基于多源数据融合知识迁移的飞行数据异常检测恢复方法技术

本发明专利技术涉及无人机异常检测技术领域，公开了一种基于多源数据融合知识迁移的飞行数据异常检测恢复方法，包括以下步骤：步骤1，对无人机飞行数据集进行非标化处理和参数选择；步骤2，将处理后的无人机飞行数据集划分为多个源域和一个目标域；将多个源域融合为一个新的参考源域，基于参考源域对预设的检测模型进行预训练，以获得目标域的初始化参数；步骤3，使用目标域中的有限数据对检测模型进行微调，并使用目标域作为测试集进行测试；步骤4，获取检测模型的训练残差和测试残差；对检测模型的训练残差进行平滑处理，以获得异常检测阈值。本发明专利技术能够在有限样本下，达到较优的异常检测和预测恢复效果。

【技术实现步骤摘要】

本专利技术涉及无人机异常检测，具体涉及一种基于多源数据融合知识迁移的飞行数据异常检测恢复方法。

技术介绍

1、飞行数据异常检测对无人机的健康管理至关重要。随着人工智能及计算机硬件性能的不断发展，越来越多基于神经网络、数据驱动等智能技术的异常检测及异常恢复方法由于其检测能力强、检测效率高等优点，在无人机领域得到广泛应用。

2、目前，基于数据驱动的方法是主流，但该方法在检测精度上存在较大的欠缺。其精准度需要足够的样本数据来支撑。然而，在实际应用中，若想要获取足够的飞行数据样本，需要耗费较高的成本，而且针对特定场景或任务往往缺乏可用样本，故障样本的采集则更为困难，这给现有的数据驱动方法带来了巨大挑战。

技术实现思路

1、本专利技术意在提供一种基于多源数据融合知识迁移的飞行数据异常检测恢复方法，能够在有限样本下，达到较优的异常检测和预测恢复效果。

2、为达到上述目的，本专利技术提供的基础方案为：

3、基于多源数据融合知识迁移的飞行数据异常检测恢复方法，包括以下步骤：

4本文档来自技高网...

【技术保护点】

1.基于多源数据融合知识迁移的飞行数据异常检测恢复方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于多源数据融合知识迁移的飞行数据异常检测恢复方法，其特征在于，所述预设的检测模型为1D CNN-BiLSTM模型；所述1D CNN-BiLSTM模型包括Conv1D层、Max pooling层、BiLSTM层、Dense层和Dropout层。

3.根据权利要求1所述的基于多源数据融合知识迁移的飞行数据异常检测恢复方法，其特征在于，在步骤2中，检测模型基于参考源域和目标域进行迁移学习。

4.根据权利要求1所述的基于多源数据融合知识迁移的飞行数据异...

【技术特征摘要】

1.基于多源数据融合知识迁移的飞行数据异常检测恢复方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于多源数据融合知识迁移的飞行数据异常检测恢复方法，其特征在于，所述预设的检测模型为1d cnn-bilstm模型；所述1d cnn-bilstm模型包括conv1d层、max pooling层、bilstm层、dense层和dropout层。

3.根据权利要求1所述的基于多源数据融合知识迁移的飞行数据异常检测恢复方法，其特征在于，在步骤2中，检测模型基于参考源域和目标域进行迁移学习。

4.根据权利要求1所述的基于多源数据融合知识迁移的飞行数据异常检测恢...

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