一种基于AdaBoost算法的卫星故障诊断方法

摘要

一种基于AdaBoost算法的卫星故障诊断方法，属于卫星故障诊断技术领域。本发明为了现有的朴素贝叶斯系统的故障诊断方法对数目较少的故障状态诊断能力较弱的问题，提出了一种基于AdaBoost算法的卫星故障诊断方法：将集成算法AdaBoost算法合理的应用于现有的朴素贝叶斯故障诊断系统；每次训练后，改变样本的权值，即改变错分样本的事件型特征的数值，提升故障诊断系统对该特征的关注程度；再建立新的状态与事件特征的对应关系矩阵，重新训练分类器，将所训练的分类器集成为新的故障诊断分类器。本发明适用于卫星故障诊断领域。

主权项

一种基于AdaBoost算法的卫星故障诊断方法，其特征在于所述方法包括以下步骤：步骤一、数据初始化：将卫星所提供的信息进行统计，构建每种故障类型与每个不同类型的事件特征出现次数的对应矩阵，用于建立故障诊断模型；卫星的状态与事件特征及状态与故障类型之间的数据关系如式(1)，式中，E_i——第i类事件特征，i＝1,2,…N；K——卫星状态总数；C_j——卫星的第j个状态，j＝1,2,…K；e_ij——第i个事件型状态监测数据在第j个状态中出现的次数；此时，将训练集的每个样本赋予相同的权值，用于训练弱分类器；步骤二、训练弱分类器，应用朴素贝叶斯算法针对加权后的训练集训练分类器，训练结果作为后续步骤中的弱分类器，步骤如下：步骤二一、卫星数据的统计及预处理：针对加权后的训练集数据，构建每种故障类型与每个不同类型的事件特征出现次数的对应矩阵，用于建立故障诊断模型；步骤二二、计算事件特征的后验概率，并根据事件特征的后验概率计算卫星每种状态的后验概率，将步骤二一中统计的出现次数矩阵转化为概率矩阵；步骤二三、卫星状态的后验概率确定，利用全部类型的事件特征的后验概率的乘积确定卫星每个状态的后验概率；其中，若出现训练集中未包括的时间特征，则用接近0的数值代替其后验概率；步骤二四、故障的先验概率的确定，依据卫星状态监测数据中故障类型的分布估算各故障类型的先验概率；步骤二五、故障的后验概率确定，根据贝叶斯定理，应用步骤二三和步骤二四中得出的状态的后验概率与故障的先验概率求得某一状态在不同故障类型中的后验概率，其中后验概率最大的故障类型则为该状态被诊断出的故障类型；利用步骤二中的分类器对训练集进行分类，对比分类器对训练集的分类结果与训练集样本的真实类别，计算加权误分率，如式(2)，即将全部误分类状态的权重求和；$e=\underset{i=1}{\overset{N}{\Sigma }}{w}^{\left(i\right)}I(y_i\ne h\left(x_i\right))---\left(2\right)$其中，函数I{·}为指示函数，若I{·}中表达式为真，则I{·}＝1；否则，I{·}＝0，式中，e——加权误分率，h(x_i)——基于朴素贝叶斯算法的分类器对第i个状态样本的分类类别，y_i——第i个状态样本的真实类别，w⁽ⁱ⁾为第i个状态样本的权值；步骤三、更新训练集权值：综合考虑该分类器的加权误分率和训练集样本的原有权值，计算新的权值；训练基于朴素贝叶斯算法的弱分类器之前，调整训练集中各个状态样本的权重；其中，分类正确的状态样本的权重降低，减少新的弱分类器对其关注程度；分类错误的状态样本的权值则不变；将新生成的权值进行规范化处理，重新赋予训练集，用于新的弱分类器的训练；步骤四、重复步骤二和步骤三，训练基于朴素贝叶斯算法的弱分类器，直至加权误分率大于0.5时或接近0时停止，此时重复训练新的弱分类器对最终生成的分类器的结果影响很小，故不再继续训练新的弱分类器；步骤五、弱分类器集成；将步骤二至四中生成的全部弱分类器集成，即当输入一个新的样本时，将每个基于朴素贝叶斯算法的弱分类器的结果加权求和，选取加权求和后验概率最大的故障类型作为输出，各弱分类器的权重由其对训练集的加权误分率确定。