一种基于时空相关性的多维无人机飞行数据的无监督异常检测方法技术

本发明专利技术涉及无人机异常检测技术领域，公开了一种基于时空相关性的多维无人机飞行数据的无监督异常检测方法，包括以下步骤：步骤1：采集原始数据集；步骤2：预处理原始数据集，并得到标准数据集；步骤3：采用MIC相关分析法处理标准数据集，并输出得到飞行数据参数之间的关联程度值；步骤4：自标准数据集中，提取关联程度值大于第一阈值的飞行数据参数，并组成特征子集；步骤5：将特征子集作为模型输入，输入至LSTM

【技术实现步骤摘要】
一种基于时空相关性的多维无人机飞行数据的无监督异常检测方法


[0001]本专利技术涉及无人机异常检测
，具体涉及一种基于时空相关性的多维无人机飞行数据的无监督异常检测方法。

技术介绍

[0002]现有的无人机飞行数据异常检测方法通常分为基于知识、基于模型和基于数据的方法。
[0003]其中，基于知识的方法通过总结专家在无人机特定领域的经验和知识来检测飞行数据异常。然而，这些方法严重依赖先验知识，导致其异常检测能力差。基于模型的方法通常涉及为无人机或其子系统建立一个适当的物理模型，并构建一个观测系统模型。然后通过比较估计值和实际值来计算残差，以检测无人机飞行数据中的异常情况。然而，建立准确的无人机系统物理模型很困难，这在一定程度上限制了这些方法的应用。
[0004]与基于知识和模型的方法相比，数据驱动的方法不需要对无人机系统的物理特征进行复杂的建模，可以最大限度地利用传感器数据中的信息。此外，各种数据驱动方法可以根据无人机飞行数据信息的变化特征来检测异常情况。数据驱动方法被广泛用于无人机关键部件和系统的异常检测。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空相关性的多维无人机飞行数据的无监督异常检测方法，其特征在于，包括以下步骤：步骤1：采集原始数据集；所述原始数据集为原始的多维无人机飞行数据参数集；步骤2：预处理原始数据集，并得到标准数据集；步骤3：采用MIC相关分析法按照预设处理策略处理标准数据集，并输出得到飞行数据参数之间的关联程度值；步骤4：自标准数据集中，提取关联程度值大于第一阈值的飞行数据参数，并组成特征子集；步骤5：将特征子集作为模型输入，输入至LSTM
‑
AE模型中；将LSTM
‑
AE模型损失函数作为异常分数，对特征子集进行评分；步骤6：比对异常分数与第二阈值；若异常分数大于第二阈值，则判定为飞行数据存在异常，否则，判定为飞行数据不存在异常。2.根据权利要求1所述的一种基于时空相关性的多维无人机飞行数据的无监督异常检测方法，其特征在于，所述第一阈值为0.6。3.根据权利要求1所述的一种基于时空相关性的多维无人机飞行数据的无监督异常检测方法，其特征在于，所述第二阈值为X；且X值通过训练和调整LSTM<...

【专利技术属性】
技术研发人员：杨磊，李少波，李传江，张安思，张仪宗，
申请(专利权)人：贵州大学，
类型：发明
国别省市：