一种基于聚类的卫星遥测数据序列异常检测方法

　　1.一种基于聚类的卫星遥测数据序列异常检测方法，其特征在于，包括以下步骤：

　　S1：将正常的卫星遥测数据制成包含M个遥测变量的数据表，数据按时间序列排列；

　　S3：将M维遥测数据生成N(N＝M‑T)个重叠的数据序列，T为每个数据序列的长度，即每

　　S5：利用训练数据的训练误差，拟合一元高斯分布N(μ′,σ′)，基于聚类预测和高斯分布

　　2.根据权利要求1所述的一种基于聚类的卫星遥测数据序列异常检测方法，其特征在

　　对每个训练数据，i＝1,…,N，基于欧几里得距离计算其距离每个聚类中心的距离d

　　3.根据权利要求1所述的一种基于聚类的卫星遥测数据序列异常检测方法，其特征在

　　变为另一种模式，如光照季模式和地影季模式的相互切换。然而，当异常发生时，卫星系统

　　将在未知的故障模式下工作。异常从数据模式上可划分为点异常和序列异常。相对于单个

　　数据点的异常，序列异常通常是指某个数据序列出现异常，而单取出其中任何一个点无法

　　判定异常。卫星遥测数据中存在典型的序列异常。本发明利用基于欧几里得距离的聚类对

　　卫星时间序列遥测数据进行序列异常检测，该方法是一种无监督学习方法。该方法可对按

　　时间窗口划分好的正常序列数据进行聚类学习，然后对新的数据通过距离计算实现序列异

　　S1：将正常的卫星遥测数据制成包含M个遥测变量的数据表，数据按时间序列排排

　　S3：将M维遥测数据生成N(N＝M‑T)个重叠的数据序列，T为每个数据序列的长度，

　　S5：利用训练数据的训练误差，拟合一元高斯分布N(μ′，σ′)，基于聚类预测和高斯

　　对每个训练数据，i＝1，…，N，基于欧几里得距离计算其距离每个聚类中心的距离

　　1、本申请利用一种机器学习方法，对卫星时间序列遥测数据进行基于距离的聚类

　　分析，自动学习正常遥测数据中常见的卫星操作模式。通过对异常操作模式进行检测，发现

　　卫星遥测数据中存在的序列异常。该方法避免了传统卫星故障诊断方法需要对所有要检测

　　2、本申请可有效检测未知故障模式，解决了传统阈值方法无法检测不超限异常的

　　整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于

　　本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它

　　S1：将正常的卫星遥测数据制成包含M个遥测变量的数据表，数据按时间序列排排

　　S3：将M维遥测数据生成N(N＝M‑T)个重叠的数据序列，T为每个数据序列的长度，

　　S5：利用训练数据的训练误差，拟合一元高斯分布N(μ′，σ′)，基于聚类预测和高斯

　　对每个训练数据，i＝1，…，N，基于欧几里得距离计算其距离每个聚类中心的距离

　　析，自动学习正常遥测数据中常见的卫星操作模式。通过对异常操作模式进行检测，发现卫

　　星遥测数据中存在的序列异常。该方法避免了传统卫星故障诊断方法需要对所有要检测参

　　数进行阈值设定的限制，并且本方法可有效检测未知故障模式，解决了传统阈值方法无法

　　检测不超限异常的问题，解决了传统故障诊断方法只能检测已知故障模式的问题。

　　例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可

　　以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限

　　制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的