一种无人机传感器类不平衡数据异常检测方法及检测系统技术方案

本发明专利技术公开了一种无人机传感器类不平衡数据异常检测方法及检测系统，属于数据处理技术领域，包括：S1、将数据集中字符型数据转化为数值型，将数值化的数据集归一化；可靠数据标签划分多数类和少数类；S2、通过对抗的方式学习少数类样本的高维特征数据集分布，根据JS散度判断计算生成数据与真实数据的拟合程度，运用sigmoid函数判断真假；S3、将数据集输入到堆叠两个栈式非对称深度自编码器，自编码器映射到隐空间；S4、首先，采用Adam算法优化异常检测模块中随机森林分类器的网络参数，使损失函数收敛；然后，运用测试集数据测试异常检测模块的分类效果；最后，运用该模块进行无人机传感器数据异常检测。器数据异常检测。器数据异常检测。

【技术实现步骤摘要】
一种无人机传感器类不平衡数据异常检测方法及检测系统


本专利技术属于数据处理
，具体涉及一种无人机传感器类不平衡数据异常检测方法及检测系统。

技术介绍

众所周知，作为供应链重要组成部分，无人机系统正趋向庞大化、复杂化，而无人机的网络安全问题日益凸显。多个网络安全实验室通过对无人机开展网络安全漏洞挖掘和攻击利用，发现非法手段可获取无人机控制权，影响无人机系统正常运行，甚至导致无人机坠毁，故针对无人机系统的异常检测尤为重要。无人机执行飞行任务时，需通过传感器数据对飞行姿态精准调整。但因无人机容易受到来自外界的侵害，例如传感器被干扰、数据被篡改，影响无人机获取正常数据，导致无人机姿态控制异常、飞行任务失败等。因此，若能及时准确的检测到无人机自身异常，对无人机执行目标跟踪、集群控制、编队飞行等多种自主飞行相关任务都有着重要意义。无人机中机载传感器实时记录了飞行数据，可通过分析传感器数据间的相关性，判断无人机飞行状态是否异常。异常检测(AnomalyDetection)是基于机器学习的方法，从数据集中检测出不符合预期设定的数据。异常数据，是指在数据集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人机传感器类不平衡数据异常检测方法，其特征在于，包括：S1、数据预处理：获取无人机传感器数据，构建数据集，将数据集中字符型数据转化为数值型，将数值化的数据集归一化；可靠数据标签划分多数类和少数类；S2、少数类扩充：通过生成对抗网络的生成器与判别器对抗的方式学习少数类样本的高维特征数据集分布，根据JS散度判断计算生成数据与真实数据的拟合程度，再运用判别器中sigmoid函数判断真假，达到最小化最大化平衡，输出扩充比例和扩充后数据集；S3、特征提取：将所述数据集输入到堆叠两个栈式非对称深度自编码器，自编码器映射到隐空间，高维数据重构达到损失函数最小，达到降维目的的同时训练模型收敛；S4、异常检测：首先，采用Adam算法优化异常检测模块中随机森林分类器的网络参数，使损失函数收敛；然后，运用测试集数据测试异常检测模块的分类效果；最后，运用该模块进行无人机传感器数据异常检测。2.根据权利要求1所述的无人机传感器类不平衡数据异常检测方法，其特征在于，在S1中，通过无人机飞行日志获取无人机传感器数据，所述数据集的数据特征维数为49个，每个子集均由不平衡率表示不平衡性，具体公式如下：其中，N
majority
表示多数类的样本个数，N
minority
表示少数类的样本个数，IR表示数据集的不平衡度，当IR值越大，表示数据集越不平衡。3.根据权利要求1所述的无人机传感器类不平衡数据异常检测方法，其特征在于，在S2中，根据JS散度计算数据分布的差异，散度值越小，两个分布越一致，依据JS散度区分多数类和少数类，将数据集中的少数类类别信息和随机选择的噪声输入到生成器中，生成器根据输入信息生成伪数据，鉴别器通过类信息区分真实数据和生成数据，再根据生成对抗网络的损失函数更新生成器和鉴别器，最终达到损失最小化。4.根据权利要求1所述的无人机传感器类不平衡数据异常检测方法，其特征在于，在S3中，首先设置堆叠两个栈式非对称深度自编码器的深度和隐藏层单元个数，再将S2处理的高维特征数据集输入模型中，从m个原有特征中选择n个最重要的特征，m>n，构成特征子集。5.一种无人机传感器类不平衡数据异常检测系统，其特征在于，包括：数据预处理模块：获取无人机传感器数据，构建数据集，将数据集中字符型数据转化为数值型，将数值化的数据集归一化；可靠数据标签划...

【专利技术属性】
技术研发人员：王双，陈辉，周景贤，隋翯，李志平，韩强，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：