一种基于LSTM-AE的多维无人机异常飞行数据恢复预测方法

技术领域

本发明涉及无人机异常预测技术领域，具体涉及一种基于LSTM-AE的多维无人机异常飞行数据恢复预测方法。

背景技术

无人机是不携载操作人员、由动力驱动、可重复使用、利用空气动力承载飞行、可携带有效载荷、在远程控制或自主规划的情况下完成指定任务的航空器。近年来，无人机行业得到了快速发展，无人机的功能也不断丰富，其可以执行的任务更复杂。

并且，由于无人机缺乏控制回路中飞行员的实时控制，并且对开发成本有限制。因此，无人机的安全性相对较低。为了保障无人机的运作安全，针对无人机的异常检测十分重要。而在无人机异常检测中，常基于无人机飞行数据进行数据异常检测，包含有基于知识、基于模型以及数据驱动的无人机飞行数据异常检测方法。

无人机飞行数据异常检测旨在减少异常数据对飞行模式的影响。除了及时发现异常数据的存在外，还需要恢复异常值。恢复异常值有助于操作人员更好地掌握无人机的飞行状态，并做出相应的调整措施。并且在无人机的闭环控制中，恢复值可以将异常数据转换为正常数据，这对于改善无人机飞行状态性能具有实际的工程意义。然而，现今针对无人机飞行数据恢复的研究却相对缺乏，常规的单纯基于回归模型的恢复方法在预测精准度和预测效率上仍有所欠缺。同时，由于具有相关性的飞行参数能够更好的反映出无人机某个特定零部件的整体性能，而现有飞行数据恢复方法中缺乏对飞行参数进行参数选择的有效手段。

发明内容

本发明意在提供一种基于LSTM-AE的多维无人机异常飞行数据恢复预测方法，数据分析细致度较高，恢复精准度较高。

本发明提供的基础方案为：一种基于LSTM-AE的多维无人机异常飞行数据恢复预测方法，包括以下步骤：

步骤1：采集初始数据集；所述初始数据集中包含有多个维度的无人机飞行参数数据；

步骤2：预处理初始数据集；

步骤3：自预处理后的初始数据集中提取得到具有相关性的参数子集；

步骤4：对参数子集进行数据划分，并输入至LSTM-AE模型中；并采用参数子集中的正常参数数据训练LSTM-AE模型；

步骤5：LSTM-AE模型对异常参数进行重构，并输出重构数据，该重构数据对应为异常参数的恢复值。

本发明的工作原理及优点在于：

本发明一种基于LSTM-AE的多维无人机异常飞行数据恢复预测方法，选用的初始数据集中包含多个维度的无人机飞行参数数据，后续的数据处理分析步骤均基于多维参数数据进行，分析维度更为多样，能够捕捉到常规的针对单一参数项分析方法所无法捕捉到的微小差异信息，有助于提升后续恢复的精度。进一步地，采用最大信息系数方法为自初始数据集中提取得到的具有相关性的参数子集，精简了数据分析量的同时，参数子集能够更全面地反映出无人机特定零部件的性能指标情况，而且，具有相关性的参数子集中的参数数据选择不依赖先验知识，不需要花费额外的专家知识成本来选取参数，不受主观局限，数据更为客观、可靠。

并且，本方案特别基于正常参数数据的对模型进行训练，在步骤4中，模型能够参照正常参数的变化趋势，捕捉到异常参数之间的微小变化趋势，进而获知异常参数的变化信息，有助于提升后续重构数据的可靠度，保证重构得到的数据的准确性，保证异常值的高精度恢复，有助于操作人员更好地掌握无人机的飞行状态，并做出相应的调整措施。

附图说明

图1为本发明一种基于LSTM-AE的多维无人机异常飞行数据恢复预测方法实施例的流程示意图；

图2为本发明一种基于LSTM-AE的多维无人机异常飞行数据恢复预测方法实施例的最大信息系数相关性图；

图3为本发明本发明一种基于LSTM-AE的多维无人机异常飞行数据恢复预测方法实施例的恢复效果对比图；

图4为本发明一种基于LSTM-AE的多维无人机异常飞行数据恢复预测方法实施例的LSTM-AE模型与常规AE模型的数据恢复图；

图5为本发明一种基于LSTM-AE的多维无人机异常飞行数据恢复预测方法实施例的模型恢复效果示意图。

具体实施方式

下面通过具体实施方式进一步详细的说明：

实施例基本如附图1所示：一种基于LSTM-AE的多维无人机异常飞行数据恢复预测方法，包括以下步骤：

步骤1：采集初始数据集；所述初始数据集中包含有多个维度的无人机飞行参数数据。

具体地，初始数据集的数据自公开数据集中获取得到，本实施例中选用的公开数据集为Thor flight69数据集，数据量充足且数据来源可靠。本初始数据集中包含的多类无人机飞行数据参数，如表1所示：

表1飞行数据参数表

步骤2：预处理初始数据集。

具体地，所述预处理步骤包括数据归一化处理和滤波处理。通过数据归一化可使得所有数据映射到同一尺度，便于对多维的参数数据进行综合分析。本实施例中，滤波处理采用Savitzky-Golay滤波器进行，进行滤波处理后可以最大限度地减少有用信息的损失，从而提高数据的平滑度，减少噪声的干扰，进而减小随机噪声对后续模型性能的影响，更易于检测到微小异常，恢复更全面。

步骤3：自预处理后的初始数据集中提取得到具有相关性的参数子集。

所述具有相关性的参数子集中的参数数据为相关性大于预设值的无人机飞行参数数据；所述相关性大小采用最大信息系数方法评估得到。所述预设值为0.6。

具体地，最大信息系数方法，即指最大信息系数相关分析法，其核心思想是给出一对两个变量的有序样本S＝(X,Y)。其中，MIC具体可定义为：

将预处理后的初始数据集输入到MIC定义式中，即可输出得到飞行参数数据之间的相关性数值，获得的相关性数值结果如附图2所示。在输出相关性数值后，再对相关性数值大小进行比对，选取相关性数值大于预设值(0.6)的参数数据组成具有相关性的参数子集。该参数子集中的参数数据均是相关性较高的数据，通过捕捉该类数据，能够自其相关性特征中，捕捉得到特征之间的时空相关性参数之间的微小差异变化趋势，有助于后续实现高精度的异常恢复。

步骤4：对参数子集进行数据划分，并输入至LSTM-AE模型中。并采用参数子集中的正常参数数据训练LSTM-AE模型。

具体地，在LSTM-AE模型中，LSTM网络与AE网络嵌套为一体。所述LSTM-AE模型包含有一个输入层，一个输出层，四个LSTM层，和一个重复向量。具体地，每个LSTM层和重复向量的输入和输出形状如表2所示。本模型能够将AE的特征提取能力与LSTM的时间数据处理能力相结合，以保留提取特征中的时间数据信息，能够充分分析参数子集。

表2每个LSTM层和重复向量的输入和输出形状

所述对参数子集进行数据划分为：将参数子集划分为训练子集和测试子集，所述训练子集和测试子集分别用于训练和测试LSTM-AE模型，以使得模型性能表现更好，有助于后续恢复的精准度。

步骤5：LSTM-AE模型对异常参数进行重构，并输出重构数据，该重构数据对应为异常参数的恢复值。

具体地，重构数据的输出过程如下：

LSTM-AE模型在编码阶段，假设将维度为(l，M)的相关性特征子集作为模型中LSTM第1层的输入，并定义为

其中，l是滑动时间窗(时间步长为1)。M是由最大信息系数方法确定的相关性特征子集中所包含的特征数量。

LSTM层1的编码过程在第l个LSTM单元结束。LSTM层2的编码过程与LSTM层1的编码过程类似。

LSTM层2编码后的输出数据维度被重复向量扩展，得到输出

当LSTM层4的解码完成后，即得到输入数据

具体而言，在编码阶段，假设t+j(1

在解码阶段，假设t+j时刻的输入数据为

然后，可以通过等式(7)计算t+j时刻的重构数据。式(7)如下：

具体地，在等式(1)至(7)中，

Z∈[Z

本实施例提供的一种基于LSTM-AE的多维无人机异常飞行数据恢复预测方法，数据分析细致度较高，恢复精准度较高。如图5所示，本方案能够参照正常参数的变化趋势，捕捉到异常参数之间的微小变化趋势，进而实现高精度的异常恢复。

并且，本方案所提供的恢复方法相较于其他方法具有明显的优越性，得到的恢复结果更为准确，如附图3、图4和表3所示。

表3恢复结果对比表

表3和图3分别显示了本方案的LSTM-AE模型和常规的AE模型的MSE和MAE值，以及本方案的LSTM-AE模型的MSE值和MAE值与常规AE模型相比的增加或减少情况。

由上述内容可以看出，在训练集上，LSTM-AE模型的恢复性能指标MSE和MAE分别为0.000052和0.005547，0.000031和0.004502，以及0.000083和0.006912，与AE模型相比分别降低了86.73％和64.86％，93.16％和74.01％，76.55％和55.79％。

在测试集上，对于异常特征alt和navalt，LSTM-AE模型的恢复性能指标MSE和MAE分别为0.004775和0.050933，以及0.007262和0.045475，与AE模型相比分别增加了92.85％和48.86％，以及21.26％和29.77％。相比之下，对于正常特征h，LSTM-AE的恢复性能度量MSE和MAE分别为0.000276和0.013704，与AE相比分别降低68.22％和44.30％。

结果表明，本方案的LSTM-AE模型可以捕捉特征之间的相关性以及异常特征之间的微小变化趋势，可以捕捉得到现有模型所无法发现、捕捉的微小变化趋势，进而实现更高精度的异常恢复。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。