本发明涉及数据处理技术领域，尤其是涉及一种飞行器遥测数据的异常检测方法和装置。
背景技术：
对于卫星遥测而言，空间环境瞬态剧烈变化以及设备线路噪声将会给信号采集带来噪声干扰，从而使得遥测数据中掺杂随机分布的异常数据，异常数据对深空探测任务及空间信息网络的发展带来了巨大的困难。
现有技术中，一般采用边界检测算法，趋势预测算法，速率约束算法，密度(距离)检测算法等算法对遥测数据进行异常检测，但是上述的方法检测步骤复杂，且检测准确率较低。
针对上述问题，还未提出有效的解决方案。
技术实现要素：
有鉴于此，本发明的目的在于提供一种飞行器遥测数据的异常检测方法和装置，以缓解了现有技术中对遥测数据的进行异常数据检测的检测步骤复杂，且检测准确率较低的技术问题。
第一方面，本发明实施例提供了一种飞行器遥测数据的异常检测方法，包括：获取飞行器发送的先导遥测数据，并通过平稳性检测确定所述先导遥测数据是否为平稳时间序列；在完成平稳性检测之后，获取飞行器发送的当前时刻节点的遥测数据；若所述先导遥测数据为平稳时间序列，则利用边界检测算法对当前时刻节点的遥测数据进行检测，确定所述当前时刻节点的遥测数据是否为异常数据；若所述先导遥测数据不是平稳时间序列，则利用预设检测算法对所述当前时刻节点的遥测数据进行检测，确定所述当前时刻节点的遥测数据是否为异常数据，其中，所述预设检测算法包括以下至少之一：三点集同构映射检测算法，左右双陪集赋权映射检测算法。
进一步地，所述方法还包括：对所述异常数据进行清洗。
进一步地，对所述异常数据进行清洗，包括：确定出第一目标数据和第二目标数据，其中，所述第一目标数据为所述当前时刻节点之前的第一个正常遥测数据，所述第二目标数据为所述当前时刻节点之后的第一个正常遥测数据；计算所述第一目标数据和所述第二目标数据的均值，并将所述异常数据替换为所述均值。
进一步地，利用预设检测算法对所述当前时刻节点的遥测数据进行检测，确定所述当前时刻节点的遥测数据是否为异常数据，包括：确定所述飞行器的性能类型，其中，所述性能类型包括：第一性能类型和第二性能类型，所述第一性能类型的飞行器的在轨处理能力低于所述第二性能类型的飞行器的在轨处理能力；基于所述性能类型，确定出所述预设检测算法中的目标检测算法；利用所述目标检测算法，对所述当前时刻节点的遥测数据进行检测，确定所述当前时刻节点的遥测数据是否为异常数据。
进一步地，基于所述性能类型，确定出所述预设检测算法中的目标检测算法，包括：若所述飞行器的性能类型为第一性能类型，则所述目标检测算法为所述三点集同构映射检测算法；若所述飞行器的性能类型为第二性能类型，则所述目标检测算法为所述左右双陪集赋权映射检测算法。
进一步地，若所述目标检测算法为所述三点集同构映射检测算法；利用所述目标检测算法，对所述当前时刻节点的遥测数据进行检测，确定所述当前时刻节点的遥测数据是否为异常数据，包括：确定出所述当前时刻节点的邻居节点，其中，所述邻居节点包括：第一邻居节点和第二邻居节点，所述第一邻居节点为所述当前时刻节点之前的邻居节点，所述第二邻居节点为所述当前时刻节点之后的邻居节点；利用所述当前时刻节点和所述第一邻居节点，构建第一矢量线段，以及利用所述当前时刻节点所述第二邻居节点构建的第二矢量线段，并确定出所述第一矢量线段与所述第二矢量线段构成的矢量夹角的角度；若所述角度小于预设阈值，则所述当前时刻节点的遥测数据为异常数据。
进一步地，若所述目标检测算法为所述左右双陪集赋权映射检测算法；利用所述目标检测算法，对所述遥测数据进行检测，确定出所述遥测数据中的异常数据，包括：构建所述当前时刻节点的k元双陪集；计算所述k元双陪集的距离阈值，以及为所述k元双陪集中的节点赋值，得到节点赋值；确定出所述当前时刻节点的紧密因子比判阈值；结合所述k元双陪集的距离阈值和所述节点赋值，计算出所述当前时刻节点的紧密度；
若所述紧密度小于紧密因子比判阈值，则所述当前时刻节点的遥测数据为异常数据。
进一步地，利用边界检测算法对当前时刻节点的遥测数据进行检测，确定所述当前时刻节点的遥测数据是否为异常数据，包括：确定所述当前时刻节点的遥测数据的遥测参数是否处于预设边界范围内；若否，则所述当前时刻节点的遥测数据为异常数据。
第二方面，本发明实施例还提供了一种飞行器遥测数据的异常检测装置，包括：第一获取单元，第二获取单元，第一检测单元和第二检测单元，其中，所述第一获取单元用于获取飞行器发送的先导遥测数据，并通过平稳性检测确定所述先导遥测数据是否为平稳时间序列；所述第二获取单元用于在完成平稳性检测之后，获取飞行器发送的当前时刻节点的遥测数据；所述第一检测单元用于在所述先导遥测数据为平稳时间序列的情况下，利用边界检测算法对当前时刻节点的遥测数据进行检测，确定所述当前时刻节点的遥测数据是否为异常数据；所述第二检测单元用于在所述先导遥测数据不是平稳时间序列的情况下，则利用预设检测算法对所述当前时刻节点的遥测数据进行检测，确定所述当前时刻节点的遥测数据是否为异常数据，其中，所述预设检测算法包括以下至少之一：三点集同构映射检测算法，左右双陪集赋权映射检测算法。
第三方面，本申请实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行第一方面所述的飞行器遥测数据的异常检测方法。
在本发明实施例中，首先，获取飞行器发送的先导遥测数据，并通过平稳性检测确定先导遥测数据是否为平稳时间序列；然后，在完成平稳性检测之后，获取飞行器发送的当前时刻节点的遥测数据；如果先导遥测数据为平稳时间序列，则利用边界检测算法对当前时刻节点的遥测数据进行检测，确定当前时刻节点的遥测数据是否为异常数据；如果先导遥测数据不是平稳时间序列，则利用预设检测算法对当前时刻节点的遥测数据进行检测，确定当前时刻节点的遥测数据是否为异常数据，其中，预设检测算法包括以下至少之一：三点集同构映射检测算法，左右双陪集赋权映射检测算法。
在本发明实施例中，通过对先导遥测数据进行平稳性检测，确定出先导遥测数据是否为平稳时间序列，并根据检测结果选择不同的检测算法对当前时刻节点的遥测数据进行检测，从而确定出当前时刻节点的遥测数据是否为异常数据，达到了对遥测数据进行异常检测的目的，进而解决了现有技术中对遥测数据的进行异常数据检测的检测步骤复杂，且检测准确率较低的技术问题，从而实现了简化了遥测数据的异常数据检测的检测步骤，提高了检测准确率的技术效果。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种飞行器遥测数据的异常检测方法的流程图；
图2为本发明实施例提供的另一种飞行器遥测数据的异常检测方法的流程图；
图3为本发明实施例提供的一种利用三点集同构映射检测算法检测异常数据的流程图；
图4为本发明实施例提供的一种利用左右双陪集赋权映射检测算法检测异常数据的流程图；
图5为本发明实施例提供的一种飞行器遥测数据的异常检测装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前的异常检测方法包括边界检测算法、趋势预测算法、速率约束算法、密度(距离)检测算法等算法，其中：
1)边界检测算法：边界检测算法是卫星任务中应用最为广泛的异常检测方法，通常由飞行器控制人员根据地面测试阶段获得的样本以及以往卫星任务的经验，提供各个遥测参数工作的正常边界，当数据超过上下界范围则认为是异常数据；
2)趋势预测算法：由于时间序列通常具有一定趋势，趋势预测算法通过估计时间序列的行为趋势，对后续数据行为进行预测并给出自适应检测边界，当数据超过预测范围则认为是异常数据。
3)速率约束算法：由于时间序列具有一维时变特性，速率约束算法基于速率的清洗方法采用了前后点之间速度范围(即斜率)受限的思想，若速率过大就说明当前点具有异变特性，认为是异常数据。
4)密度(距离)检测算法：基于密度(距离)的异常检测算法在多维大数据处理中应用广泛，即给定一个距离阈值，若该范围内某点的邻居数目少于给定检测阈值k，则认为是异常数据；换算为单位距离，该方法同构于在单位空间范围内用户密度检测。
但是，上述的算法存在以下缺点：
1)边界检测算法：采用常用的边界检测方法，各参数检测边界固定，仅能发现少数极端突变数据，对于短期行为变化并不敏感，需研究适用于局部异常检测的算法，当短期遥测数据存在异常跳变，但是并未超出边界范围，因此，利用边界检测算法将无法检测出该异常跳变，导致出现存在漏检的情况。
2)趋势检测算法：由于高实时性处理要求与受限的在轨资源不允许长期观测来获得统计规律，遥测时间序列往往具有非理想趋势，短期统计结果并不稳定，需研究一种基于少量数据的轻量级算法。
3)速率检测范围：当时间序列呈现出随机特性时，前后数据之间的速率变化无规律且速率跳变过大，速率检测无法正常工作，需要根据遥测行为类型进行特殊处理；此外，速率检测边界也是固定的，对于短期速率超出边界的正常数据存在误判的可能性，需研究适用于局部异常检测的算法。
4)密度(距离)检测算法：传统的基于密度(距离)的算法并未考虑前后序列权重对于评估当前点紧密程度的影响，对于时变信源而言，虽然前后数据之间具有一定的相关性，但是这种相关性会随着间隔时间的增长而越来越弱。若忽略这种效应，则会出现异常点数值与较晚时刻数据数值相当的情况，存在误判的可能，需研究符合时间序列相关性特征的算法。
本申请提出以下实施例以解决上述确定，具体实施例说明如下：
实施例一：
根据本发明实施例，提供了一种飞行器遥测数据的异常检测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种飞行器遥测数据的异常检测方法的流程图，如图1所示，该方法包括如下步骤：
步骤s102，获取飞行器发送的先导遥测数据，并通过平稳性检测确定所述先导遥测数据是否为平稳时间序列；
需要说明的是，上述的先导遥测数据为在当前时刻节点之前获取到的遥测数据，且先导遥测数据的数据量较小，能够便捷的判断出先导遥测数据是否为平稳时间序列。
步骤s104，在完成平稳性检测之后，获取飞行器发送的当前时刻节点的遥测数据；
步骤s106，若所述先导遥测数据为平稳时间序列，则利用边界检测算法对当前时刻节点的遥测数据进行检测，确定所述当前时刻节点的遥测数据是否为异常数据；
具体的，利用边界检测算法对当前时刻节点的遥测数据进行检测的步骤如下：
确定当前时刻节点的遥测数据的遥测参数是否处于预设边界范围内，如果当前时刻节点的遥测数据的遥测参数不处于预设边界范围内，则当前时刻节点的遥测数据为异常数据。
步骤s108，若所述先导遥测数据不是平稳时间序列，则利用预设检测算法对所述当前时刻节点的遥测数据进行检测，确定所述当前时刻节点的遥测数据是否为异常数据，其中，所述预设检测算法包括以下至少之一：三点集同构映射检测算法，左右双陪集赋权映射检测算法。
在本发明实施例中，通过对先导遥测数据进行平稳性检测，确定出先导遥测数据是否为平稳时间序列，并根据检测结果选择不同的检测算法对当前时刻节点的遥测数据进行检测，从而确定出当前时刻节点的遥测数据是否为异常数据，达到了对遥测数据进行异常检测的目的，进而解决了现有技术中对遥测数据的进行异常数据检测的检测步骤复杂，且检测准确率较低的技术问题，从而实现了简化了遥测数据的异常数据检测的检测步骤，提高了检测准确率的技术效果。
在本发明实施例中，如图2所示，所述方法还包括如下步骤：
步骤s110，对所述异常数据进行清洗。
在本发明实施例中，当检测出当前时刻节点的遥测数据为异常数据之后，首先，确定出所述第一目标数据为所述当前时刻节点之前的第一个正常遥测数据(即，第一目标数据)，所述第二目标数据为所述当前时刻节点之后的第一个正常遥测数据(即，第二目标数据)。
然后，求解出第一目标数据与第二目标数据的平均值，然后用该平均值替换异常数据，从而达到对异常数据进行清洗的技术效果。
通过清洗异常数据，提高了遥测数据的准确性，将完成清洗的遥测数据作为后续特征提取与弹性压缩的输入数据，能够为深空探测任务及空间信息网络的发展提供技术支撑。
在本发明实施例中，步骤s108还包括如下步骤：
步骤s11，确定所述飞行器的性能类型，其中，所述性能类型包括：第一性能类型和第二性能类型，所述第一性能类型的飞行器的在轨处理能力低于所述第二性能类型的飞行器的在轨处理能力；
步骤s12，基于所述性能类型，确定出所述预设检测算法中的目标检测算法；
步骤s13，利用所述目标检测算法，对所述当前时刻节点的遥测数据进行检测，确定所述当前时刻节点的遥测数据是否为异常数据。
在本发明实施例中，为了简化异常数据检测的检测步骤，以及提高检测准确性，在对异常数据进行检测时，首先，需要确定出发送当前时刻节点的遥测数据的飞行器的性能类型，并根据性能类型选择对应的异常数据检测算法，对当前时刻节点的遥测数据进行检测。
如果飞行器的在轨处理能力较弱，则采用三点集同构映射检测算法对当前时刻节点的遥测数据进行检测。
如果飞行器的在轨处理能力较强，则采用左右双陪集赋权映射检测算法对当前时刻节点的遥测数据进行检测。
在本发明实施例中，如图3所示，利用三点集同构映射检测算法检测异常数据包括如下步骤：
步骤s21，确定出所述当前时刻节点的邻居节点，其中，所述邻居节点包括：第一邻居节点和第二邻居节点，所述第一邻居节点为所述当前时刻节点之前的邻居节点，所述第二邻居节点为所述当前时刻节点之后的邻居节点；
步骤s22，利用所述当前时刻节点和所述第一邻居节点，构建第一矢量线段，以及利用所述当前时刻节点所述第二邻居节点构建的第二矢量线段，并确定出所述第一矢量线段与所述第二矢量线段构成的矢量夹角的角度；
步骤s23，若所述角度小于预设阈值，则所述当前时刻节点的遥测数据为异常数据。
在本发明实施例中，如图4所示，利用左右双陪集赋权映射检测算法检测异常数据包括如下步骤：
步骤s31，构建所述当前时刻节点的k元双陪集；
步骤s32，计算所述k元双陪集的距离阈值，以及为所述k元双陪集中的节点赋值，得到节点赋值；
步骤s33，确定出所述当前时刻节点的紧密因子比判阈值；
步骤s34，结合所述k元双陪集的距离阈值和所述节点赋值，计算出所述当前时刻节点的紧密度；
步骤s35，若所述紧密度小于所述紧密因子比判阈值，则所述当前时刻节点的遥测数据为异常数据。
下面结合图3和图4对上述两种检测算法的检测过程进行详细说明：
一，利用三点集同构映射检测算法检测异常数据：
由根据局部三点数据平滑线性假定和3σ原则可知，正常数据不应偏离理论值的3倍子集内部差分均值(即预设阈值为72°)。
首先，需要确定出当前时刻节点之前的邻居节点(即第一邻居节点)，以及确定出当前时刻节点之后的邻居节点(即第二邻居节点)。
然后，连接当前时刻节点和所述第一邻居节点，构建第一矢量线段，以及链接当前时刻节点所述第二邻居节点构建的第二矢量线段，从而构成矢量夹角。
接着，确定出该矢量夹角的角度，如果该角度小于72°，则当前时刻节点的遥测数据为异常数据。
如果该角度大于72°，则当前时刻节点的遥测数据为正常数据。
二，利用左右双陪集赋权映射检测算法检测异常数据：
1，构建当前时刻节点的左/右k元双陪集，其中，k为正整数。
2，计算出左陪集的距离阈值dl和右陪集的距离阈值dr，具体计算算是如下：
3，将左/右陪集内各个时刻节点按远近效应以幂指数(αl,αr)特性赋权映射到当前时刻节点，每个时刻节点赋予权值，pj＝(αl)j，pi＝(αr)i，即：时间上接近的时刻节点具有较高权值，时间上远离的时刻节点具有低权值(即，远近效应)。
4，确定出当前时刻节点的紧密因子比判阈值t，t的取值取决于前时刻节点的邻域范围内可能存在的异常数据的数目，异常数据的数量为1时，t为1/2，异常数据的数量为2时，t为1/2 1/4，依次类推。一般情况下默认为异常数据的数量为1，即t＝1/2。
5，在距离阈值(dl,dr)范围内对左右陪集权值进行求和运算得到紧密因子c(k,dl,dr)，即统计前后2k个点数据集中距离当前点xn的1-范数不大于距离阈值的权值之和作为紧密度衡量指标“紧密因子”，如下式所示：
根据上述公式，计算出当前时刻节点的紧密度。
6，如果上述的紧密度小于紧密因子比判阈值t，则当前时刻节点的遥测数据为异常数据，如果上述的紧密度大于或等于紧密因子比判阈值t，则当前时刻节点的遥测数据为正常数据。
实施例二：
本发明还提供了一种飞行器遥测数据的异常检测装置的实施例，该装置用于执行本发明实施例上述内容所提供的遥测数据的异常检测方法，以下是本发明实施例提供的遥测数据的异常检测装置的具体介绍。
如图5所示，上述的遥测数据的异常检测装置包括：第一获取单元10，第二获取单元20，第一检测单元30和第二检测单元40。
所述第一获取单元10用于获取飞行器发送的先导遥测数据，并通过平稳性检测确定所述先导遥测数据是否为平稳时间序列；
所述第二获取单元20用于在完成平稳性检测之后，获取飞行器发送的当前时刻节点的遥测数据；
所述第一检测单元30用于在所述先导遥测数据为平稳时间序列的情况下，利用边界检测算法对当前时刻节点的遥测数据进行检测，确定所述当前时刻节点的遥测数据是否为异常数据；
所述第二检测单元40用于在所述先导遥测数据不是平稳时间序列的情况下，则利用预设检测算法对所述当前时刻节点的遥测数据进行检测，确定所述当前时刻节点的遥测数据是否为异常数据，其中，所述预设检测算法包括以下至少之一：三点集同构映射检测算法，左右双陪集赋权映射检测算法。
在本发明实施例中，通过对先导遥测数据进行平稳性检测，确定出先导遥测数据是否为平稳时间序列，并根据检测结果选择不同的检测算法对当前时刻节点的遥测数据进行检测，从而确定出当前时刻节点的遥测数据是否为异常数据，达到了对遥测数据进行异常检测的目的，进而解决了现有技术中对遥测数据的进行异常数据检测的检测步骤复杂，且检测准确率较低的技术问题，从而实现了简化了遥测数据的异常数据检测的检测步骤，提高了检测准确率的技术效果。
优选地，所述装置还包括：数据清洗单元，用于对所述异常数据进行清洗。
优选地，所述数据清洗单元用于：确定出第一目标数据和第二目标数据，其中，所述第一目标数据为所述当前时刻节点之前的第一个正常遥测数据，所述第二目标数据为所述当前时刻节点之后的第一个正常遥测数据；计算所述第一目标数据和所述第二目标数据的均值，并将所述异常数据替换为所述均值。
优选地，所述第二检测单元用于：确定所述飞行器的性能类型，其中，所述性能类型包括：第一性能类型和第二性能类型，所述第一性能类型的飞行器的在轨处理能力低于所述第二性能类型的飞行器的在轨处理能力；基于所述性能类型，确定出所述预设检测算法中的目标检测算法；利用所述目标检测算法，对所述当前时刻节点的遥测数据进行检测，确定所述当前时刻节点的遥测数据是否为异常数据。
优选地，所述第二检测单元用于：若所述飞行器的性能类型为第一性能类型，则所述目标检测算法为所述三点集同构映射检测算法；若所述飞行器的性能类型为第二性能类型，则所述目标检测算法为所述左右双陪集赋权映射检测算法。
优选地，若所述目标检测算法为所述三点集同构映射检测算法，所述第二检测单元用于：确定出所述当前时刻节点的邻居节点，其中，所述邻居节点包括：第一邻居节点和第二邻居节点，所述第一邻居节点为所述当前时刻节点之前的邻居节点，所述第二邻居节点为所述当前时刻节点之后的邻居节点；利用所述当前时刻节点和所述第一邻居节点，构建第一矢量线段，以及利用所述当前时刻节点所述第二邻居节点构建的第二矢量线段，并确定出所述第一矢量线段与所述第二矢量线段构成的矢量夹角的角度；若所述角度小于预设阈值，则所述当前时刻节点的遥测数据为异常数据。
优选地，若所述目标检测算法为所述左右双陪集赋权映射检测算法，所述第二检测单元用于：构建所述当前时刻节点的k元双陪集；计算所述k元双陪集的距离阈值，以及为所述k元双陪集中的节点赋值，得到节点赋值；确定出所述当前时刻节点的紧密因子比判阈值；结合所述k元双陪集的距离阈值和所述节点赋值，计算出所述当前时刻节点的紧密度；若所述紧密度小于紧密因子比判阈值，则所述当前时刻节点的遥测数据为异常数据。
优选地，第一检测单元用于：确定所述当前时刻节点的遥测数据的遥测参数是否处于预设边界范围内；若否，则所述当前时刻节点的遥测数据为异常数据。
本申请实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使处理器执行上述实施例一所述的飞行器遥测数据的异常检测方法。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
1.一种飞行器遥测数据的异常检测方法，其特征在于，包括：
获取飞行器发送的先导遥测数据，并通过平稳性检测确定所述先导遥测数据是否为平稳时间序列；
在完成平稳性检测之后，获取飞行器发送的当前时刻节点的遥测数据；
若所述先导遥测数据为平稳时间序列，则利用边界检测算法对当前时刻节点的遥测数据进行检测，确定所述当前时刻节点的遥测数据是否为异常数据；
若所述先导遥测数据不是平稳时间序列，则利用预设检测算法对所述当前时刻节点的遥测数据进行检测，确定所述当前时刻节点的遥测数据是否为异常数据，其中，所述预设检测算法包括以下至少之一：三点集同构映射检测算法，左右双陪集赋权映射检测算法。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述异常数据进行清洗。
3.根据权利要求2所述的方法，其特征在于，对所述异常数据进行清洗，包括：
确定出第一目标数据和第二目标数据，其中，所述第一目标数据为所述当前时刻节点之前的第一个正常遥测数据，所述第二目标数据为所述当前时刻节点之后的第一个正常遥测数据；
计算所述第一目标数据和所述第二目标数据的均值，并将所述异常数据替换为所述均值。
4.根据权利要求1所述的方法，其特征在于，利用预设检测算法对所述当前时刻节点的遥测数据进行检测，确定所述当前时刻节点的遥测数据是否为异常数据，包括：
确定所述飞行器的性能类型，其中，所述性能类型包括：第一性能类型和第二性能类型，所述第一性能类型的飞行器的在轨处理能力低于所述第二性能类型的飞行器的在轨处理能力；
基于所述性能类型，确定出所述预设检测算法中的目标检测算法；
利用所述目标检测算法，对所述当前时刻节点的遥测数据进行检测，确定所述当前时刻节点的遥测数据是否为异常数据。
5.根据权利要求4所述的方法，其特征在于，基于所述性能类型，确定出所述预设检测算法中的目标检测算法，包括：
若所述飞行器的性能类型为第一性能类型，则所述目标检测算法为所述三点集同构映射检测算法；
若所述飞行器的性能类型为第二性能类型，则所述目标检测算法为所述左右双陪集赋权映射检测算法。
6.根据权利要求5所述的方法，其特征在于，若所述目标检测算法为所述三点集同构映射检测算法；
利用所述目标检测算法，对所述当前时刻节点的遥测数据进行检测，确定所述当前时刻节点的遥测数据是否为异常数据，包括：
确定出所述当前时刻节点的邻居节点，其中，所述邻居节点包括：第一邻居节点和第二邻居节点，所述第一邻居节点为所述当前时刻节点之前的邻居节点，所述第二邻居节点为所述当前时刻节点之后的邻居节点；
利用所述当前时刻节点和所述第一邻居节点，构建第一矢量线段，以及利用所述当前时刻节点所述第二邻居节点构建的第二矢量线段，并确定出所述第一矢量线段与所述第二矢量线段构成的矢量夹角的角度；
若所述角度小于预设阈值，则所述当前时刻节点的遥测数据为异常数据。
7.根据权利要求5所述的方法，其特征在于，若所述目标检测算法为所述左右双陪集赋权映射检测算法；
利用所述目标检测算法，对所述遥测数据进行检测，确定出所述遥测数据中的异常数据，包括：
构建所述当前时刻节点的k元双陪集；
计算所述k元双陪集的距离阈值，以及为所述k元双陪集中的节点赋值，得到节点赋值；
确定出所述当前时刻节点的紧密因子比判阈值；
结合所述k元双陪集的距离阈值和所述节点赋值，计算出所述当前时刻节点的紧密度；
若所述紧密度小于所述紧密因子比判阈值，则所述当前时刻节点的遥测数据为异常数据。
8.根据权利要求1所述的方法，其特征在于，利用边界检测算法对当前时刻节点的遥测数据进行检测，确定所述当前时刻节点的遥测数据是否为异常数据，包括：
确定所述当前时刻节点的遥测数据的遥测参数是否处于预设边界范围内；
若否，则所述当前时刻节点的遥测数据为异常数据。
9.一种飞行器遥测数据的异常检测装置，其特征在于，包括：第一获取单元，第二获取单元，第一检测单元和第二检测单元，其中，
所述第一获取单元用于获取飞行器发送的先导遥测数据，并通过平稳性检测确定所述先导遥测数据是否为平稳时间序列；
所述第二获取单元用于在完成平稳性检测之后，获取飞行器发送的当前时刻节点的遥测数据；
所述第一检测单元用于在所述先导遥测数据为平稳时间序列的情况下，利用边界检测算法对当前时刻节点的遥测数据进行检测，确定所述当前时刻节点的遥测数据是否为异常数据；
所述第二检测单元用于在所述先导遥测数据不是平稳时间序列的情况下，则利用预设检测算法对所述当前时刻节点的遥测数据进行检测，确定所述当前时刻节点的遥测数据是否为异常数据，其中，所述预设检测算法包括以下至少之一：三点集同构映射检测算法，左右双陪集赋权映射检测算法。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行上述权利要求1至8中任一项所述的飞行器遥测数据的异常检测方法。
技术总结