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：