System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种数据驱动型故障诊断领域,尤其涉及一种基于cnn-rf分类模型的无人机状态表征及确定方法。
技术介绍
1、自主检测广泛应用于无人机中,其被广泛认定为在一个动态过程中,检测变量或参数是否在可接受的范围内,确定无人机状态。随着技术的不断发展,对多模态系统切换前设备性能状态分析确认的速度、可信度要求逐渐提升,而设备运行环境愈发复杂多变,自检算法需要在尽可能短的时间内完成多任务和复杂环境中对系统状态的检测,从而使得在系统状态出现异常时能够及时发现并进行处理。
2、自检算法使用的信源为各传感器信号,在实际工程中自检算法通常并不使用全部信源数据,而是在有限信源情况下进行系统自检。在设备中各模块传感器数据均能正常获取的情况下,每个模块都有对应的传感器数据能够表征模块状态,对每一传感器节点的数据流进行异常检测即可判断对应模块是否存在异常。而测试信号在传输过程中可能因电磁干扰等原因受到影响,导致控制端在某一时间段内无法获取个别测试信号或信号丢失,测试信号节点不全,自检算法可以利用的信源减少,在测点不全情况下难以准确定位产生异常的模块。部分测量节点信号缺失时,没有直接表征对应模块状态的信号,全信源下的状态表征算法输入数据结构不完整,无法判断测试信号缺失模块的状态。由于无人机中模块之间存在耦合关系,在某一模块工作状态发生改变时相关模块的测试信号数据会收到影响随之改变,因此在某一模块测试信号无法获取时,考虑利用其他相关模块的传感器数据来判断该模块的工作状态。
技术实现思路
1、
2、技术方案:本专利技术的无人机状态表征及确定方法,包括如下步骤:
3、s1,构建补齐数据的bp神经网络;针对无人机飞行过程中缺失数据的测试信号,通过bp神经网络利用测试信号集合中无缺失的测试信号数据预测缺失的数据,获得补齐后的测试信号集合;
4、s2,基于包含多次卷积计算的cnn算法设计特征提取器,对补齐后的测试信号集合进行特征提取,获得能够表征无人机状态特征向量;
5、s3,设计rf作为分类器,基于cnn所提取的无人机状态特征向量利用rf完成对无人机状态的判断。
6、进一步,步骤s1中,构建补齐数据的bp神经网络的具体操作步骤如下:
7、s11,建立m个三层bp神经网络分别用于在对应测试信号存在数据缺失时补齐数据;
8、s12,训练各bp神经网络,第i个bp神经网络用于补齐第i个测试信号数据,训练集为无缺失的各测试信号的离线数据集{x1,…,xi-1,xi+1,…,xm},m为测试信号个数;
9、s13,保存训练完成的bp神经网络模型;
10、s14,判断在线测试信号数据中是否存在数据缺失,设当前时刻无人机飞行过程中各测试信号数据{x1,x2,…,xm},如某个测试信号出现数据缺失问题时,调用对应bp神经网络模型进行数据补齐,得到补齐后的测试信号{x1,x2,…,xm}'。
11、进一步,步骤s1中,建立bp神经网络的具体步骤包括如下:
12、s111,确定包括输入层、隐层、输出层的三层网络结构,表达式如下:
13、
14、其中,m-1为输入层节点个数为,输出层节点个数为1,隐层节点个数i;
15、s112,输入信号经过输入层输出,隐层中第i个神经元的输入经处理后得到第i个神经元的输出ωmi为输入信号在隐层第i个神经元中的权重,表达式如下:
16、
17、
18、其中,f(·)为激活函数;
19、s113,输出层第j个神经元的输入ωij为在输出层第j个神经元中的权重,经处理后得到输出为网络的输出,表达式如下:
20、
21、
22、其中,g(·)为激活函数。
23、进一步,步骤s2中,基于cnn的特征提取具体包含如下步骤:
24、s21,设动窗口大小k,采用滑动窗口将测试信号数据xi转换为若干k×1大小的时间序列,再将各测试信号数据的时间序列组合成为矩阵作为cnn的输入;
25、s22,设计cnn网络结构,根据输入输出大小设置超参数;
26、s23,训练cnn网络结构,cnn连接以softmax为激活函数的全连接层,对提取的特征产生一个分类结果,以分类准确率评估网络性能;
27、s24,训练完成后,移除softmax层并保存cnn作为特征提取器,对离线数据集{x1,x2,…,xm}进行特征提取,得到无人机各时刻状态特征向量组成的集合{a1,a2,…,at};
28、s25,输入补齐后的当前时刻d各测试信号数据{x1,x2,…,xm}'以及前k-1个时刻的各测试信号数据;将当前时刻d各测试信号的时间序列矩阵输入cnn,得到当前时刻d的无人机状态特征向量ad。
29、进一步,在步骤s3中,设计分类器rf完成无人机状态确定包括如下步骤:
30、s31,建立rf模型,并利用cnn对离线数据集提取到的无人机状态特征向量{a1,a2,…,at}训练rf,训练完成后保存模型;
31、s32,将cnn提取的当前时刻d无人机状态特征向量ad输入rf模型,得到当前时刻的无人机状态cd。
32、本专利技术与现有技术相比,其显著效果如下:
33、1、利用bp神经网络在测试信号数据缺失时自动识别存在缺失的信号并对缺失数据进行补齐,有效解决了测试信号数据缺失导致后续状态表征算法输入数据拓扑结构不确定的问题;
34、2、利用滑动窗口对测试信号数据进行预处理,将传感器数据转换为时空矩阵便于进行特征提取;
35、3、设计了基于cnn特征提取器,实现对高维数据的降维表征,从测试信号数据中综合提取时间、空间相关性,可以获得高质量的状态特征,提高后续分类器的分类性能;
36、4、本方专利技术通过软件算法完成,能够直接用于测试信号数据缺失情况下的无人机状态表征与确定,实现了算法的灵活性和低成本。
本文档来自技高网...【技术保护点】
1.一种基于CNN-RF分类模型的无人机状态表征及确定方法,其特征在于,包括如下步骤:
2.根据权利要求1所述基于CNN-RF分类模型的无人机状态表征及确定方法,其特征在于,步骤S1中,构建补齐数据的BP神经网络的具体操作步骤如下:
3.根据权利要求2所述基于CNN-RF分类模型的无人机状态表征及确定方法,其特征在于,步骤S1中,建立BP神经网络的具体步骤包括如下:
4.根据权利要求2所述基于CNN-RF分类模型的无人机状态表征及确定方法,其特征在于,步骤S2中,基于CNN的特征提取具体包含如下步骤:
5.根据权利要求1所述基于CNN-RF分类模型的无人机状态表征及确定方法,其特征在于,在步骤S3中,设计分类器RF完成无人机状态确定包括如下步骤:
【技术特征摘要】
1.一种基于cnn-rf分类模型的无人机状态表征及确定方法,其特征在于,包括如下步骤:
2.根据权利要求1所述基于cnn-rf分类模型的无人机状态表征及确定方法,其特征在于,步骤s1中,构建补齐数据的bp神经网络的具体操作步骤如下:
3.根据权利要求2所述基于cnn-rf分类模型的无人机状态表征及确定方法,其特征在于,步骤s1...
【专利技术属性】
技术研发人员:陈复扬,孟恭,沈利华,贺羿,徐云涛,李宁,孙德胜,秦世泽,
申请(专利权)人:南京航空航天大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。