为解决传统检测方法在处理复杂、动态以及数据长度实时变化的飞行轨迹数据时特征提取不准确、检测效率较低的问题,提出一种结合长短时记忆(Long Short-Term Memory, LSTM)网络和支持向量数据描述(Support Vector Data Description, SVDD...为解决传统检测方法在处理复杂、动态以及数据长度实时变化的飞行轨迹数据时特征提取不准确、检测效率较低的问题,提出一种结合长短时记忆(Long Short-Term Memory, LSTM)网络和支持向量数据描述(Support Vector Data Description, SVDD)的无监督异常检测方法。利用LSTM网络提取可变长度飞行轨迹的关键特征,并将其转化为固定长度的序列表示;通过SVDD算法构建多维超球分类器,对正常飞行轨迹进行建模,从而识别潜在异常轨迹。为进一步提升模型性能,引入基于梯度的优化算法(Gradient-Based training algorithm, GB),实现LSTM与SVDD参数的联合训练,大幅度提高检测精度和计算效率。仿真实验结果表明,新提出的基于梯度优化的长短时记忆网络和支持向量数据描述模型(Long Short-Term Memory network and Support Vector Data Description model based on Gradient-Based training algorithm optimization, LSTM-GBSVDD)的飞行轨迹异常检测方法在处理复杂、多变的飞行轨迹异常检测任务中表现出较好的有效性和优越性,有较强的应用前景。展开更多
文摘为解决传统检测方法在处理复杂、动态以及数据长度实时变化的飞行轨迹数据时特征提取不准确、检测效率较低的问题,提出一种结合长短时记忆(Long Short-Term Memory, LSTM)网络和支持向量数据描述(Support Vector Data Description, SVDD)的无监督异常检测方法。利用LSTM网络提取可变长度飞行轨迹的关键特征,并将其转化为固定长度的序列表示;通过SVDD算法构建多维超球分类器,对正常飞行轨迹进行建模,从而识别潜在异常轨迹。为进一步提升模型性能,引入基于梯度的优化算法(Gradient-Based training algorithm, GB),实现LSTM与SVDD参数的联合训练,大幅度提高检测精度和计算效率。仿真实验结果表明,新提出的基于梯度优化的长短时记忆网络和支持向量数据描述模型(Long Short-Term Memory network and Support Vector Data Description model based on Gradient-Based training algorithm optimization, LSTM-GBSVDD)的飞行轨迹异常检测方法在处理复杂、多变的飞行轨迹异常检测任务中表现出较好的有效性和优越性,有较强的应用前景。
