果以待剪枝团的形式及所有已被遍历到的点以单点的形式存入C_unpruned中；

6)清空NodesToAggregate；

7)对C_unpruned中的所有待剪枝的相关团进行剪枝，将剪枝操作获取的相关团存入最终划分结果C中，将剪枝获取的散点存入NodesToAggregate；

8)转到步骤2)进行下一轮的相关团划分；

所述剪枝算法的算法流程如下：

(1)用S代表剪枝操作剪下的散点，初始化为空；

(2)用C_i代表剪枝后的相关团，初始化为C_unpruned中的一个未剪枝的相关团；

(3)获取C_i中最小度的结点n_mind；

(4)若n_mind的度小于当前C_i中的结点数目，则从C_i中删除n_mind，并将其加入散点集S，返回步骤(3)；否则结束算法，返回当前的C_i与S；

最后，使用自动编码器作为基本模型，利用异常序列定位方法，设计了基于重构偏差的异常检测算法，实现多参数异常情况下的精准定位。

2.根据权利要求1所述的基于相关团划分的航天器遥测数据多参数异常检测方法，其特征在于：针对航天器海量遥测数据，使用最大互信息系数分析各参数关联关系，从而建立相关图。

3.根据权利要求1所述的基于相关团划分的航天器遥测数据多参数异常检测方法，其特征在于：采用相关团划分的方法，设计相关特征的提取算法，将划分的相关参数分成单维或者多维的检测组，达到降维的目的。

4.根据权利要求1所述的基于相关团划分的航天器遥测数据多参数异常检测方法，其特征在于：设计自适应确定阈值算法，达到动态调整异常阈值的目的。

5.根据权利要求1所述的基于相关团划分的航天器遥测数据多参数异常检测方法，其特征在于：设计异常序列定位算法，将子序列按照异常程度排序，实现多参数异常情况下的定位。