【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...
【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...
【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。