期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
面向多维数据与随机噪声的无人机飞行数据异常检测方法
被引量：
3
1
作者
李少波
王岩
+2 位作者
杨磊
张安思
李传江
《中国惯性技术学报》
EI
CSCD
北大核心
2024年第7期733-742,共10页
针对当前无人机飞行数据异常检测方法中参数选择依赖专家知识的积累,异常检测类型单一的问题,提出了一种基于参数选择和数据重构的异常检测方法。首先,利用Spearman挖掘参数间的相关性,以去除冗余参数,完成飞行参数选择,减少对专家知识...
针对当前无人机飞行数据异常检测方法中参数选择依赖专家知识的积累,异常检测类型单一的问题,提出了一种基于参数选择和数据重构的异常检测方法。首先,利用Spearman挖掘参数间的相关性,以去除冗余参数,完成飞行参数选择,减少对专家知识的依赖。其次设计了AE-LSTM模型,以无监督方式对选定参数进行重构,实现多类型异常数据检测。最后考虑到随机噪声的影响,引入了滤波器对残差进行平滑。利用真实无人机飞行数据进行验证,结果显示所提方法对三种异常类型检测的真阳率分别为98.04%、97.80%、98.00%,优于单类支持向量机、长短期记忆网络和自编码器,验证了所提方法对不同异常类型检测具有良好的鲁棒性和泛化能力。
展开更多
关键词
无人机飞行数据
异常检测
参数选择
数据
重构
无监督学习
在线阅读
下载PDF
职称材料
基于VAE-LSTM模型的无人机飞行数据异常检测
被引量：
5
2
作者
王从宝
张安思
+2 位作者
杨磊
张保
李松
《电子测量技术》
北大核心
2024年第3期187-196,共10页
无人机飞行数据是反映其自身飞行安全的重要状态参数,通过对飞行数据进行异常检测,是提高无人机整体飞行安全性的关键举措。尽管基于数据驱动方法不需专家先验知识和精确的物理模型,但缺乏参数选择且检测网络结构模型单一,使得检测模型...
无人机飞行数据是反映其自身飞行安全的重要状态参数,通过对飞行数据进行异常检测,是提高无人机整体飞行安全性的关键举措。尽管基于数据驱动方法不需专家先验知识和精确的物理模型,但缺乏参数选择且检测网络结构模型单一,使得检测模型由于参数过多导致过拟合以及无法有效捕捉数据异常模式的问题。文中结合变分自编码器和长短期记忆网络的优势,提出了一种基于VAE-LSTM的无人机飞行数据异常检测模型方法。首先,引入肯德尔相关性分析方法用于选择相关依赖的飞行数据参数集;其次,将具有相关性的参数集对所设计的VAE-LSTM深度混合模型进行训练,学习不同数据特征之间的关系映射;最后,以无监督异常检测方式在真实多维无人机飞行数据进行验证。实验结果表明,VAE-LSTM的精密度、检测率、准确率、F1分数及误检率的各项平均性能指标分别达到95.24%、98.71%、98.8%、96.82%、1.31%,相比于KNN、OC-SVM、VAE、LSTM模型,整体上展现出较好异常检测性能。
展开更多
关键词
无人机飞行数据
Kendall相关性
变分自编码器
长短期记忆网络
混合模型
异常检测
在线阅读
下载PDF
职称材料
基于LSTM-GAN的无人机飞行数据异常检测算法
被引量：
21
3
作者
王凤芹
高龙
+1 位作者
徐廷学
王丽娜
《中国惯性技术学报》
EI
CSCD
北大核心
2022年第2期264-271,共8页
飞行数据的异常检测是保障无人机飞行安全的关键。为了提升异常检测的准确率,以更好地构建无人机飞行数据正常样本的数据模式,提出了一种基于长短时记忆网络(LSTM)和生成对抗网络(GAN)的异常检测算法。设计了由生成网络、判别网络和重...
飞行数据的异常检测是保障无人机飞行安全的关键。为了提升异常检测的准确率,以更好地构建无人机飞行数据正常样本的数据模式,提出了一种基于长短时记忆网络(LSTM)和生成对抗网络(GAN)的异常检测算法。设计了由生成网络、判别网络和重构网络组成的循环学习网络,同时为了避免网络学习产生梯度爆炸的风险,设计了一种由两个判别损失函数与一个重构损失函数相结合的目标损失函数。实验结果表明,LSTM-GAN异常检测算法均优于K-means、单类支持向量机、LSTM和Auto-Encoder算法的异常检测性能。LSTM-GAN比LSTM异常检测的准确率提高2.2%。
展开更多
关键词
无人机飞行数据
分析
异常检测
无监督学习
生成对抗网络
长短时记忆网络
在线阅读
下载PDF
职称材料
题名
面向多维数据与随机噪声的无人机飞行数据异常检测方法
被引量：
3
1
作者
李少波
王岩
杨磊
张安思
李传江
机构
贵州大学现代制造技术教育部重点实验室
贵州大学省部共建公共大数据国家重点实验室
贵州大学机械工程学院
出处
《中国惯性技术学报》
EI
CSCD
北大核心
2024年第7期733-742,共10页
基金
国家自然科学基金面上项目(52275480)
贵州省省级科技计划项目(黔科合基础-ZK[2023]一般059)。
文摘
针对当前无人机飞行数据异常检测方法中参数选择依赖专家知识的积累,异常检测类型单一的问题,提出了一种基于参数选择和数据重构的异常检测方法。首先,利用Spearman挖掘参数间的相关性,以去除冗余参数,完成飞行参数选择,减少对专家知识的依赖。其次设计了AE-LSTM模型,以无监督方式对选定参数进行重构,实现多类型异常数据检测。最后考虑到随机噪声的影响,引入了滤波器对残差进行平滑。利用真实无人机飞行数据进行验证,结果显示所提方法对三种异常类型检测的真阳率分别为98.04%、97.80%、98.00%,优于单类支持向量机、长短期记忆网络和自编码器,验证了所提方法对不同异常类型检测具有良好的鲁棒性和泛化能力。
关键词
无人机飞行数据
异常检测
参数选择
数据
重构
无监督学习
Keywords
UAV flight data
anomaly detection
parameter selection
data reconstruction
unsupervised learning
分类号
V247.5 [航空宇航科学与技术—飞行器设计]
在线阅读
下载PDF
职称材料
题名
基于VAE-LSTM模型的无人机飞行数据异常检测
被引量：
5
2
作者
王从宝
张安思
杨磊
张保
李松
机构
贵州大学机械工程学院
贵州大学公共大数据国家重点实验室
出处
《电子测量技术》
北大核心
2024年第3期187-196,共10页
基金
国家重点研发计划资助项目(2020YFB1713302)
国家自然科学基金(52365061)
+1 种基金
贵州省高等学校集成攻关大平台资助项目(黔教合KY字[2020]005)
贵州省省级科技计划项目(黔科合基础-ZK[2023]一般059)资助。
文摘
无人机飞行数据是反映其自身飞行安全的重要状态参数,通过对飞行数据进行异常检测,是提高无人机整体飞行安全性的关键举措。尽管基于数据驱动方法不需专家先验知识和精确的物理模型,但缺乏参数选择且检测网络结构模型单一,使得检测模型由于参数过多导致过拟合以及无法有效捕捉数据异常模式的问题。文中结合变分自编码器和长短期记忆网络的优势,提出了一种基于VAE-LSTM的无人机飞行数据异常检测模型方法。首先,引入肯德尔相关性分析方法用于选择相关依赖的飞行数据参数集;其次,将具有相关性的参数集对所设计的VAE-LSTM深度混合模型进行训练,学习不同数据特征之间的关系映射;最后,以无监督异常检测方式在真实多维无人机飞行数据进行验证。实验结果表明,VAE-LSTM的精密度、检测率、准确率、F1分数及误检率的各项平均性能指标分别达到95.24%、98.71%、98.8%、96.82%、1.31%,相比于KNN、OC-SVM、VAE、LSTM模型,整体上展现出较好异常检测性能。
关键词
无人机飞行数据
Kendall相关性
变分自编码器
长短期记忆网络
混合模型
异常检测
Keywords
unmanned aerial vehicle flight data
Kendall correlation
variational auto-encoders
long short-term memory
hybrid model
anomaly detection
分类号
V241 [航空宇航科学与技术—飞行器设计]
V267 [航空宇航科学与技术—航空宇航制造工程]
V238 [航空宇航科学与技术—航空宇航推进理论与工程]
在线阅读
下载PDF
职称材料
题名
基于LSTM-GAN的无人机飞行数据异常检测算法
被引量：
21
3
作者
王凤芹
高龙
徐廷学
王丽娜
机构
海军航空大学航空基础学院
海军航空大学作战勤务学院
出处
《中国惯性技术学报》
EI
CSCD
北大核心
2022年第2期264-271,共8页
基金
国家自然科学基金资助项目(51605487)
山东省自然科学基金资助项目(ZR2016FQ03)。
文摘
飞行数据的异常检测是保障无人机飞行安全的关键。为了提升异常检测的准确率,以更好地构建无人机飞行数据正常样本的数据模式,提出了一种基于长短时记忆网络(LSTM)和生成对抗网络(GAN)的异常检测算法。设计了由生成网络、判别网络和重构网络组成的循环学习网络,同时为了避免网络学习产生梯度爆炸的风险,设计了一种由两个判别损失函数与一个重构损失函数相结合的目标损失函数。实验结果表明,LSTM-GAN异常检测算法均优于K-means、单类支持向量机、LSTM和Auto-Encoder算法的异常检测性能。LSTM-GAN比LSTM异常检测的准确率提高2.2%。
关键词
无人机飞行数据
分析
异常检测
无监督学习
生成对抗网络
长短时记忆网络
Keywords
UAV flight data analysis
anomaly detection
unsupervised learning
generative adversarial network
long short term memory network
分类号
V247.5 [航空宇航科学与技术—飞行器设计]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
面向多维数据与随机噪声的无人机飞行数据异常检测方法
李少波
王岩
杨磊
张安思
李传江
《中国惯性技术学报》
EI
CSCD
北大核心
2024
3
在线阅读
下载PDF
职称材料
2
基于VAE-LSTM模型的无人机飞行数据异常检测
王从宝
张安思
杨磊
张保
李松
《电子测量技术》
北大核心
2024
5
在线阅读
下载PDF
职称材料
3
基于LSTM-GAN的无人机飞行数据异常检测算法
王凤芹
高龙
徐廷学
王丽娜
《中国惯性技术学报》
EI
CSCD
北大核心
2022
21
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
