基于相关性分析与深度学习的飞行数据异常检测方法技术

本发明专利技术适用于无人机设备异常检测技术领域，提供了一种基于相关性分析与深度学习的飞行数据异常检测方法，采用人工神经网络相关性分析法发现飞行数据中的多种非线性相关关系，从数据层面明确飞行参数之间的相关关系，并利用这种相关关系来判断所采集的数据是否异常，当所采集的数据值偏离了相关关系一定范围时，即判定为数据异常。采用本发明专利技术的基于相关性分析与深度学习的飞行数据异常检测方法对异常数据的检测精度较传统的异常检测方法有大幅度提高，检测速度也有明显提高。检测速度也有明显提高。检测速度也有明显提高。

【技术实现步骤摘要】
基于相关性分析与深度学习的飞行数据异常检测方法


[0001]本专利技术涉及无人机设备异常检测
，尤其是涉及一种基于相关性分析与深度学习的飞行数据异常检测方法。

技术介绍

[0002]无人机具有体积小、重量轻、成本低、机动性强、危险系数低、任务功能复杂等多种优势，其被广泛用于摄影、电力巡检、环境监测、军事等多个领域。无人机飞行数据能直接反映无人机运行状态，通过对无人机飞行数据开展异常检测研究，能及时发现异常，避免无人机因异常而造成灾难性事故。
[0003]无人机作为一个包含机械、电子、液压等部件的复杂系统，其飞行数据具有高维、时间序列的特点。由于受到无人机结构的影响，飞行数据之间存在复杂的关联关系。无人机飞行数据中关联关系可以总结为时间相关与空间相关，其中时间相关是指飞行数据在时间维度上具有相关性，空间相关是指飞行数据在空间维度上具有相关关系，即各个飞行参数之间由于受到无人机结构的影响存在相关性。
[0004]目前针对无人机飞行数据进行异常检测的方法主要包含基于专家知识、基于模型和数据驱动的方法。其中基于专家知识的方法需要无本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于相关性分析与深度学习的飞行数据异常检测方法，其特征在于，S10.准备正常飞行状态下的数据样本将正常飞行状态下的M组飞行数据分为四个数据样本：第一数据样本、第二数据样本、第三数据样本和第四数据样本；每个数据样本中包含相同组数或不同组数的飞行数据；每一组飞行数据包括N个飞行参数；S20.构造并训练人工神经网络模型将N个飞行参数两两一组，分别作为人工神经网络模型的输入和输出，得到N*(N
‑
1)个模型，采用第一数据样本对人工神经网络进行训练；S30.相关性分析将第二数据样本输入到步骤S20中训练完成的人工神经网络模型中，得到第一估计值序列；计算第一估计值序列与真实值之间的第一相关系数，进一步得到N*(N
‑
1)个输入参数与输出参数之间的第二相关系数，建立N个飞行参数的强相关参数集合；S40.构造并训练深度学习异常检测模型构造深度学习异常检测模型，所述深度学习异常检测模型的输入参数为待检测参数的强相关参数集合，输出参数为待检测参数；采用第三数据样本对深度学习异常检测模型进行训练；S50.残差生成S51.将第四数据样本输入到步骤S40训练完成的深度学习异常检测模型中，得到待检测参数的第二估计值序列；S52.计算第二估计值序列与真实值之间的残差，得到残差序列；S53.计算残差的均值u与标准差δ，设定正常参数...

【专利技术属性】
技术研发人员：苗强，钟杰，张恒，罗冲，张玉杰，王剑宇，
申请(专利权)人：四川大学，
类型：发明
国别省市：