一種基于生成對抗網絡的航天異常事件檢測方法技術

本發明專利技術涉及一種基于生成對抗網絡的航天異常事件檢測方法。利用正生成對抗網絡模擬生成正常事件樣本，同時利用反生成對抗網絡模擬生成異常事件樣本；通過設計合理的算法利用檢測器計算輸入事件與正生成器生成的模擬正常事件，以及與反生成器生成的模擬異常事件的重構誤差，求出異常分，按照異常分大小，大于閾值時判定為異常事件檢出；對樣本稀少、復雜多變、無法準確觀察到的航天異常事件實現無監督異常事件檢測，開展航天常態化事故預防和異常事件提前預警。本發明專利技術屬于人工智能技術領域，可應用于使用生成對抗網絡異常事件檢測及故障診斷的航天分系統及部件設計。

【技術實現步驟摘要】
一種基于生成對抗網絡的航天異常事件檢測方法
本專利技術涉及一種基于生成對抗網絡的航天異常事件檢測方法，適用于采用GAN作為航天異常事件檢測及故障診斷的航天分系統及部(器)件設計。技術背景由于航天領域環境復雜、技術難、風險高、投入大，航天異常事件及故障具有不確定性、發展性和分散性等典型特性。故障預警和異常事件檢測成為保障、維護航天安全的關鍵。異常事件檢測傳統方法主要包括信號分析、信息熵、統計分析和聚類等。信號分析主要用于時域信號有關異常檢測，優點是無監督，不需要標記樣本，困難在于正常、異常邊界難以明確定義。信息熵用于稱量信息、事件的無序程度，多用于對網絡流量、信號異常檢測，優點是無監督，不需要標記樣本，不足是需要嚴謹的信息論方法。統計分析法是基于數據的經驗分布進行異常檢測，優點在于無監督，可以對任意分布數據進行異常檢測，問題在于現實中數據不一定符合某種分布，檢測結果不確定。聚類方法假設稀疏樣本或遠離正常樣本的數據為異常樣本。優點是識別精度較高，缺點是需要標記數據，對于未搜集到的正常樣本會產生誤報。隨著深度神經網絡技術的發展，國際上開始采用卷積網絡、自動編碼器、生成對抗網絡等方法開展異常事件檢測研究。但還存在需要進行數據標記、精度不夠高等問題。JinwonAn等人提出基于變分自動編碼器(簡稱VAE)使用重構概率進行異常檢測，但存在部分關鍵性能不佳問題。自從Goodfellow等人提出生成對抗網絡(GenertiveAdversityNetworks，簡稱GAN)以來，被迅速用于聲音、圖像處理，數據增強和事件檢測方面。ThomasSchlegl等人開展GAN無監督異常監測，進行醫學圖像異常病變診斷標記研究。HoussamZenati等人從事基于GAN的有效異常檢測研究。由于GAN是一種新型的深度學習模型，同時訓練捕獲數據分布的生成模型G，和估計樣本來自訓練數據概率的判別模型D。G的訓練程序是將D錯誤的概率最大化，使得G重現訓練數據分布。因此通過設計正反生成對抗網絡，在只有正常事件的條件下，同時模擬重現正常事件和異常事件的分布，具備良好的適應性和靈活性。
技術實現思路
本專利技術的技術解決問題是：針對航天環境復雜、技術難度大，風險高，安全可靠性要求苛刻，訓練用異常事件極少甚至沒有，故障診斷和維護保障困難。提出一種基于生成對抗網絡的航天異常事件檢測模型。開拓生成對抗網絡使用方式，使用正生成器模擬生成正常事件樣本，同時利用反生成器模擬生成異常事件樣本，設計合理算法訓練測試，通過計算輸入事件與正生成器生成的模擬正常事件，以及與反生成器生成的模擬異常事件距離差，實現航天異常事件精確檢測，預防航天事故，保障航天系統安全。既拓展了故障診斷和維修保障方式，又是航天安全保障的一種全新技術途徑。本專利技術的技術解決方案：一種基于生成對抗網絡的航天異常事件檢測的方法，其特征在于：利用正生成對抗網絡模擬生成正常事件樣本，同時利用反生成對抗網絡模擬生成異常事件樣本，具體包括以下步驟：(1)考慮航天異常事件檢測，使用正生成對抗網絡進行模擬生成正常事件樣本訓練輸入正常事件進行正生成對抗網絡訓練：輸入正常事件樣本{x(1),······,x(N)}輸入隨機變量樣本{z(1),······,z(N)}更新參數使判決器隨梯度上升方向優化:更新參數使正生成器隨剃度下降方向優化:其中，Dn代表判決器，Gn代表正生成器，Θd代表判決器參數，是自變量，Dn(x(i))代表判決器輸入x(i)時的輸出，Gn(z(i))代表正生成器的輸出，Dn(Gn(z(i)))代表輸入為正生成器的輸出時，判決器的輸出，V(Dn,Gn,Θd)代表隨判決器、正生成器參數變化的函數，是因變量，也是要優化的目標函數，是對目標函數V(Dn,Gn,Θd)自變量Θd求偏導數(梯度)代表目標函數在某一點隨自變量Θd正方向的變化率，η是學習因子，調整梯度變化的大小；Θg代表正生成器參數，是自變量，V(Dn,Gn,Θg)代表隨判決器、正生成器參數變化的函數，是因變量，也是要優化的目標函數；是對目標函數V(Dn,Gn,Θg)自變量Θg求偏導數(梯度)代表目標函數在某一點隨自變量Θg正方向的變化率；(2)考慮航天異常事件檢測，使用反生成對抗網絡進行模擬生成異常事件樣本訓練輸入正常事件進行反生成對抗網絡訓練：輸入正常事件樣本{x(1),······,x(N)}輸入隨機變量樣本{z(1),······,z(N)}更新參數使判決器隨梯度上升方向優化：更新參數使反生成器隨剃度下降方向優化：其中，Da代表判決器，Ga代表反生成器，Da(x(i))代表判決器輸入x(i)時的輸出，Ga(z(i))代表反生成器的輸出，Da(Ga(z(i)))代表輸入為反生成器的輸出時，判決器的輸出，V(Da,Ga,Θd)代表隨判決器、反生成器參數變化的函數，是因變量，也是待優化的目標函數，是對目標函數V(Da,Ga,Θd)自變量Θd求偏導數(梯度)代表目標函數在某一點隨自變量Θd正方向的變化率；V(Da,Ga,Θg)代表隨判決器、反生成器參數變化的函數，是因變量，也是待優化的目標函數，是對目標函數V(Da,Ga,Θg)自變量Θg求偏導數(梯度)代表目標函數在某一點隨自變量Θg正方向的變化率；(3)航天異常事件檢測采用檢測器計算異常分A(x,Θ)：輸入測試事件樣本{x(1),······,x(N)}輸入隨機變量樣本{z(1),······,z(N)}計算輸入向量與模擬正常事件誤差An(x,Θ):An(x,Θ)＝||x-Gn(z)||2計算輸入向量與模擬異常事件誤差Aa(x,Θ):Aa(x,Θ)＝||x-Ga(z)||2計算異常分A(x,Θ)：A(x,Θ)＝An(x,Θ)-Aa(x,Θ)如果異常分大于門限閾值φ，結果判為異常事件檢出，否則判為正常事件。在上述的一種基于反生成對抗網絡的航天異常事件檢測方法中，利用生成對抗和拒絕抽樣原理，輸入正常事件，訓練反生成器生成模擬異常事件樣本，具體包括以下步驟：(1)考慮航天異常事件檢測，對反生成對抗網絡的判決器進行訓練：輸入正常事件樣本{x(1),······,x(N)}輸入隨機變量樣本{z(1),······,z(N)}更新參數使判決器隨梯度上升方向優化:其中調整梯度變化的大小，梯度上升就是沿著梯度變化最快的正方向，故求偏導確定大小后相加；(2)考慮航天異常事件檢測，對反生成對抗網絡的反生成器進行訓練：輸入正常事件樣本{x(1),······,x(N)}輸入隨機變量樣本{z(1),······,z(N)}更新參數使反生成器隨剃度下降方向優化:其中梯度下降就是沿著梯度變化最快的反方向，故求偏導確定大小后相減。本專利技術的結構原理框圖如下圖1所示。GAN結構由一個生成器和一個判決器構成。生成器輸入隨機變量，通過捕獲真實數據樣本潛在分布，生成新的假數據樣本。判決器是一個二分類器，判別輸入是真實數據還是生成的假數據樣本。生成器輸入隨機變量z，G(z)為由生成器生成的盡量服從真實數據分布的假數據。判決器輸入真實數據z或生成器生成的假數據D(x(i))，輸出真假數據概率。生成器的目的是盡量去學習真實的數據分布，而判決器的目的是盡量正確判別輸人數據是來自真實數據還是來自生成器生成的假數據。實現生成器和判本文檔來自技高網...

【技術保護點】
1.一種基于生成對抗網絡的航天異常事件檢測方法，其特征在于：利用正生成對抗網絡模擬生成正常事件樣本，同時利用反生成對抗網絡模擬生成異常事件樣本，具體包括以下步驟：(1)考慮航天異常事件檢測，使用正生成對抗網絡進行模擬生成正常事件樣本訓練輸入正常事件進行正生成對抗網絡訓練：輸入正常事件樣本{x(1),······,x(N)}輸入隨機變量樣本{z(1),······,z(N)}更新參數使判決器隨梯度上升方向優化:

【技術特征摘要】
1.一種基于生成對抗網絡的航天異常事件檢測方法，其特征在于：利用正生成對抗網絡模擬生成正常事件樣本，同時利用反生成對抗網絡模擬生成異常事件樣本，具體包括以下步驟：(1)考慮航天異常事件檢測，使用正生成對抗網絡進行模擬生成正常事件樣本訓練輸入正常事件進行正生成對抗網絡訓練：輸入正常事件樣本{x(1),······,x(N)}輸入隨機變量樣本{z(1),······,z(N)}更新參數使判決器隨梯度上升方向優化:Θd←Θd+η▽V(Dn,Gn,Θd)更新參數使正生成器隨剃度下降方向優化:Θg←Θg-η▽V(Dn,Gn,Θg)其中，Dn代表判決器，Gn代表正生成器，Θd代表判決器參數，是自變量，Dn(x(i))代表判決器輸入x(i)時的輸出，Gn(z(i))代表正生成器的輸出，Dn(Gn(z(i)))代表輸入為正生成器的輸出時，判決器的輸出，V(Dn,Gn,Θd)代表隨判決器、正生成器參數變化的函數，是因變量，也是要優化的目標函數，▽V(Dn,Gn,Θd)是對目標函數V(Dn,Gn,Θd)自變量Θd求偏導數代表目標函數在某一點隨自變量Θd正方向的變化率，η是學習因子，調整梯度變化的大小；Θg代表正生成器參數，是自變量，V(Dn,Gn,Θg)代表隨判決器、正生成器參數變化的函數，是因變量，也是要優化的目標函數；▽V(Dn,Gn,Θg)是對目標函數V(Dn,Gn,Θg)自變量Θg求偏導數代表目標函數在某一點隨自變量Θg正方向的變化率；(2)考慮航天異常事件檢測，使用反生成對抗網絡進行模擬生成異常事件樣本訓練輸入正常事件進行反生成對抗網絡訓練：輸入正常事件樣本{x(1),······,x(N)}輸入隨機變量樣本{z(1),······,z(N)}更新參數使判決器隨梯度上升方向優化:Θd←Θd+η▽V(Da,Ga,Θd)更新參數使反生成器隨剃度下降方向優化:Θg←Θg-η▽V(Da,Ga,Θg)其中，Da代表判決器，Ga代表反生成器，Da(x(i))代表判決器輸入x(i)時的輸出，Ga(z(i))代表反生成器的輸出，Da(Ga(z...

【專利技術屬性】
技術研發人員：任元，張克明，蔡遠文，陳曉岑，王衛杰，吳昊，王麗芬，李磊，滿萬鑫，
申請(專利權)人：任元，
類型：發明
國別省市：北京,11