一种无人机无监督异常检测方法技术

本发明专利技术涉及无人机异常检测技术领域，尤其涉及一种无人机无监督异常检测方法。首先采集多维度无人机飞行特征数据构建初始数据集；其次利用Spearman相关系数法筛选高度相关特征数据以减少冗余；接着对筛选数据进行归一化和重构处理以满足模型输入需求；然后训练PA‑LSTM‑AE模型，每组特征数据对应一个模型，基于模型输出的损失函数计算重构误差并确定异常阈值T；最后将训练好的模型及参数部署至无人机机载系统，在飞行中实时输入特征数据，通过对比重构误差与阈值T实现异常检测。本发明专利技术通过高效特征筛选、数据驱动的PA‑LSTM‑AE模型结合并行LSTM与注意力机制、引入随机丢弃层及动态异常阈值设定，实现了无人机飞行数据细微异常的实时稳健检测，提升了方法的普适性、自适应性和应用可行性。

【技术实现步骤摘要】

本专利技术涉及无人机异常检测，尤其涉及一种无人机无监督异常检测方法。

技术介绍

1、在无人机领域，异常检测能够提前发现飞行数据中的异常，从而进行预防性维护或任务重新规划，提高无人机的安全性和可靠性。无人机飞行数据异常检测技术主要分为三类：基于知识的方法、基于模型的方法和数据驱动的方法：1、基于知识的方法是依赖专家经验和先验知识，通过定义无人机飞行数据中的正常行为模式来识别异常。这种方法实现简单，但严重依赖于专家知识，难以适应新的或未知类型的异常；2、基于模型的方法是通过建立数学模型来描述无人机的正常飞行行为，任何偏离该模型的数据都被认为是异常的。这种方法精确度高，但需要精确的物理模型，构建模型复杂且困难；3、数据驱动的方法是直接从数据中学习无人机的正常行为模式，并识别偏离这些模式的数据点，这种方法减少对专家知识的依赖，且不需要构建精确的物理模型，是目前研究的热点。

2、专利201810639367.6提出的方法展示了基于lstm、cnn与自动编码器(ae)组合在无人机飞行数据异常检测中的有效性，然而，这些方法在实际应用中面临一个共同挑战：当无人本文档来自技高网...

【技术保护点】

1.一种无人机无监督异常检测方法，其特征在于按顺次包括如下步骤：

2.根据权利要求1所述的一种无人机无监督异常检测方法，其特征在于所述PA-LSTM-AE模型是在LSTM结构的基础上，上一时间段的输入将同时进入并联LSTM单元，通过遗忘门后，输入门和输出门将分别传入下一个并联LSTM单元，每个并联单元的输出将被融合在一起，具体包括以下层级：

3.根据权利要求2所述的一种无人机无监督异常检测方法，其特征在于：在关联分析中，Spearman相关系数的计算式如下：

4.根据权利要求3所述的一种无人机无监督异常检测方法，其特征在于，所述归一化处理的计算式如下：...

【技术特征摘要】

1.一种无人机无监督异常检测方法，其特征在于按顺次包括如下步骤：

2.根据权利要求1所述的一种无人机无监督异常检测方法，其特征在于所述pa-lstm-ae模型是在lstm结构的基础上，上一时间段的输入将同时进入并联lstm单元，通过遗忘门后，输入门和输出门将分别传入下一个并联lstm单元，每个并联单元的输出将被融合在一起，具体包括以下层级：

3.根据权利要求2所述的一种无人机无监督异常检测方法，其特征在于：在关联分析中，spearman相关系数的计算式如下：

4.根据权利要求3所述的一种无人机无监督异常检测方法，其特征在于，所述归一化处理的计算式如下：

5.根据权利要求4所述的一种无人机无监督异常检测方法，其特征在于，所述数据重构的过程包括，使用长度为e滑动窗口捕获特征数据时间序列中的局部数据，重构后的数据为可满足lstm训练要求的输入矩阵x(t)，具体如下：<...

【专利技术属性】
技术研发人员：刘振华，周鹏，安苏阳，杨磊，杨冰，张羽，张宏辉，
申请(专利权)人：贵州大学，
类型：发明
国别省市：