Eine Methode zur Erkennung von Anomalien in Satelliten-Zeitserien basierend auf schnellem DTW und verbessertem KNN

Bei der Erkennung von Anomalien in Satelliten gibt es Probleme wie unausgeglichene Stichprobenverteilung, weniger Fehlermuster und nicht offensichtliche Anomalieeigenschaften. Diese Probleme führen dazu, dass bestehende Anomalieerkennungsmethoden Schwierigkeiten haben, ein genaues Klassifikationsmodell zu trainieren, und die Genauigkeit der Anomalieerkennung schwer zu verbessern ist. Gleichzeitig haben die Überwachungsdaten von Satelliten eine hohe Dimension und es ist schwierig, effektive Merkmale zu extrahieren. Basierend auf der DTW-Übersampling-Methode realisiert dieses Papier das Übersampling von Fehlermustern in Satelliten-Zeitserien und konstruiert einen verteilten und ausgewogenen Zeitserien-Datensatz. Die Fast-DTW-Methode wird angewendet, um den Abstand zwischen verschiedenen Zeitserien zu berechnen, wodurch die Geschwindigkeit der Ähnlichkeitsberechnung verbessert werden kann. Die KNN-Methode (K-Nearest Neighbor) wird für die Klassifikation angewendet, und das beste Klassifikationsergebnis wird durch die Suche nach den optimalen Hyperparametern k erzielt. Die Ergebnisse zeigen, dass die vorgeschlagene Methode eine hohe Genauigkeit bei der Anomalieerkennung aufweist und wenig Berechnungszeit benötigt.