留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于参数自适应优化聚类的卫星状态异常检测方法

赵玉炜 苏举

赵玉炜, 苏举. 基于参数自适应优化聚类的卫星状态异常检测方法[J]. 空间科学学报. doi: 10.11728/cjss2022-0054
引用本文: 赵玉炜, 苏举. 基于参数自适应优化聚类的卫星状态异常检测方法[J]. 空间科学学报. doi: 10.11728/cjss2022-0054
Satellite Anomaly Detection Method Based on Parameter Adaptive Optimization Clustering[J]. Journal of Space Science. doi: 10.11728/cjss2022-0054
Citation: Satellite Anomaly Detection Method Based on Parameter Adaptive Optimization Clustering[J]. Journal of Space Science. doi: 10.11728/cjss2022-0054

基于参数自适应优化聚类的卫星状态异常检测方法

doi: 10.11728/cjss2022-0054
基金项目: 空间科学(二期)地面支撑项目

Satellite Anomaly Detection Method Based on Parameter Adaptive Optimization Clustering

  • 摘要:   实时监测卫星状态、进行异常检测,有利于保障卫星安全稳定运行。聚类分析已在许多工程异常检测问题中证明有效,但聚类质量对参数高度敏感,目前还没有便捷的参数选择方法。为实现聚类参数的自适应选择,本文将参数调整视为一个单目标优化问题,并引入智能优化算法进行求解。据此,将基于层次的聚类算法 BIRCH 和改进的联合多算子进化算法 UMOEAs-II 结合,提出了 UMOEAsII_BIRCH 算法。在某空间科学卫星真实数据的基础上,模拟含有点异常的遥测数据,经预处理后用于异常检测效果测试。选取传统聚类算法 K-Means , MeanShift , OPTICS , DBSCAN , BIRCH 和本文提出的算法进行实验,对比异常检测的精确率、召回率、F1-score 和假阳率。结果证明 UMOEAsII_BIRCH 算法异常检测效果优于其它算法,F1-score 可达到 0.861017 。同时,对比网格搜索,提出的算法需要较少的人工干预,实现了最优聚类参数的自动选择,符合改进预期。

     

  • 加载中
计量
  • 文章访问数:  46
  • HTML全文浏览量:  3
  • PDF下载量:  12
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-09-21
  • 录用日期:  2022-12-15
  • 修回日期:  2022-12-05
  • 网络出版日期:  2022-12-21

目录

    /

    返回文章
    返回