一种基于GRU-VAE模型的无监督航迹异常检测方法及系统技术方案

本发明专利技术公开一种基于GRU

【技术实现步骤摘要】
survey on unsupervised outlier detection in high
‑
dimensional numerical data[J].Statal Analysis&Data Mining,2012,5(5):363
‑
387.]将聚类方法进行推广，通过计算异常序列到聚类点簇中心的距离，实现对异常点的检测。但以上方法只能同时检测运动目标的一到两个运动特征，然而航迹数据是具有多个运动特征的高维数据样本，因此在航迹数据异常检测问题上必须全面考虑所有航迹特征。
[0008](三)基于深度神经网络的方法还有待进一步提升空间
[0009]Park[PARK D,HOSHI Y,KEMP C.A Multimodal Anomaly Detector for Robot
‑
Assisted Feeding Using an LSTM
‑
Based Variational Autoencoder[J].IEEE Robotics and Automation Letter本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GRU
‑
VAE模型的无监督航迹异常检测方法，其特征在于，包括：步骤1：使用预处理后得到的历史航迹数据集训练GRU
‑
VAE航迹数据异常检测模型，采用平均绝对距离度量方法计算重构损失并可视化分布情况，采用正态分布法确定重构损失阈值区间，将阈值参考范围百分比作为阈值区间的置信度；步骤2：运用训练好的GRU
‑
VAE航迹数据异常检测模型对预处理后的实时航迹数据集进行检测，对重构损失超出阈值区间的异常航迹序列进行深入研判，实时报告运动目标的航迹态势信息。2.根据权利要求1所述的一种基于GRU
‑
VAE模型的无监督航迹异常检测方法，其特征在于，按照如下方式进行航迹数据集预处理：首先，遍历航迹数据集中的每一条航迹序列，计算每个航迹点向量的加速度和航向变化率；然后，对整个航迹数据集中每一条航迹序列的航迹点向量特征值进行最大最小值归一化处理；之后，将数据转换为深度神经网络模型可接收的格式。3.根据权利要求1所述的一种基于GRU
‑
VAE模型的无监督航迹异常检测方法，其特征在于，所述GRU
‑
VAE航迹数据异常检测模型的搭建以VAE变分自编码器为基础，将VAE的编码器输入层和解码器输出层替换为GRU门控循环单元。4.根据权利要求1所述的一种基于GRU
‑
VAE模型的无监督航迹异常检测方法，其特征在于，按照下式计算航迹序列重构损失R_loss：其中，W
R
和W是重构航迹序列和原始航迹序列，和w
i
分别是在第i个时间戳上的重构和原始航迹点向量，k是航迹序列中的航迹点个数，j是航迹点向量中的特征个数。5.根据权利要求1所述的一种基于GRU
‑
VAE模型的无监督航迹异常检测方法，其特征在于，按照下式确定重构损失阈值区间和阈值区间的置信度：式中为重构误差的总体均数，S为标准差，u为界值，α是阈值区间的显著性水平；将1
‑
α作为阈值区间的置信度，1
‑
α为阈值参考范围百分比。6.一种基于GRU

【专利技术属性】
技术研发人员：张静，李磊，周明康，王哲，可珂，莫有权，王晓梅，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
类型：发明
国别省市：