【技術實現步驟摘要】
本專利技術涉及一種異常檢數據測分析方法，特別是一種基于卷積神經網絡的飛行器試驗中的異常數據檢測分析方法。
技術介紹
1、本部分提供的僅僅是與本公開相關的背景信息,其并不必然是現有技術。
2、在飛行器試驗的異常數據的檢測階段中，由于飛行器外測以及遙測數據的多變性和復雜性，通過人工選擇特征進行異常和正常數據的區分則需要大量的實驗進行探索，降低了異常檢測分析技術的效率。
3、需要說明的是，在上述
技術介紹
部分公開的信息僅用于加強對本公開的背景的理解，因此可以包括不構成對本領域普通技術人員已知的現有技術的信息。
技術實現思路
1、專利技術目的：本專利技術所要解決的技術問題是針對現有技術的不足，提供一種基于卷積神經網絡的飛行器試驗中的異常數據檢測分析方法。
2、為了解決上述技術問題，本專利技術公開了一種基于卷積神經網絡的飛行器試驗中的異常數據檢測分析方法，包括以下步驟：
3、步驟1，采集所述飛行器試驗中的所有數據，形成原始數據集；
4、步驟2，對所述原始數據集進行預處理，并基于生成式對抗網絡模型，生成數據樣本，得到新的數據集；
5、步驟3，構建異常數據檢查網絡模型，依次提取所述新的數據集中的空間特征和時間特征；
6、步驟4，使用所述飛行器試驗中的歷史數據，對步驟3中構建的異常數據檢查網絡模型進行離線訓練，優化該網絡模型；
7、步驟5，在線獲取飛行器試驗中的實時數據，依據步驟4中訓練好的異常數據檢查網
8、進一步的，步驟2中所述的得到新的數據集，具體方法如下：
9、步驟2-1，預處理，對原始數據集進行歸一化處理，將其中的所有原始數據處理到[-1.0,1.0]范圍內，具體如下：
10、
11、其中，μ表示樣本均值，σ表示樣本方差，xi’表示原始數據，表示歸一化后的數據，i是數據集中的數據編號；
12、步驟2-2，數據平衡，基于生成式對抗網絡模型，根據時間序列的特點，采用門限循環網絡作為網絡的生成器和判別器，將原始數據集中的原始數據作為模板，通過網絡迭代，生成合成數據，添加到原始數據集中。
13、進一步的，步驟2-2中所述的生成式對抗網絡模型，具體包括：
14、生成器網絡和判別器網絡，其中，生成器網絡和判別器網絡采用門限循環網絡構建；
15、生成器網絡g(z)以隨機噪聲作為輸入并生成樣本數據，生成器網絡g(z)從概率分布p(z)接收輸入，并將生成數據提供給判別器網絡d(x)；
16、判別器網絡d(x)接收生成器生成器網絡g(z)輸出的生成數據和原始數據集中的真實數據，根據目標函數進行判別，獲得最終的合成數據，用于添加至原始數據集中，獲得新的數據集，該數據集為時序樣本數據集。
17、進一步的，步驟3中所述的構建異常數據檢查網絡模型，具體包括：
18、步驟3-1，構建基于一維卷積神經網絡，對步驟2中所述的時序樣本數據集進行空間特征提取；
19、步驟3-2，構建基于雙向循環神經網絡，進一步對步驟2中所述的時序樣本數據集進行時間特征提取；
20、步驟3-3，步驟3-1中構建的一維卷積神經網絡和步驟3-2中構建的基于雙向循環神經網絡，共同組成異常數據檢查網絡模型，上述二者使用全連接層進行連接，具體如下：
21、使用隨機失活dropout函數對部分特征值置零，使用dense函數用于連接卷積層和輸出層，用于將卷積層提取的特征進行進一步處理和分類，具體表示如下：
22、z＝dropout[dense(rk)]
23、其中，z表示經過處理后的特征向量，dropout表示dropout函數，dense表示dense函數，rk表示卷積層提取的特征向量；
24、步驟3-4，所述異常數據檢查網絡模型，輸出層具體如下：
25、使用softmax分類器進行邏輯回歸，輸出信號屬于類別1即正常值或者2即異常值的概率pk，將概率大的類別作為所述異常數據檢查網絡模型分類的結果。
26、進一步的，步驟3-1中所述的進行空間特征提取，即通過一維卷積神經網絡對步驟2中所述的時序樣本數據集進行一次特征提取，獲取具有時序不變性的空間特征；
27、其中，所述一維卷積神經網絡為三層結構，每一層由卷積計算、激活處理和池化處理組成網絡層，其中，在每個網絡層的卷積計算后添加批歸一化層bn，使輸出向量符合均值為0、方差為1的正態分布。
28、進一步的，步驟3-1中所述的一維卷積神經網絡，其中的每個網絡層中，具體包括：
29、卷積計算，設時序樣本數據集為i＝1,2,…,m,其中m表示樣本數量，s表示樣本長度，r表示時序樣本數據集矩陣；卷積核的卷積計算如下：
30、
31、其中，表示第l卷積層第j個輸入特征向量的第k個輸出特征值；a表示特征值的個數；l＝1,2,3表示上個卷積層第j個輸入特征向量的第k個輸出特征值；
32、當卷積層l＝1時，表示輸入樣本，此時j＝i∈[1,m]；
33、表示第l層的第j個輸入向量的第k個卷積核；表示卷積計算；表示第l層的第j個輸入向量的第k個偏置值；
34、激活處理，在卷積計算后引入批歸一化層bn，同時增加尺度因子γ和移位因子β，則歸一化后的卷積層輸出向量表示如下：
35、
36、其中，bn()表示批歸一化層操作，mean()為均值求解函數，delta()為方差函數，ε是一個極小量常數；使用修正線性單元函數對上述卷積層輸出向量做非線性變換，具體如下：
37、
38、其中，表示對l-1層的第j個特征向量的第k個特征值的激活值，max()為最大值函數；
39、池化處理，使用最大池化層對特征進行降采樣，計算特征的局部最大值，具體如下：
40、
41、其中，表示第l層池化層的第j個輸出向量的第k個特征值，l＝1,2，w表示池化寬度。
42、進一步的，步驟3-2中所述的進行時間特征提取，即采用門控循環單元gru進行時間特征提取。
43、進一步的，步驟3-2中所述的雙向循環神經網絡，具體包括：
44、步驟3-2-1，進行時間特征提取，具體如下：
45、設所述的雙向循環神經網絡中，當前隱層狀態為hk，當前時刻輸入為xk，上一時刻即k-1時刻的前向隱層狀態為反向隱層狀態為所述的雙向循環神經網絡進行時間特征提取，表示如下：
46、
47、其中，gru()表示將特征向量編碼成gru隱層狀態；wk,vk分別代表第k時刻的前向傳播隱層狀態向量和反向傳播隱層狀態向量的權重向量；bk表示第k時刻隱層狀態的偏置向量；
48、步驟3-2-2，對步驟3-2-1中輸出的向量即當前隱層狀態hk進行歸一本文檔來自技高網...
【技術保護點】
1.一種基于卷積神經網絡的飛行器試驗中的異常數據檢測分析方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于卷積神經網絡的飛行器試驗中的異常數據檢測分析方法，其特征在于，步驟2中所述的得到新的數據集，具體方法如下：
3.根據權利要求2所述的一種基于卷積神經網絡的飛行器試驗中的異常數據檢測分析方法，其特征在于，步驟2-2中所述的生成式對抗網絡模型，具體包括：
4.根據權利要求3所述的一種基于卷積神經網絡的飛行器試驗中的異常數據檢測分析方法，其特征在于，步驟3中所述的構建異常數據檢查網絡模型，具體包括：
5.根據權利要求4所述的一種基于卷積神經網絡的飛行器試驗中的異常數據檢測分析方法，其特征在于，步驟3-1中所述的進行空間特征提取，即通過一維卷積神經網絡對步驟2中所述的時序樣本數據集進行一次特征提取，獲取具有時序不變性的空間特征；
6.根據權利要求5所述的一種基于卷積神經網絡的飛行器試驗中的異常數據檢測分析方法，其特征在于，步驟3-1中所述的一維卷積神經網絡，其中的每個網絡層中，具體包括：
7.根據
8.根據權利要求7所述的一種基于卷積神經網絡的飛行器試驗中的異常數據檢測分析方法，其特征在于，步驟3-2中所述的雙向循環神經網絡，具體包括：
9.根據權利要求8所述的一種基于卷積神經網絡的飛行器試驗中的異常數據檢測分析方法，其特征在于，步驟4中所述的離線訓練，具體包括：
10.根據權利要求9所述的一種基于卷積神經網絡的飛行器試驗中的異常數據檢測分析方法，其特征在于，步驟5中所述的實時異常數據檢測分析，具體包括：
...【技術特征摘要】
1.一種基于卷積神經網絡的飛行器試驗中的異常數據檢測分析方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于卷積神經網絡的飛行器試驗中的異常數據檢測分析方法，其特征在于，步驟2中所述的得到新的數據集，具體方法如下：
3.根據權利要求2所述的一種基于卷積神經網絡的飛行器試驗中的異常數據檢測分析方法，其特征在于，步驟2-2中所述的生成式對抗網絡模型，具體包括：
4.根據權利要求3所述的一種基于卷積神經網絡的飛行器試驗中的異常數據檢測分析方法，其特征在于，步驟3中所述的構建異常數據檢查網絡模型，具體包括：
5.根據權利要求4所述的一種基于卷積神經網絡的飛行器試驗中的異常數據檢測分析方法，其特征在于，步驟3-1中所述的進行空間特征提取，即通過一維卷積神經網絡對步驟2中所述的時序樣本數據集進行一次特征提取，獲取具有時序不變性的空間特征；
...【專利技術屬性】
技術研發人員：張一博，戴乾奇，楊君，于選桐，劉子沂，王號，王行行，劉唐興，
申請(專利權)人：中電萊斯信息系統有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。