[发明专利]一种热镜温度异常检测方法及系统

说明书

本发明公开一种热镜温度异常检测方法及系统，本发明的方法基于热镜温度的数据特点、轨道时序变化规律提出了基于变体长短期记忆网络模型，并采用两阶段预测的异常检测及修正方法，训练阶段引入贝叶斯网络的参数更新机制，使得模型能动态调整参数，提高了模型的适应性，并进一步降低了热镜温度异常检测的误差率，提高了检测的准确性。

技术领域

本发明涉及微波成像技术领域，特别是涉及一种热镜温度异常检测方法及系统。

背景技术

微波成像仪通过测量地表和大气辐射信息，可以反演温度、风速、降水等参数，广泛应用于陆地、海洋等环境的探测领域。为得到有效的地表亮温遥感数据，需要对微波成像仪的各个部件进行精准探测。卫星在轨运行期间会收集大量数据，热镜温度是其中的一个重要参数，热镜温度测量模块是否存在异常至关重要，它影响了星载微波成像仪在轨辐射测量的稳定性。由于太空环境复杂，热镜温度测量模块可能失效，如失效则无法测量微波成像仪的热镜温度。

目前主要的异常表现形式有两种，一种是单点异常，一种是群体异常，如图1-图3所示，图1表示正常，图2表示单点异常，图3表示群体异常。

对于上述两种异常的检测方式有两种，一种是专家进行人工观察进行异常判定，另一种是根据专家指导对值域进行上下限设定，目前的设定方案是大于400K，且连续10个点的微分标准差大于1.3K。对于此种异常的修正方式是上海航天测控研究所提出的用冷镜温度测量拟合热镜温度，通过其得到的偏差来对异常数据进行检测及修正。

目前，深度学习、迁移学习、时间序列模型已广泛应用于卫星遥测数据的异常检测中，无需专家先验知识，以自适应新的时序预测。国外开展航天器遥测数据异常检测工作的机构包括NASA(National Aeronautics and Space Administration，美国国家航空航天局)、日本东京大学(The university of TOKYO)、日本宇宙科学研究所(Institute ofSpace andAeronautical Science，ISAS)、美国空军实验室(air force researchlaboratory，AFRL)与美国国防部(united states department of defense，DOD)以及欧空局(European Space Agency，ESA)等。NASA利用聚类算法建立提取标称遥测数据的数据模型，开发了一套Inductive Monitoring System(IMS)系统，实现了对新来遥测数据的测量区域的判定。

由此可见，遥测数据的分析工作已经引起世界范围内相关科研机构的关注，针对星载微波成像仪各个部件评估参数会产生大量的遥测数据，以时间序列的方式存储在文件中。但目前的研究仍处于算法直接应用阶段，未针对遥测数据特性进行算法的适应性改进，存在误检率高等问题。

发明内容

本发明的目的是提供一种热镜温度异常检测方法及系统，以降低热镜温度异常检测的误差率，提高检测的准确性。

为实现上述目的，本发明提供了如下方案：

本发明提供一种热镜温度异常检测方法，所述方法包括如下步骤：

将长短记忆模型中的遗忘门和输入门合并为更新门，获得变体长短期记忆网络模型；

利用时间序列的方式对星载微波成像仪的历史遥测数据进行存储，获得历史数据时间序列；

基于所述历史数据时间序列及历史数据时间序列中每个时间点的热镜真实温度训练所述变体长短期记忆网络模型，获得一次训练后的变体长短期记忆网络模型；所述热镜真实温度为非异常的热镜观测温度；

将待测数据时间序列划分为前半段数据时间序列和后半段数据时间序列；