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]而还有的数据驱动的方法在检测精准度上同样存在欠缺。由于许多无人机飞行参数具有时空相关性，而数据驱动方法大多忽略了此特性或仍然依赖前人的知识进行参数选择，选择的参数中存在较多冗余的、不相关的参数，并不能对模型的性能产生积极的影响，以致于检测精准度欠缺。
[0005]其次，无人机在实际飞行过程中采集的数据会受到传感器误差、外部环境干扰和人为误差的影响，这使得采集的无人机飞行数据具有随机噪声。受随机噪声的干扰影响，现有的采用如PCA、SVM、KPCA和LSTM等模型进行异常检测的方法均无法有效地检测出异常情况。此外，LSTM等方法只关注时间上的依赖性，不能充分考虑无人机飞行数据的局部关系，这可能导致异常检测中特征提取不充分，检测精度降低。
[0006]因此，实现对具有随机噪声的无人机飞行数据的高精度异常检测仍然是现今无人机飞行数据异常检测的主要挑战之一。

技术实现思路

[0007]本专利技术意在提供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，能够实现针对具有随机噪声的无人机飞行数据的高精度异常检测及恢复。
[0008]为达到上述目的，本专利技术提供的基础方案为：
[0009]方案一
[0010]基于时空相关性多元回归的飞行数据异常检测方法，包括以下步骤：
[0011]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；
[0012]步骤2：自初始样本中选取具有相关性的参数子集；
[0013]步骤3：向参数子集中注入异常；
[0014]步骤4：将具有异常的参数子集划分为训练集和测试集；
[0015]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；
[0016]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。
[0017]本方案的工作原理及优点在于：
[0018]第一，本方案中基于相关性对初始样本进行了优选，选取特定的参数子集，并注入异常形成训练集和测试集。采用此方法，能够减少参数选择中对于专家先验知识的依赖性，并且，参数优选后，消除了冗余参数对异常检测分析的影响，并精简了模型训练时的数据量，计算效率较高，检测效率较高，检测精准度较高。
[0019]第二，本方案设置的回归模型，集成了CNN、Bi.LSTM和注意力机制。其中CNN
‑
BiLSTM的联立，能够保有CNN和BiLSTM在空间和时间特征提取方面的优势。无人机作为集成机械、电子、液压等多类型部件的设备，受其集成性结构影响，其飞行数据的不同参数数据之间存在复杂的关联性，即时空相关性。现有的检测模型中，往往仅关注了时间特征，而忽略了局部特征，以致于检测准确度不高。本方案则同步具备空间和时间特征的提取能力，模型的准确性和鲁棒性较高。同时，本模型所集成的注意力机制能够有效减少模型训练中数据所携带的随机噪声对模型的干扰，进而，能够达到较高的检测精准度。
[0020]第三，本方案在进行异常检测判断时，基于平滑的误差进行比对判断。通过数据平滑处理，在测试误差和训练误差中，部分急剧变化的正常测试数据点的误差可以被较好地平滑，降低误判概率；同时，正常测试数据点中所携带的噪声影响可被有效减轻，有助于达到更优的异常检测性能。
[0021]方案二
[0022]基于时空相关性多元回归的飞行数据恢复方法，包括以下步骤：
[0023]S1：采用如方案一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，进行异常检测，并检测得到异常值；
[0024]S2：将异常值被替换成预测值以实现数据恢复。
[0025]进一步，在S2中，预测值
[0026]其中，X(t)
test
表示输入CNN
‑
BiLSTM
‑
Attention回归模型的测试集；f
CNN
‑
BiLSTM
‑
Attention
(
·
)为映射函数。
[0027]本方案的工作原理及优点在于：基于回归模型，可完成对异常值的重构，并得到预测值作为异常值的替换值，进而实现数据恢复。采用本方案，能够基于异常检测结果，高效完成对异常值的恢复。
附图说明
[0028]图1为本专利技术实施例的异常检测和恢复方法的整体流程示意图；
[0029]图2为本专利技术实施例的异常检测方法的相关度分析结果示意图；
[0030]图3为本专利技术实施例的异常检测方法的注入偏差和漂移异常前后的数值表现示意图；
[0031]图4为本专利技术实施例的异常检测方法的训练集、验证集和测试集的划分比例示意图；
[0032]图5为本专利技术实施例的CNN
‑
BiLSTM
‑
Attention回归模型的模型结构示意图；
[0033]图6为本专利技术实施例异常检测方法的异常检测结果示意图；
[0034]图7为不同模型的性能指标差异绝对值比对示意图；
[0035]图8为不同模型的数据恢复结果示意图；
[0036]图9为不同模型的数据恢复比较结果示意图；
[0037]图10为本专利技术实施例的异常检测和恢复方法的整体流程概括示意图。
具体实施方式
[0038]下面通过具体实施方式进一步详细的说明：
[0039]实施例基本如附图1和图10所示：基于时空相关性多元回归的飞行数据异常检测方法，包括以下步骤：
[0040]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。
[0041]具体地，本实施例中，所采用的原始的无人机飞行数据自明本文档来自技高网...

【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：