CN119475198B 一种无人机飞行数据高精度异常检测和数据恢复方法 （贵州大学）

一种无人机飞行数据高精度异常检测和数了一种无人机飞行数据高精度异常检测和数据的多元回归模型，所述TCN_KANs模型包括输入2S4、无人机的飞行实时监控以及操作控制时，通frwrwo(-)为映射函数；其中yan和yese分别为目标变量的训练集和测试集；3其中，是第n个残差的平滑值，α是可调节的权重参数，rp是原始残差，且;为9-Thr：其中Nrhr是大于Thr的峰值的样本数据总和；和是通过最大似然估计方法得到的更新参数，q表示预定义的极值点分位数，的差异值，V=zq-Thr；2.根据权利要求1所述的一种无人机飞行数据高精度异常检测和数据恢复方法，其特43.根据权利要求2所述的一种无人机飞行数据高精度异常检测和数据恢复方法，其特4.根据权利要求3所述的一种无人机飞行数据高精度异常检测和数据恢复方法，其特5论的角度来看，主要分为基于传统机器学习和基于深度学习的方法，包括K_means、SVM、[0004]1.尽管这些基于传统机器学习的方法广泛应用于无人机飞行数据的异常或故障非线性关系建模方面缺乏足够的灵活性和适应性，导致模型提取的特征无法被充分利用，6[0007]本发明所解决的技术问题在于提供一种无人机飞行数据高精度异常检测和数据7[0033]其中yan和yese分别为目标变量的训练集和测试集；;[0044]和是通过最大似然估计方法得到的更新参数，q表示预定义的极值点分位数，的差异值，V=zq-Thr；8[0056]图1为本发明一种无人机飞行数据高精度异常检测和数据恢复方法实施例的示意[0057]图2为本发明一种无人机飞行数据高精度异常检测和数据恢复方法实施例的TCN_[0058]图3为本发明一种无人机飞行数据高精度异常检测和数据恢复方法实施例的飞行[0059]图4为本发明一种无人机飞行数据高精度异常检测和数据恢复方法实施例的注入[0060]图5为本发明一种无人机飞行数据高精度异常检测和数据恢复方法实施例的异常[0061]图6为本发明一种无人机飞行数据高精度异常检测和数据恢复方法实施例的数据9地捕捉无人机飞行数据的复杂动态特征实现精确;[0105]和是通过最大似然估计方法得到的更新参数，q表示预定义的极值点分位数，的差异值，V=zq-Thr；选取了16个与无人机姿态控制的相关飞行参数作为实验数据。这些参数名称分别为GPS_[0121]由于获取实际的异常数据难度大且成本较高，采用了异常注入法来获取异常数异常样本和正常样本的正常样本和异常样本，和$,分别表示第i个TCKANs_ADR相比于基准方法取得了最优的异常检测结果。对于偏差异常，TCKANs_ADR的[0140]1DCNN_LSTM结合了1DCNN的特征提取和LSTM的时序依赖建模能力，表现出相对BiLSTM、1DCNN_LSTM以及1DCBiAM方法对于不同异常类型的数据恢复结果都产生了较为模型仍然面临挑战。1DCBiAM虽然在偏差异常的恢复上表现较好，分别为0.033561和有最低的MAE和MSE值，对于偏差和漂移异常分别为0.031322和0.001619以及0.031317和0.001635。这一优越表现得益于TCKANs_ADR在复杂非线性关系建模和特征提取方面的优[0150]为进一步探讨不同异常类型之间的数据恢复差异，表6中列出了各种方法的差异