[发明专利]基于集成学习的空间有效载荷数据流在线异常检测方法

权利要求书

1.一种基于集成学习的空间有效载荷数据流在线异常检测方法，其特征在于，包括如下步骤：

S1，构建和初始化HTM网络弱学习器模型和LSTM网络弱学习器模型；

S2，利用HTM网络弱学习器模型和LSTM网络弱学习器模型构建基于Bagging和Stacking算法的集成学习框架；

S3，在集成学习框架中，通过n次随机采样获得n个采样集，利用n个采样集对LSTM网络弱学习器模型迭代训练，获得n个独立的LSTM基模型，并通过均值计算对n个独立的LSTM基模型进行集成，得到集成LSTM模型；

S4，空间有效载荷数据流作为集成LSTM模型的输入数据实时获得预测结果；同时空间有效载荷数据流作为HTM网络弱学习器模型的输入，实时获得预测结果；

S5，将集成LSTM模型和HTM网络弱学习器模型的输出结果作为Stacking学习器的输入，Stacking学习器对多模型预测结果进行融合，获得最优预测值；

S6，统计预测值和真实值间的偏差，获得空间有效载荷数据流的异常程度，从而实时评价航天设备的运行状态，挖掘和检测航天设备的潜在异常并采取相应处置措施。

2.根据权利要求1所述的基于集成学习的空间有效载荷数据流在线异常检测方法，其特征在于，S4中，所述空间有效载荷数据流作为集成LSTM模型的输入数据实时获得预测结果中通过均值计算获得集成LSTM模型的预测结果，具体为：

LSTM网络弱学习器模型利用循环深度网络结构，提取复杂空间有效载荷数据流的关联和时变特征，通过数据流上下文持续输入自循环迭代网络权重并获得稳定收敛的网络模型，获得预测结果。

3.根据权利要求1所述的基于集成学习的空间有效载荷数据流在线异常检测方法，其特征在于，S4中，所述同时空间有效载荷数据流作为HTM网络弱学习器模型的输入，实时获得预测结果，具体为：

HTM网络弱学习器模型利用网络本身的层次组织结构，实时存储和记忆稀疏分布表征后的空间有效载荷数据流，通过自适应地学习有效载荷数据流时变特性和持续地上下文预测，获得无标签、样本失衡和概念漂移数据流的在线异常检测结果。

4.根据权利要求1所述的基于集成学习的空间有效载荷数据流在线异常检测方法，其特征在于，S5中，所述Stacking学习器对多模型预测结果进行融合，具体为Stacking学习器运用Logistic回归法对多模型预测结果进行融合。