集成LSTM的航天器遥测数据异常检测方法

航天器作为一类集合结构、热控、电源、姿轨控等的复杂系统,遥测数据是地面判断其在轨性能的唯一依据,而有效的异常检测是保证航天器在轨可靠运行的基础要素。针对遥测数据连续、离散样本混合且样本变化高度关联于指令的数据异常检测问题,提出一种基于集成长短期记忆网络(LSTM)的航天器遥测数据异常检测方法。利用LSTM强大的非线性建模能力,结合矩阵范数实现对遥控指令的多模式挖掘,并通过多LSTM预测模型的构建以及有效集成,提升模型对于航天器复杂工况的适应性,进而有效标记遥测数据中的异常。通过对NASA公布的2个类型航天器的遥测数据进行实验验证,结果表明,与基于LSTM的遥测数据异常检测方法相比,所提出的方法异常检测率提升明显,尤其适合检测上下文类型异常。测试结果验证了方法的可行性,可为航天器地面运控提供有效的数据判读能力。     

利用视觉显著性和扰动模型的上下文感知跟踪

为了解决背景嘈杂、遮挡、形变和尺度变化情况下目标跟踪问题,提出利用视觉显著性和扰动模型的上下文感知跟踪。本文以相关滤波算法为基础,将目标周围的上下文信息引入到分类器学习过程中,构造了上下文感知相关跟踪,提高了算法鲁棒性;同时引入直方图扰动模型,利用加权融合的方法获得目标响应图,以此估计目标位置变化;最后利用视觉显著性构建目标稀疏显著性图,解决严重遮挡情况下的目标重定位问题,并利用尺度估计策略解决目标尺度变化问题。利用公开数据集测试算法性能,并与8种流行跟踪算法进行比较。实验结果表明,本文算法的跟踪精确度得分和成功率得分分别为0.695和0.708,均优于其它算法。与传统的相关滤波算法相比,所提算法能很好地解决背景嘈杂、遮挡、形变和尺度变化等复杂下的目标跟踪问题,具有一定理论研究价值和工程实用价值。     

基于视觉感知的表面缺陷检测综述

基于视觉感知的表面缺陷检测,具有高效、可防止二次损伤等优点,被广泛应用于各种工业场景中。近年来深度学习技术的快速发展进一步推动了视觉缺陷检测的进步与应用。以特征的显式提取与自动提取为思路,对基于视觉感知的缺陷检测方法进行综述和分析。首先,简要描述了视觉缺陷检测系统的基本构成,将缺陷检测中的视觉感知归为分类、目标检测和分割3个层次。然后,将现有的视觉检测方法分为基于显式特征提取的(传统方法)和基于自动特征提取的(深度学习方法)。进一步,将基于显式特征提取的方法分为统计法、谱方法和模型法3类,将基于自动特征提取的方法分为整图分类的、目标检测的和像素分割的方法。对每一类方法的特点和适用场景进行了归纳总结与分析。同时,针对工业应用中数据获取成本高的问题,介绍了近年来出现的弱监督缺陷检测方法与异常检测方法,并介绍了具有较大影响力的工业表面缺陷数据集。最后,针对如何减少对大量标注数据的依赖和如何提高检测方法在工业现场的适用性两个关键问题展开讨论,展望了该领域下一步的研究方向。     

在线压缩感知方法及其在漏磁检测中的应用

以长距离油管的漏磁检测系统为研究对象,研究了漏磁检测数据的在线压缩算法。针对嵌入式在线工作环境下,传统的数据压缩方法难以应用的问题,引入压缩感知(CS)理论,提出了漏磁检测数据在线CS压缩方法。确定了小波基作为漏磁信号的最佳稀疏表示基,并推导了小波稀疏基矩阵的数学表达公式;提出Welch界和PRP共轭梯度算法的测量矩阵优化算法;提出了漏磁检测数据的重要数据段筛选方法,极大地减少了数据存储量。仿真试验证明了所提出在线压缩算法极大地减少了在线环境压缩编码的运算复杂度,具有简单迅速、压缩比高、重构精度高等优点,符合漏磁检测数据在线压缩的实际要求。     

上下文感知在普适化仿真网格中的应用

为实现普适化仿真网格中仿真信息空间和物理空间的融合、蕴涵式的人机交互、系统自适应和仿真资源的智能化管理,提出了在普适化仿真网格中应用上下文感知技术.在实现上,基于本体对普适化仿真网格上下文进行建模,基于本体和用户自定义规则进行上下文推理,以面向服务的思想为应用,提供上下文感知服务.最后,给出了一个上下文感知在仿真服务迁移中的应用实例.     

基于神经网络和感知模型的盲检测数字水印

提出了一种基于Hopfield神经网络的盲检测数字水印算法.基于噪声可见函数实现了水印的自适应嵌入,利用Hopfield神经网络记忆宿主图像以及原始水印信息.在水印检测时,通过神经网络从嵌入水印的图像中联想出宿主图像和水印嵌入信息,再利用水印图像和联想出的宿主图像提取出水印,实现了水印的盲检测.     

基于过程代数的可变业务流程建模方法

为实现灵活的业务流程重组,提出了一种面向流程变化调整的业务流程模型。该模型从业务逻辑中抽取出流程相关性语义,用连接器的模式来实现一种可配置的流程属性。业务人员可以通过调整模型中的连接器对流程进行重新配置,从而实现业务流程重组的软件调整。给出了模型的过程代数描述,并介绍了建模步骤和流程调整方法。最后,以机场塔台调度流程的建模和调整过程为例,对相关问题进行了讨论。     

基于多站支路功率联合学习的分布式光伏支路异常检测方法

近年来,分布式光伏站点数量迅速增长,频发的支路异常带来了巨大的发电效能损失,也产生了如何精准且高效检测多站支路异常的需求。为解决上述问题,提出了基于多站支路功率联合学习的分布式光伏支路异常检测方法。该方法通过多个光伏站支路异常检测任务联合学习的方式,提取了辨识多站支路异常特征的相似性和差异性表示;通过构建的多尺度卷积神经网络有效捕捉了多站支路功率中存在的差异性异常特征;利用辅助任务充分学习多站支路异常辨识特征的相似表示;采用多阶段训练策略减少辅助任务对多站支路异常检测精度的消极影响。最后,通过收集的多站支路功率数据进行实验对比,结果证明了提出方法能有效提升分布式光伏各站支路异常检测的精度。此外,该方法仅需构建一个模型即可检测分布式光伏多站支路异常,具有较好的建模便捷性。     

基于相似度对比学习的连接器零样本异常检测方法

连接器是电子装备不可或缺的功能部件,其工作接触面的洁净无异物是电子装备正常工作的必要条件。 针对连接器种类和样式繁多、异物样本少且形态不固定导致的误检、漏检频发问题,本文提出了一种新颖的零样本异常检测方法,通过在无关背景图片上合成随机异常,构建正常-异常样本图片对,经过网络预测得到表征样本对之间的像素级相似度的差异度分数图,以此对异常进行检测和定位。 通过异常区域掩码监督,使网络专注于正常-异常样本之间的像素差异,弱化网络对图片自身语义信息的关注,同时减少真实样本的需求量,提升检测器的泛化能力。 为验证算法有效性,仅使用合成数据训练网络,在DeepPCB 数据集上进行了评估,方法取得 88. 2% 的 mAp,迁移学习之后取得 99. 1% 的 mAp,为该数据集上目前最好的效果。 实验结果表明本文提出的零样本异常检测方法具有良好的泛化能力。     

基于误差注意力的晶圆制造数据异常检测

针对晶圆制造数据异常检测过程中异常特征提取难度大且检测效率不高的问题,提出了一种基于误差注意力的晶圆制造数据异常检测方法。在保持数据分布不变的前提下,将晶圆制造数据转化成灰度图像,根据与正常样本的误差对灰度图像生成基于位置的柔性注意力图,增加误差特征的显性表达并略去冗余特征;利用深度学习神经网络LeNet-5模型将注意力图进行卷积训练,得到异常检测的最优化模型。采用晶圆制造数据集与现有方法进行对比,所提方法耗时缩短160%、F2-Score提高3%,证明了所提方法的有效性。     

基于多任务学习的视频异常检测方法

针对异常事件位于图像前景的某个局部区域,且背景区域对于异常检测存在干扰的问题,提出了一种多任务异常检测双流模型,模型架构包含未来帧预测网络和光流重构网络。首先利用前景检测算法获取自然图像和光流图像的目标区域,再将选取的区域送入到编码-解码网络完成未来帧预测和运动重构,对运动特征和表观特征进行提取,最后,使用深度概率网络给出的概率值作为判断异常的决策,并与重构损失及预测损失相结合来判断视频的异常性。本文针对大型场景的3个视频监控数据集(UCSD行人数据集、Avenue、Shanghai Tech)对本文提出的模型进行了异常性评估,所提出的方法在3个数据集上的AUC值分别为97.4%,86.4%,73.4%。与现有工作相比,本文的模型架构简洁且易于训练,异常检测结果更加准确。     

基于情景感知和规则导向的业务过程自适应

为了完成动态多变环境下业务过程的自适应调整和过程间的动态装配,提出一种基于情景信息和面向规则的业务过程适变方法.该方法采用规则映射服务与事件或情景信息的关联关系,基于服务系统可以根据当前上下文触发规则动态规划出满足业务目标的活动序列.该方法提出的动态规划算法解决了ABC供暖公司暖气报修项目中业务过程的动态装配问题,还提供了求解运行时过程实例自适应问题的一般性解决方案.另外,为支持对所生成活动序列的偏好选择和人工干预,设计了过程评估策略,实现了用户对过程的个性化选择和调整.仿真实验表明,该方法能有效并以较高效率求解动态环境下业务过程的自适应问题.     

基于耦合自适应距离的高维异常检测算法

距离聚类方法是航天器等复杂系统实现遥测参数异常检测的常用方法之一,但在面对高维遥测数据进行异常检测任务时,往往会暴露出效率低下、精度劣化等严重问题。针对基于高维遥测数据的航天器异常检测难题,提出了一种基于耦合自适应的改进距离定义,并针对归纳监视系统(IMS)算法这一经典距离聚类算法进行了改进。该方法利用历史数据的分布特征,在进行聚类的同时,对于参数耦合性进行动态挖掘,并将挖掘到的知识高效地投入到异常检测任务。最后,采用运载火箭电源系统的真实高维遥测数据对所提方法进行了应用验证。在与多种传统基于IMS的异常检测方法的对比实验中,该改进算法检测效率与准确率较另两类IMS算法中的最优方法分别提升了41.83%和69.03%,验证了运用该距离定义的检测方法在效率与精确率上的优越性。     

基于递推最小二乘法的地磁测量误差校正方法

针对弹体地磁测量容易受到各种误差影响而导致地磁姿态测量精度降低的问题,在分析自身误差和环境误差的基础上,对椭球模型的地磁测量误差进行建模,采用最大似然估计解算静态误差补偿参数,以解算结果为初值,通过递推最小二乘法推到补偿参数的实时更新算法,综合以上研究,形成用于地磁测量误差补偿的在线组合校正方法。仿真及实验结果表明,在接近盲区方向的最大姿态角误差小于5°,在线组合校正能够保证姿态检测系统在不同射向条件下的精度。     

基于对比序列重构的卫星遥测数据异常检测方法

基于遥测数据的异常检测是卫星在轨运维管理的关键技术。 但现有方法大多仅采用正常样本建立模型,异常检测结果 对判读阈值敏感、虚警率较高。 对此本文提出基于对比序列重构的卫星遥测数据异常检测方法,充分利用有限异常先验增强异 常检测中正常、异常样本差异。 先基于变分自编码器提取遥测数据时序演化特征,引入对比学习方法建立对异常、正常数据差 异化输出的编码器,再用大量正常数据进一步训练整个模型实现对正常数据的精准重构形成对异常数据敏感的时序数据重构 模型,再基于核密度估计方法学习异常判读阈值进一步提升异常检出率。 在真实卫星遥测数据上验证表明所提方法能有效降 低异常检测的虚警率(均低于 0. 002)并保持较高的检出率具备良好的实际应用水平。     

基于过采样投影近似基追踪的无人机异常检测

针对无人机飞行模式切换导致飞行数据在线异常检测准确率低的问题,提出基于过采样投影近似基追踪(OSPABP)的在线异常检测框架。首先利用滑窗和Z-score变换消除飞行数据流量纲,并抽取相关的飞行数据子集;然后过采样当前时刻子集的输入数据,放大异常数据对数据子空间的影响,并通过在线估计和追踪匹配过采样后数据子空间的投影近似基方向变化,从而判断子集实时输入数据的异常程度。同时该方法还可抑制飞行模式切换对异常检测效果的影响。采用Flight Gear模拟飞行数据和明尼苏达大学真实无人机飞行数据的实验结果表明,所提出方法对飞行模式切换敏感度低,可明显降低异常检测的误检率,并有效提高检测准确率。此外,算法的计算和存储复杂度均可满足机载处理要求。     

基于背景判别与邻域补偿的高光谱异常检测

为克服高光谱局部异常检测算子背景虚警严重,探测效果不佳等问题,提出了基于核光谱角背景判别与邻域补偿的异常检测算法。算法从背景像元的筛选和探测结果的补偿两个角度提高像元探测精度,在背景像元的处理方面,提出了一种基于核光谱角距离相似度的背景像元筛选算法,将光谱分辨性能更强的核光谱角引入背景差异性判别过程,准确可靠地实现局部背景像元的筛选和优化;同时,针对异常检测算子探测精度不高等问题,引入邻域加权的空谱联合补偿机制,并提出基于核光谱角距离相似度的动态模板卷积补偿算法,显著增强了背景与目标的可分性。在与RX、LRX、KRX和CRD等异常检测算法的对比中发现,该算法表现出较强的探测性能,在抑制虚警和提高探测精度等方面达到了不错的效果。     

局部正交子空间投影高光谱图像异常检测算法

正交子空间投影是一种监督分类算法,需要已知待分类目标的特征信息。为了扩展该算法的应用场合,提出局部正交子空间投影算法,并成功应用于高光谱图像异常检测。异常检测常用于自然背景下的人工目标提取,在小范围邻域内地物类型相对单一。基于此,以被检测点作为感兴趣目标、被检测点邻域内样本均值作为不感兴趣目标,构造局部投影算子。实验结果表明：能够检测出含量高于30％的亚像元目标;可通过适当增大滑动窗尺寸,检测像元面积较大的目标;不受Hughes效应影响;当波段数为80时,运算时间低于RX算法的十分之一。局部正交子空间投影算法检测精度高、运算速度快,适用于实时高光谱图像异常检测。