一种基于迁移学习的遥测数据异常检测方法

作     者：陈俊夫 皮德常 张强 CHEN Jun-fu;PI De-chang;ZHANG Qiang

作者机构：南京航空航天大学计算机科学与技术学院南京211106 北京航天飞行控制中心北京100094 

出 版 物：《宇航学报》 (Journal of Astronautics)

年 卷 期：2021年第42卷第4期

页      面：522-530页

核心收录：

学科分类：08[工学] 0825[工学-航空宇航科学与技术] 

基　　金：国家自然科学基金(U1433116) 南京航空航天大学研究生创新基地(实验室)开放基金(kfjj20191603) 

主　　题：卫星遥测数据 迁移学习 深度学习 异常检测 

摘      要：为解决卫星遥测数据异常检测面临的数据不平衡且缺乏有标签样本的问题,提出一种基于一维卷积神经网络(1dCNN)迁移学习的异常检测方法。首先利用源域卫星的遥测数据对1dCNN进行预训练,使得模型的卷积层具有卫星状态特征的提取能力;然后将训练好的模型迁移到缺乏标签数据的目标域卫星中;利用目标域有标签样本对预训练模型进行微调,从而实现了对目标域测试集样本的异常检测。为了使1dCNN能够适应遥测数据样本的不平衡性,引入了代价敏感训练策略,建立动态损失函数,从而提升代价敏感一维卷积神经网络(cs-1dCNN)对于异常样本的识别能力。以某两个卫星的电源分系统遥测数据进行了验证,实验结果表明该异常检测迁移方法具有较好的有效性和鲁棒性。