基于时空相关性多元回归的飞行数据异常检测和恢复方法技术

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多元回归的飞行数据异常检测和恢复方法，包括以下步骤：步骤1：获取原始的无人机飞行数据并对其进行预处理；并获得初始样本；步骤2：自初始样本中选取具有相关性的参数子集；步骤3：向参数子集中注入异常；步骤4：将具有异常的参数子集划分为训练集和测试集；步骤5：将训练集和测试集输入CNN

【技术实现步骤摘要】
基于时空相关性多元回归的飞行数据异常检测和恢复方法


[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多元回归的飞行数据异常检测和恢复方法。

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]现有的一些无人机飞行数据异常检测方法包括基于知识的方法、基于模型的方法和数据驱动的方法。其中，基于知识的方法可以利用领域知识和专家经验，具有很高的可解释性，但其受到专家经验和知识水平的限制，难以适应数据的变化，准确性有限。基于模型的方法可以针对无人机的特定领域和数据类型进行优化和调整，以消除多种异常模式，但其需要大量数据进行模型训练，同时，该方法可能受到训练数据的限制和偏差的影响，以致于准确度有限。此外，建立准确的无人机物理模型也是一个重大挑战。
[0004]而还有的数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于时空相关性多元回归的飞行数据异常检测方法，其特征在于，包括以下步骤：步骤1：获取原始的无人机飞行数据并对其进行预处理；并获得初始样本；步骤2：自初始样本中选取具有相关性的参数子集；步骤3：向参数子集中注入异常；步骤4：将具有异常的参数子集划分为训练集和测试集；步骤5：将训练集和测试集输入CNN
‑
BiLSTM
‑
Attention回归模型，并得到训练误差和测试误差；步骤6：获取平滑的训练误差及测试误差，并以平滑的训练误差的平均值作为判断飞行数据异常的阈值；以平滑的测试误差作为判断飞行数据异常的判断值。2.根据权利要求1所述的基于时空相关性多元回归的飞行数据异常检测方法，其特征在于，在步骤1中，所述预处理包括：对原始的无人机飞行数据进行数据归一化处理。3.根据权利要求1所述的基于时空相关性多元回归的飞行数据异常检测方法，其特征在于，在步骤2中，选取具有相关性的参数子集时，采用MIC相关分析法进行相关性分析，并设定相关度阈值为0.6，选取相关度大于0.6的数据加入参数子集。4.根据权利要求3所述的基于时空相关性多元回归的飞行数据异常检测方法，其特征在于，在步骤2中，选取具有相关性的参数子集时，以导航下降速度navvd作为检测参数进行相关性分析；所述具有相关性的参数子集为与导航下降速度navvd具有相关性的参数子集。5.根据权利要求1所述的基于时空相关性多元回归的飞行数据异常检测方法，其特征在于，在步骤3中，注入的异常类型包括偏差和漂移异常。6.根据权利要求1所述的基于时空相关性多元回归...

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