用于航天遥测异常检测的多重检验

基于摘要分析。本文研究半监督框架下的航天遥测异常检测，将函数型观测投影到正交基上，通过多重检验筛选与正常数据存在显著差异的系数，再利用 Local Outlier Factor（LOF）识别异常。 方法的核心是将降维与统计特征筛选连接起来：先以正交基投影系数表示原始观测，再构建基于双样本检验的多重检验程序，定位异常与正常数据之间存在差异的系数层级，最后仅在选定系数上计算 LOF。其机制依赖函数型数据表示及可供比较的正常参考数据；具体正交基、检验统计量、多重检验校正方式、半监督信息的使用方式和 LOF 参数尚未验证。 作者报告将该特征选择流程应用于模拟航天遥测行为的数据及一组真实遥测数据，并与既有降维技术比较。摘要未提供具体对照方法、数据划分、异常比例或量化结果，因此目前不能判断相对优势；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 片段视为函数型观测，并能提供相对稳定的正常参考数据，该流程可能用于异常片段筛查，而非直接作为 BCI 解码方法。可复用正交投影、系数检验和 LOF 环节，但需重新定义正常状态，并适配通道组织与片段长度。低信噪比、跨被试分布变化及小样本可能使显著差异反映个体或采集条件，而非目标异常。一个可检验的小实验是在固定被试内划分和相同 LOF 设置下，比较全系数、常规降维与多重检验筛选的异常检测表现，确保特征筛选仅使用训练侧数据。相关 EEG 工作尚未检索确认。