基于机器学习的智能无人设备组网异常检测方法及系统技术方案

基于机器学习的智能无人设备组网异常检测方法及系统，检测方法包括：获取智能无人设备组网中每一辆智能无人设备的行驶数据和组网中相互通信所产生的网络数据，抽取不同特征的数据以表示智能无人设备组网在行驶过程中的行驶状态和网络状态，并将其转化为特征向量；对特征向量进行降维，并对降维后的特征向量根据密度分布进行智能无人设备的行驶事件聚类，将智能无人设备组网中各智能无人设备的行驶事件划分为正常事件和异常事件；针对划分后的行驶事件，将对应的特征向量整合成相应的矩阵输入机器学习模型中，学习正常事件和异常事件的特征，再利用模型对智能无人设备组网实现异常检测。本发明专利技术结合了行驶数据和网络数据，能实现高效的异常检测。能实现高效的异常检测。能实现高效的异常检测。

【技术实现步骤摘要】
基于机器学习的智能无人设备组网异常检测方法及系统


[0001]本专利技术属于组网异常检测领域，具体涉及一种基于机器学习的智能无人设备组网异常检测方法及系统。

技术介绍

[0002]智能无人设备组网是由多辆利用人为的无线电遥控操纵或自主程序控制装置操纵的可重复使用智能无人设备所组成的设备群体，例如，无人车、无人机、无人艇等。它们由于操纵性强、完成度高、执行任务能力灵活等特点，在生活中的很多领域都得到了广泛的应用，例如，农业灌溉、物流运输、抢险救灾、航拍摄影、军事监测等。相对于单个智能无人设备执行任务由于负荷有限、任务范围小而无法完成复杂任务等缺点，多架智能无人设备协同工作的智能无人设备组网能够更大范围地进行扩展应用。多设备、多平台的智能无人设备组网协同工作，可以实现协同、相互支撑互补，通过共享网络资源，相互通信配合完成任务。在智能无人设备组网中，因为智能无人设备间的无线网络传输的范围是有限的，所以当智能无人设备组网要完成相互的通信时，通常都是需要发生多跳的通信传播，在这其中智能无人设备就要承担起无线通信网络中的中继节点，这样在这其中也就形成了自组织网络。
[0003]由此可见，在这种移动自组织网中，有无线通信、无网络中心、拓扑结构多变和多跳中继等网络特点。由于在这个自组织网络中，每一架智能无人设备就是一个网络节点，通过无线链路进行通信，因此在这个过程中，若有恶意攻击者进行对智能无人设备组网的网络攻击或者欺骗攻击，可能会使得智能无人设备组网瘫痪，导致设备的碰撞损坏，造成极大的损失。为了保证智能无人设备组网行驶过程中的安全可靠运行，能够监测、管理智能无人设备组网的健康状况并在需要时采取预测措施是至关重要的。但是，目前针对智能无人设备组网在行驶的过程中，并没有可靠的异常检测的方法，并且在行驶过程中可能出现的行驶问题和网络问题并没有相关的关联，相结合检测的难度较大。因此，要确保智能无人设备组网的安全性和可靠性，需要其具备能够实时感知的异常检测能力以评估自身健康状况。

技术实现思路

[0004]本专利技术的目的在于针对上述现有技术中智能无人设备中行驶数据与网络数据相结合异常检测较为困难以及智能无人设备组网异常检测效果不佳的问题，提供一种基于机器学习的智能无人设备组网异常检测方法及系统，能够快速高效地实现对智能无人设备组网的异常检测。
[0005]为了实现上述目的，本专利技术有如下的技术方案：
[0006]一种基于机器学习的智能无人设备组网异常检测方法，包括以下步骤：
[0007]‑
获取智能无人设备组网中每一辆智能无人设备的行驶数据和组网中相互通信所产生的网络数据，抽取多种不同特征的数据以表示智能无人设备组网在行驶过程中的行驶状态和网络状态，并将其转化为特征向量；
[0008]‑
对特征向量进行降维，并对降维后的特征向量根据密度分布进行智能无人设备
的行驶事件聚类，将智能无人设备组网中各智能无人设备的行驶事件划分为正常事件和异常事件；
[0009]‑
针对划分后的行驶事件，将对应的特征向量整合成相应的矩阵输入机器学习模型中，学习正常事件和异常事件的特征，再利用模型对智能无人设备组网实现异常检测。
[0010]作为本专利技术智能无人设备组网异常检测方法的一种优选方案，按下表根据智能无人设备的历史行驶数据抽取14种不同特征的数据：
[0011][0012][0013]通过以上14种特征的数据表示智能无人设备组网在行驶过程中的行驶状态。
[0014]作为本专利技术智能无人设备组网异常检测方法的一种优选方案，按下表根据智能无人设备组网的历史网络数据抽取11种不同特征的数据：
[0015][0016][0017]通过以上11种特征的数据表示智能无人设备组网在行驶过程中的网络状态。
[0018]作为本专利技术智能无人设备组网异常检测方法的一种优选方案，将表示行驶状态和网络状态共25种数据的特征向量整合成5*5的二维矩阵，作为模型输入。
[0019]作为本专利技术智能无人设备组网异常检测方法的一种优选方案，所述的对特征向量进行降维具体包括：利用PCA算法在不丢失智能无人设备的行驶数据和智能无人设备组网的网络数据的主要特征的条件下，将得到的高维向量降维成3至5维向量。
[0020]作为本专利技术智能无人设备组网异常检测方法的一种优选方案，使用DBSCAN算法进行智能无人设备的行驶事件聚类，根据数据分布的特征形成没有偏倚的聚类簇，进而划分出各智能无人设备行驶事件的正常事件和异常事件。
[0021]作为本专利技术智能无人设备组网异常检测方法的一种优选方案，所述的机器学习模型以卷积神经网络CNN算法和支持向量机SVM算法为核心，具体的，通过CNN算法实现对输入的特征向量的特征提取，再利用SVM算法替代CNN算法中的softmax以实现二分类的机器学习，从而实现异常检测。
[0022]作为本专利技术智能无人设备组网异常检测方法的一种优选方案，采用对智能无人设
备组网的特殊智能无人设备以及组网中所有设备的平均值进行异常检测，所述的特殊智能无人设备包括边缘智能无人设备E
i
和中心智能无人设备C
i
，若其中出现一个或多个异常事件，则视为智能无人设备组网出现异常事件。
[0023]本专利技术还提供一种基于机器学习的智能无人设备组网异常检测系统，包括：
[0024]特征向量获取模块，用于获取智能无人设备组网中每一辆智能无人设备的行驶数据和组网中相互通信所产生的网络数据，抽取多种不同特征的数据以表示智能无人设备组网在行驶过程中的行驶状态和网络状态，并将其转化为特征向量；
[0025]事件划分模块，用于对特征向量进行降维，并对降维后的特征向量根据密度分布进行智能无人设备的行驶事件聚类，将智能无人设备组网中各智能无人设备的行驶事件划分为正常事件和异常事件；
[0026]模型构建与检测模块，用于针对划分后的行驶事件，将对应的特征向量整合成相应的矩阵输入机器学习模型中，学习正常事件和异常事件的特征，再利用模型对智能无人设备组网实现异常检测。
[0027]作为本专利技术智能无人设备组网异常检测系统的一种优选方案，系统设置在智能无人设备组网的中枢控制无人设备中，所述中枢控制无人设备通过实时地接受和反馈组网中各智能无人设备的行驶数据和网络数据实现异常检测。
[0028]相较于现有技术，本专利技术至少具有如下有益效果：通过收集在智能无人设备组网在行驶过程产生的行驶数据和网络数据，这些数据都可以实时地反映出智能无人设备组网在行驶过程中的健康状况。因此通过对这些历史数据进行机器学习，实现了实时智能无人设备组网异常检测，保障了智能无人设备组网作业的安全性。通过智能无人设备在行驶过程中的行驶数据和智能无人设备组网的网络数据两者相结合形成的二维矩阵，通过将该二维矩阵输入机器学习模型中进行学习，兼顾了智能无人设备的行驶数据和智能无人设备组网中的网络数据，保障了智能无人设备组网异常检测的全面性。本专利技术异常检测方法具有比较本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的智能无人设备组网异常检测方法，其特征在于，包括以下步骤：
‑
获取智能无人设备组网中每一辆智能无人设备的行驶数据和组网中相互通信所产生的网络数据，抽取多种不同特征的数据以表示智能无人设备组网在行驶过程中的行驶状态和网络状态，并将其转化为特征向量；
‑
对特征向量进行降维，并对降维后的特征向量根据密度分布进行智能无人设备的行驶事件聚类，将智能无人设备组网中各智能无人设备的行驶事件划分为正常事件和异常事件；
‑
针对划分后的行驶事件，将对应的特征向量整合成相应的矩阵输入机器学习模型中，学习正常事件和异常事件的特征，再利用模型对智能无人设备组网实现异常检测。2.根据权利要求1所述基于机器学习的智能无人设备组网异常检测方法，其特征在于：按下表根据智能无人设备的历史行驶数据抽取14种不同特征的数据：特征名称单位描述e1m/s传感器X轴速度e2m/s传感器Y轴速度e3m/s传感器Z轴速度e4m/s^2传感器X轴加速度e5m/s^2传感器Y轴加速度e6m/s^2传感器Z轴加速度e7m/sGPS X轴速度e8m/sGPS Y轴速度e9m/sGPS Z轴速度e
10
mGPS X轴加速度e
11
m/sGPS X轴加速度e
12
m/sGPS X轴加速度e
13
待定其他特征1e
14
待定其他特征2通过以上14种特征的数据表示智能无人设备组网在行驶过程中的行驶状态。3.根据权利要求2所述基于机器学习的智能无人设备组网异常检测方法，其特征在于：按下表根据智能无人设备组网的历史网络数据抽取11种不同特征的数据：
通过以上11种特征的数据表示智能无人设备组网在行驶过程中的网络状态。4.根据权利要求3所述基于机器学习的智能无人设备组网异常检测方法，其特征在于：将表示行驶状态和网络状态共25种数据的特征向量整合成5*5的二维矩阵，作为模型输入。5.根据权利要求1所述基于机器学习的智能无人设备组网异常检测方法，其特征在于，所述的对特征向量进行降维...

【专利技术属性】
技术研发人员：李腾，方保坤，乔伟，廖艾，林杨旭，孙小敏，马卓，马建峰，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：