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

本发明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。

背景技术：

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、本发明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，本发明提供的基础方案为：

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、步骤1，对无人机飞行数据集进行非标化处理和参数选择；

5、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；

6、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；

7、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；通过比对测试残差和异常检测阈值进行异常检测；通过采用预测值替换异常检测出的异常值进行异常恢复。

8、进一步，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。

9、进一步，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。

10、进一步，在步骤4中，对检测模型的训练残差进行平滑处理时，采用指数加权移动平均方法进行平滑处理。

11、进一步，所述异常检测阈值为

12、其中，t为异常检测阈值；μtrain为的平均值，且l为训练样本长度，为第t点的训练残差平均值，e(t)train是第t点的实际值；σtrain为的标准偏差。

13、进一步，在步骤4中，在进行异常检测时基于下式进行检测：

14、

15、其中，为第λ个平滑的测试残差。

16、进一步，在步骤4中，预测值其中，x(t)test为1d cnn-bilstm模型的测试集；f1dcnn-bilstm(·)为映射函数。

17、本发明的工作原理及优点在于：

18、第一，本方案采用了多源域融合迁移的方法，能够在有限样本下，达到较优的异常检测和预测恢复效果。具体地，本方案中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；其中参考源域融合了多个源域对应的数据集，能够最大限度地利用不同源域的共同特征分布。基于迁移学习中的源域与目标域的参数共享与微调，最终获得的检测模型，能够适应目标主体的数据分布特征，并能够在有限样本下，表现出较好的异常检测和预测恢复性能。

19、第二，本方案所设计的检测模型融合了1d cnn架构和bilstm架构，前者能够完成准确的局部特征提取和局部依赖关系建模，后者能够有效捕捉时间依赖关系和上下文关系；二者融合后能够全面捕捉输入数据的基本特征，达到较优的模型性能，有助于提高异常检测及恢复的精准度和全面度。

技术特征：

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复方法，其特征在于，在步骤4中，对检测模型的训练残差进行平滑处理时，采用指数加权移动平均方法进行平滑处理。

5.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，所述异常检测阈值为

6.根据权利要求5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4中，在进行异常检测时基于下式进行检测：

7.根据权利要求2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4中，预测值其中，x(t)test为1dcnn-bilstm模型的测试集；f1dcnn-bilstm(·)为映射函数。

技术总结
本发明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。

技术研发人员：杨磊,李少波,李传江,张安思,张羽
受保护的技术使用者：贵州大学
技术研发日：
技术公布日：2024/3/11