[发明专利]一种基于贝叶斯神经网络的卫星异常检测方法

权利要求书

1.一种基于贝叶斯神经网络的卫星遥测数据异常检测方法，其主要特征包括如下步骤：

(1)建立长短时记忆神经网络：长短时神经网络其能够在输入和输出序列之间的映射过程中利用上下文相关信息，能够学习卫星遥测数据中蕴含的长期依赖关系；

(2)使用蒙特卡洛dropout技术实现贝叶斯长短时记忆神经网络：贝叶斯LSTM中使用dropout进行近似推理。dropout是一种从模型的后验分布中获取样本的方法。该技术与贝叶斯神经网络中贝努利分布在网络权值上的变分推断相联系；

(3)计算检测结果的不确定性：卫星异常检测实际上是一种分类问题，将卫星时序数据分为正常和异常两类。本发明引入了两种不确定性度量标准。

(4)对具有高不确定性样本进行检验：具有高不确定性的分类结果的样本，往往是因为在该权重分布下，神经网络无法对该样本进行准确判断。本发明设计一种基于变分自编码器的无监督检测方案。

2.根据权利要求1基于贝叶斯神经网络的卫星遥测数据异常检测方法，其特征在于，步骤(1)建立长短时记忆神经网络，其实现方法包括：

LSTM中保存的历史信息受输入门、遗忘门和输出控制门控制。X是输入数据，h是LSTM的单元输出，c是LSTM记忆单元的值。公式(1)-公式(6)阐述了双向LSTM的搭建过程。

其中，是当前时刻记忆单元的候选值，W_xc是t时刻输入数据的权值，x^t是t时刻的输入数据，W_hc对应上一时刻LSTM单元的输出的权值，b_c是偏置参数。

i^t＝σ(W_xix^t-1+W_hih^t-1+W_cic^t-1+b_i) (2)

其中，i^t是输入门当前的状态值，受当前输入数据x^t、上一时刻LSTM的输出h^t-1和上一时刻LSTM记忆单元c^t-1的影响。W_xi、W_hi、W_ci分别为对应的权值。

f^t＝σ(W_xfx^t-1+W_hfh^t-1+W_cfc^t-1+b_f) (3)

其中，f^t是遗忘门当前的状态值，遗忘门是控制历史信息对当前记忆单位的影响；W_xf、W_hf、W_cf分别为对应的权值。

其中，c^t是t时刻记忆单元的状态值，⊙表示元素间的点积，逐点相乘。记忆单元的状态值由输入门和遗忘门共同调节。

o^t＝σ(W_xox^t-1+W_hoh^t-1+W_coc^t-1+b_o) (5)

其中，o^t是输出门的输出状态值，控制记忆单元状态值的输出；W_xo、W_ho、W_co分别为对应的权值。

h^t＝o^t⊙tanh(c^t) (6)

其中，h^t是t时刻LSTM单元的输出状态值。