一种基于蒙特卡洛 Dropout 的卫星异常检测方法
机器学习
2022-11-29 v1 人工智能
信号处理
摘要
近来，利用神经网络（NN）进行卫星遥测异常检测（AD）受到大量关注。出于 AD 目的，当前方法聚焦于时间序列的预测或重构，无法衡量可靠性水平或正确检测的概率。尽管基于贝叶斯神经网络（BNN）的方法以时间序列不确定性估计著称，但其计算上难以处理。本文中，我们提出一种基于蒙特卡洛（MC）dropout 方法的 BNN 可处理近似，用于捕捉卫星遥测时间序列中的不确定性，且不牺牲精度。对于时间序列预测，我们采用一个由若干长短期记忆（LSTM）层后接多个全连接层组成的 NN。我们在每个 LSTM 层内部及全连接层之前采用 MC dropout 进行不确定性估计。利用所提出的不确定性区域并借助后处理滤波器，我们可有效捕捉异常点。数值结果表明，我们提出的时间序列 AD 方法在预测精度与 AD 视角上均优于现有方法。
引用
@article{arxiv.2211.14938,
title = {An Anomaly Detection Method for Satellites Using Monte Carlo Dropout},
author = {Mohammad Amin Maleki Sadr and Yeying Zhu and Peng Hu},
journal= {arXiv preprint arXiv:2211.14938},
year = {2022}
}