一种无人机异常行为识别模块及其识别方法技术

本发明专利技术公开了一种无人机异常行为识别模块及其识别方法，包括：正生成对抗网络、反生成对抗网络和检测器；正生成对抗网络中正生成器生成正常事件，反生成对抗网络中反生成器生成非正常事件。检测器计算输入事件与正生成器与反生成器生成的模拟事件的欧氏距离差，计算异常事件分值，设置合理的阈值，将分值高的事件作为异常事件检出。本发明专利技术的优点是：使用正常事件进行训练，采用合理算法计算输入与生成模拟事件样本的重构差异，实现异常事件的有效检测；能够有效检出未知异常事件，关键技术指标有明显提升；可拓展用于网络、医学等异常事件未知、不确定领域，未来会努力提高训练检测稳定性、提升综合性能指标，实现真正工程应用。

An abnormal behavior recognition module of UAV and its recognition method

【技术实现步骤摘要】
一种无人机异常行为识别模块及其识别方法
本专利技术涉及无人机
，特别涉及一种基于生成式对抗网络的无人机异常行为识别模块及其识别方法。
技术介绍
近年来，国内航空事业高速发展，中国航班起降架次已由2006年的340万架次增至2017年的928万架次，年均增长率高达9.7％。另外，无人机在民用领域迅速崛起，在农业植保、测绘和物流等领域具有广阔的应用前景，预计到2025年，国内民用无人机产值将达到1800亿元。飞行安全至关重要，飞机一旦发生故障或事故会带来不可估量的损失，无人机的部署和应用更需以保障空中安全和地面人身财产安全为前提。因此，如何对无人机异常行为准确检测，进而确保空中和地面的安全，满足人们生活和生产需求，同时降低运营成本，已成为无人机日常运营中亟待解决的问题。无人机可以飞行多光谱相机并收集数据。然而，使用诸如卷积神经网络(CNN)的监督机器学习算法对多光谱图像进行分类需要大量的训练数据。这是深度学习的一个共同缺点，与本专利技术相关的现有技术一基于分类的方法属于有监督方法，步骤为选定相应分类器作为模型核心，随后本文档来自技高网...

【技术保护点】
1.一种无人机异常行为识别模块，其特征在于，包括：正生成对抗网络、反生成对抗网络和检测器；/n正生成对抗网络用于不断迭代，循环训练，持续提高正生成器的正常事件模拟生成能力和判决器的判决能力；/n反生成对抗网络用于不断迭代，循环训练，持续提高反生成器的模拟异常事件生成能力和判决器的判决能力；/n检测器用于检测时，主要通过检测器，计算输入事件X与正生成器生成的模拟事件Gn(Z)的欧氏距离差，以及与反生成器生成的模拟事件Ga(Z)的欧氏距离差，计算异常事件分值，设置合理的阈值，将分值高的事件作为异常事件检出；/n正生成对抗网络由正生成器和判决器A组成；/n正生成器用于最大可能生成正常事件，即努力模拟...

【技术特征摘要】
1.一种无人机异常行为识别模块，其特征在于，包括：正生成对抗网络、反生成对抗网络和检测器；
正生成对抗网络用于不断迭代，循环训练，持续提高正生成器的正常事件模拟生成能力和判决器的判决能力；
反生成对抗网络用于不断迭代，循环训练，持续提高反生成器的模拟异常事件生成能力和判决器的判决能力；
检测器用于检测时，主要通过检测器，计算输入事件X与正生成器生成的模拟事件Gn(Z)的欧氏距离差，以及与反生成器生成的模拟事件Ga(Z)的欧氏距离差，计算异常事件分值，设置合理的阈值，将分值高的事件作为异常事件检出；
正生成对抗网络由正生成器和判决器A组成；
正生成器用于最大可能生成正常事件，即努力模拟异常事件，并用于训练判别器A；
判决器A用于判别事件是来自输入事件X还是来自正生成器生成正常事件Gn(Z)的判决能力，随后训练正生成器生成模拟正常事件Gn(Z)的能力；
反生成对抗网络由反生成器和判决器B组成；
反生成器用于最大可能生成非正常事件，即努力模拟异常事件，并用于训练判别器B，判决器B用于判别事件是来自输入事件X还是来自反生成器生成的模拟异常事件Ga(Z)的判决能力，随后训练反生成器生成模拟异常事件Ga(Z)的能力。


2.根据权利要求1所述的一种无人机异常行为识别方法，其特征在于：
步骤1，正生成对抗网络先训练判决器判别事件是来自输入事件还是来自正生成器生成正常事件Gn(Z)的判决能力，随后训练正生成器生成模拟正常事件的能力，Gn(Z)系统不断...

【专利技术属性】
技术研发人员：张学军，张祖耀，卿三东，
申请(专利权)人：北航四川西部国际创新港科技有限公司，
类型：发明
国别省市：四川;51