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。
[0005]数据驱动方法可进一步分为时间相关方法和空间
‑
时间相关方法。时空相关方法只考虑时间维度上的相关，而忽略了多维无人机飞行数据空间维度上的相关。空间
‑
时间相关方法充分考虑了多维无人机飞行数据在时间和空间上的相关性，如利用LSTM挖掘无人机飞行数据的时空相关性，但在参数选择上仍依赖于先验知识。虽然可以直接选择无人机飞行数据的所有参数进行分析，但有更多的冗余参数会对模型的性能产生不利的影响。
[0006]综上所述，无人机飞行数据异常检测的主要挑战有以下几点：
[0007]1、目前大多数数据驱动的方法没有很好地考虑到多维无人机飞行数据的时间和空间关联性。
[0008]2、现有的时空相关方法在参数选择上仍然依赖先验知识。
[0009]3、异常数据标签的缺乏和大规模标注异常数据的高成本使得监督异常检测方法往往不可行。

技术实现思路

[0010]本专利技术意在提供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，能够准确检测数据异常，且能够有效减少数据分析对于先验知识的依赖性，异常检测较为方便，检测有效度高。
[0011]本专利技术提供的基础方案为：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：
[0012]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；
[0013]步骤2：预处理原始数据集，并得到标准数据集；
[0014]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；
[0015]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；
[0016]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；
[0017]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。
[0018]本专利技术的工作原理及优点在于：第一，本方案进行异常检测的数据分析基础，是基于多维的无人机飞行参数，即，是基于不同类型的参数项目进行的综合性分析。与常规的无人机飞行数据分析方法不同，常规方法往往是针对单一参数进行单维变量分析，该方法涉及的数据量小，分析难度低，但是，其分析具有较大的局限性。而本方案基于多维数据进行综合性分析，可以突破参数项本身的局限，更好地分析无人机性能指标。且对于现有分析方案而言，它们无法保证多维分析的准确度和效率，因为多维分析必然存在冗余参数，会对分析模型的性能产生不利的影响，使得分析效果不佳；而若是依靠专家知识(先验知识)，则又会使得多维分析本身的优点丧失，受到先验知识的主观局限。本方案则解决了上述技术难点，通过步骤3至步骤4，进行参数提取，组成特征子集，能够在没有先验知识，不利用先验知识的情况下对多维参数进行优选，去除多维分析中的参数冗余，同时保有多维分析的优势。
[0019]第二，本方案在进行参数优选时，利用MIC相关分析方法获取参数间的关联程度值，以进行参数选取，且在选取时，仅选取关联程度值较高(大于第一阈值)的参数，能够智能地精选出具有关联性的参数作为无人机运行状态性能分析的数据源，有效去除冗余参数的同时，具有关联性的参数能够更好地反映出无人机某些部件的性能指标，特别是单个参数无法充分展示的相对隐性的性能指标。并且，本方案采用的MIC相关分析方法，相比于其他的相关系数(如皮尔逊相关系数等)，在捕捉数据中存在线性和非线性相关参数时，表现更佳，能够有效减少对专家知识(先验知识)的依赖，使得异常检测和处理更为可靠、有效和便捷。
[0020]第三，本方案采用LSTM
‑
AE模型对相关性特征子集进行评分，并将模型损失损失函数作为异常分数以用作异常判定，LSTM
‑
AE模型能够映射具有时空相关性的飞行数据参数集，实现多维无人机飞行数据的无监督异常检测，相比于需要大规模标注异常数据，设置异常数据标签的监督异常检测方法，本方案的成本更低，运行效率更高，分析也更完善。
附图说明
[0021]图1为本专利技术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实施例的方法流程示意图；
[0022]图2为本专利技术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实施例的相关性分析对比图；
[0023]图3为本专利技术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实施例的部分参数的归一化和S
‑
G滤波器处理图形示意图；
[0024]图4为本专利技术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实施例的LSTM
‑
AE模型示意图；
[0025]图5为本专利技术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实施例的部分参数的异常分数示意图。
具体实施方式
[0026]下面通过具体实施方式进一步详细的说明：
[0027]实施例基本如附图1所示：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：
[0028]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。
[0029]具体地，原始数据集的数据自公开数据集中获取得到，本实施例中选用的公开数据集为Thor flight69数据集，数据量充足且数据来源可靠。本实施例的原始数据集中包含多种无人机飞行数据参数，如表1所示：
[0030]表1飞行数据参数表
[0031][0032]步骤2：预处理原始数据集，并得到标准数据集。
[0033]所述预设处理策略包括：将原始数据集归一化。具体地本文档来自技高网...

【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：