CN110705693A - 一种无人机异常行为识别模块及其识别方法 - Google Patents

Abstract

本发明公开了一种无人机异常行为识别模块及其识别方法，包括：正生成对抗网络、反生成对抗网络和检测器；正生成对抗网络中正生成器生成正常事件，反生成对抗网络中反生成器生成非正常事件。检测器计算输入事件与正生成器与反生成器生成的模拟事件的欧氏距离差，计算异常事件分值，设置合理的阈值，将分值高的事件作为异常事件检出。本发明的优点是：使用正常事件进行训练，采用合理算法计算输入与生成模拟事件样本的重构差异，实现异常事件的有效检测；能够有效检出未知异常事件，关键技术指标有明显提升；可拓展用于网络、医学等异常事件未知、不确定领域，未来会努力提高训练检测稳定性、提升综合性能指标，实现真正工程应用。

Description

一种无人机异常行为识别模块及其识别方法

技术领域

本发明涉及无人机技术领域，特别涉及一种基于生成式对抗网络的无人机异常行为识别模块及其识别方法。

背景技术

近年来，国内航空事业高速发展，中国航班起降架次已由2006年的340万架次增至2017年的928万架次，年均增长率高达9.7％。另外，无人机在民用领域迅速崛起，在农业植保、测绘和物流等领域具有广阔的应用前景，预计到2025年，国内民用无人机产值将达到1800亿元。飞行安全至关重要，飞机一旦发生故障或事故会带来不可估量的损失，无人机的部署和应用更需以保障空中安全和地面人身财产安全为前提。因此，如何对无人机异常行为准确检测，进而确保空中和地面的安全，满足人们生活和生产需求，同时降低运营成本，已成为无人机日常运营中亟待解决的问题。

无人机可以飞行多光谱相机并收集数据。然而，使用诸如卷积神经网络(CNN)的监督机器学习算法对多光谱图像进行分类需要大量的训练数据。这是深度学习的一个共同缺点，

与本发明相关的现有技术一

基于分类的方法属于有监督方法，步骤为选定相应分类器作为模型核心，随后用带标签的数据样本训练模型，最后通过所预测待测样本的标签判断异常。基于分类的飞行数据异常检测方法通常针对飞行数据序列或子序列建模，面向飞行级异常检测问题，主要用于从历史的飞行数据库中发现异常的飞行行为。

现有技术一的缺点

基于分类的方法的不足在于需要足够的带标签的飞行数据才能构造一个可靠的分类器。在实际应用中，大量带标签的飞行数据往往很难获取，因而限制了基于分类方法的适用性。此外，异常样本通常较少，训练数据中容易出现类别不平衡，从而导致过拟合问题。

与本发明相关的现有技术二

基于聚类的方法属于无监督方法，步骤为选用相应聚类方法作为模型核心并对训练数据进行聚类，随后计算待测样本与最近类聚类中心的距离，并将其作为测试样本的异常分数。基于聚类的飞行数据异常检测方法通常用于建模完整的飞行数据序列或子序列，多用于解决飞行级异常检测问题。

现有技术二的缺点

基于聚类的方法优势在于不需要带标签的数据，主要侧重挖掘和利用数据间关系。不足在于聚类结果取决于算法对正常数据结构的捕获能力，不同聚类算法的聚类结果可能存在较大差异。

缩略语和关键术语定义

生成式对抗网络

生成式对抗网络(GAN,Generative Adversarial Networks)是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中(至少)两个模块：生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生相当好的输出。生成模型捕获真实数据的潜在分布，并且生成新的数据样本；判别模型是二分器，鉴别输入数据为真实数据还是由生成模型生成的样本。传统的生成对抗网络旨在从随机高斯噪声中捕获真实数据分布，其目的为生成足以以假乱真的图片。生成器和鉴别器网络结构均为卷积神经网络。生成对抗网络涉及图像翻译领域，将真实图片作为生成对抗网络输入，生成网络输出另一张图片。图片的真实性决定了生成对抗网络的性能与否。

异常检测

异常检测(Anomaly Detection)是在真实数据中不符合其他物体，项目的识别。训练异常检测模型方法一般分为三类：无监督异常检测、监督异常检测和半监督异常检测。通常选择监督异常检测方法，训练得到输出图像中目标具体定位信息的模型。

发明内容

本发明针对现有技术的缺陷，提供了一种无人机异常行为识别模块及其识别方法，解决了现有技术中存在的缺陷。

为了实现以上发明目的，本发明采取的技术方案如下：

一种无人机异常行为识别模块，包括：正生成对抗网络、反生成对抗网络和检测器；

正生成对抗网络用于不断迭代，循环训练，持续提高正生成器的正常事件模拟生成能力和判决器的判决能力；

反生成对抗网络用于不断迭代，循环训练，持续提高反生成器的模拟异常事件生成能力和判决器的判决能力；

检测器用于检测时，主要通过检测器，计算输入事件X与正生成器生成的模拟事件Gn(Z)的欧氏距离差，以及与反生成器生成的模拟事件Ga(Z)的欧氏距离差，计算异常事件分值，设置合理的阈值，将分值高的事件作为异常事件检出；

正生成对抗网络由正生成器和判决器A组成；

正生成器用于最大可能生成正常事件，即努力模拟异常事件，并用于训练判别器A；

判决器A用于判别事件是来自输入事件X还是来自正生成器生成正常事件Gn(Z)的判决能力，随后训练正生成器生成模拟正常事件Gn(Z)的能力。

反生成对抗网络由反生成器和判决器B组成；

反生成器用于最大可能生成非正常事件，即努力模拟异常事件，并用于训练判别器B，判决器B用于判别事件是来自输入事件X还是来自反生成器生成的模拟异常事件Ga(Z)的判决能力，随后训练反生成器生成模拟异常事件Ga(Z)的能力。

本发明还公开了一种无人机异常行为识别方法，包括以下步骤：

步骤1，正生成对抗网络先训练判决器判别事件是来自输入事件还是来自正生成器生成正常事件G_n(Z)的判决能力，随后训练正生成器生成模拟正常事件的能力，G_n(Z)***不断迭代，循环训练，持续提高正生成器的正常事件模拟生成能力和判决器的判决能力。

步骤2，反生成对抗网络中反生成器生成非正常事件，即努力模拟异常事件。先训练判决器判别事件是来自输入还是来自反生成器生成的模拟异常事件G_a(Z)的判决能力，随后训练反生成器生成模拟异常事件G_a(Z)的能力，***不断迭代，循环训练，持续提高反生成器的模拟异常事件生成能力和判决器的判决能力。

步骤3，通过检测器计算输入事件x与正生成器生成的模拟事件G_n(Z)，以及与反生成器生成的模拟事件G_a(Z)的距离差，计算异常事件分值，设置合理的阈值，将分值高的事件作为异常事件检出。

步骤4，生成模型，正生成对抗网络输入大量正常数据训练收敛后，正生成器捕捉正常事件分布。检测时输入未知样本x,正生成器生成随机变量z的映射g_n(z，Θ)，如果x为正常事件，具有相似事件分布，则g_n(z，Θ)约等于x，具有较小的样本距离。如果x为异常事件，事件分布不一致，则g_n(z，Θ)不约等于x，具有较大的样本距离。

步骤5，反生成对抗网络输入大量正常数据训练收敛后，反生成器捕捉异常事件分布。检测时输入未知样本x,反生成器生成随机变量z的映射g_a(z，Θ)，如果x为正常事件，事件分布不一致，则g_a(z，Θ)不约等于x，具有较大的样本距离。如果x为异常事件，具有相似事件分布，则g_a(z，Θ)约等于x，具有较小的样本距离。

步骤6，如果生成器成功地学习到训练数据分布的良好近似，检测时根据输入事件与生成事件的样本距离大小，实现对异常事件的精确检测。

与现有技术相比，本发明的优点在于：

1、使用正常事件进行训练，采用合理算法计算输入与生成模拟事件样本的重构差异，实现异常事件的有效检测。

2、能够有效检出未知异常事件，关键技术指标有明显提升。

3、由于理论推导和具体验采用正常数据进行训练，这对异常事件样本稀少或者难以获取的领域有很好的适用性和针对性。可拓展用于网络、医学等异常事件未知、不确定领域，未来会努力提高训练检测稳定性、提升综合性能指标，实现真正工程应用。

附图说明

图1是本发明实施例识别模块的结构示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下根据附图并列举实施例，对本发明做进一步详细说明。

一种无人机异常行为识别模块主要由正反两个生成对抗网络和检测器组成，结构如图1所示。正生成对抗网络由正生成器和判决器组成，先训练判决器判别事件是来自输入事件还是来自正生成器生成正常事件G_n(Z)的判决能力，随后训练正生成器生成模拟正常事件的能力，G_n(Z)***不断迭代，循环训练，持续提高正生成器的正常事件模拟生成能力和判决器的判决能力。

反生成对抗网络由反生成器和判决器组成。反生成器最大可能生成非正常事件，即努力模拟异常事件。先训练判决器判别事件是来自输入还是来自反生成器生成的模拟异常事件G_a(Z)的判决能力，随后训练反生成器生成模拟异常事件G_a(Z)的能力，***不断迭代，循环训练，持续提高反生成器的模拟异常事件生成能力和判决器的判决能力。

检测时，主要通过检测器，计算输入事件x与正生成器生成的模拟事件G_n(Z)，以及与反生成器生成的模拟事件G_a(Z)的距离差，计算异常事件分值，设置合理的阈值，将分值高的事件作为异常事件检出。

生成模型在人工智能领域占有重要地位，生成方法和判别方法是机器学习中的两个分支。生成模型是生成方法学习得到的模型，涉及对数据的分布假设和分布参数的学习，能够根据学习来的模型生成新的数据样本。生成模型主要有：自动编码(autoencoder)、自回归模型(autoregressive models)和生成对抗网络等。正生成对抗网络输入大量正常数据训练收敛后，正生成器捕捉正常事件分布。检测时输入未知样本x,正生成器生成随机变量z的映射g_n(z，Θ)，如果x为正常事件，具有相似事件分布，则g_n(z，Θ)约等于x，具有较小的样本距离。如果x为异常事件，事件分布不一致，则g_n(z，Θ)不约等于x，具有较大的样本距离。

反生成对抗网络输入大量正常数据训练收敛后，反生成器捕捉异常事件分布。检测时输入未知样本x,反生成器生成随机变量z的映射g_a(z，Θ)，如果x为正常事件，事件分布不一致，则g_a(z，Θ)不约等于x，具有较大的样本距离。如果x为异常事件，具有相似事件分布，则g_a(z，Θ)约等于x，具有较小的样本距离。

如果生成器成功地学习到训练数据分布的良好近似，检测时根据输入事件与生成事件的样本距离大小，实现对异常事件的精确检测。

航空航天异常事件检测主要性能指标有精确率、准确率、召回率、精确率和召回率综合评价指标(F1)、接收器工作特性曲线下面积(AUC)等。

1)精确率P。即预测正确的正例数占预测为正例数的比例，P＝TP/(TP+FP)，TP为预测正确的正例数，FP为预测错误的正例数。

2)召回率R。即预测为正例的数据占实际正例数的比例，R＝TP/(TP+FN)，FN为被错误预测为负例的数量。

3)F1。由于在实际应用中精确率与召回率这2个指标是相互制约的，通常会根据任务需要选择一个合适的平衡点，取最理想的召回率和精确率值。精确率和召回率综合评价指标F1定义为:F1＝2PR/(P+R)。

4)AUC。是以假正率(False Positive Rate，FPR)为横坐标，召回率为纵坐标绘制的曲线下的面积，FPR＝FP/(FP+TN)，是反映接收器工作特征的综合指标，面积越大，性能越好，其中TN为预测正确的负例数。

对真实环境下采集的完全使用正常数据训练，能精准检测未知的异常事件，这对异常样本稀少或者难以获取的航天等领域有很好的适用性。如表1所示，当训练数据迭代2次时，检测性能明提升，但迭代3次及以上时，检测能力随迭代次数增加变化不大。试验异常事件检测性能很好，几乎全部检出了未知的异常事件，能很好地区分正常和异常事件，当然这可能与采集数据的设备工作环境简单、外界干扰少有关。

表1环境数据检测性能

迭代	F1	精确率	召回率	AUC
					1	0.778	0.747	0.813	0.617
2	0.963	0.940	0.987	0.978
					3	0.981	0.987	0.975	0.984

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (2)

1.一种无人机异常行为识别模块，其特征在于，包括：正生成对抗网络、反生成对抗网络和检测器；

正生成对抗网络用于不断迭代，循环训练，持续提高正生成器的正常事件模拟生成能力和判决器的判决能力；

反生成对抗网络用于不断迭代，循环训练，持续提高反生成器的模拟异常事件生成能力和判决器的判决能力；

检测器用于检测时，主要通过检测器，计算输入事件X与正生成器生成的模拟事件Gn(Z)的欧氏距离差，以及与反生成器生成的模拟事件Ga(Z)的欧氏距离差，计算异常事件分值，设置合理的阈值，将分值高的事件作为异常事件检出；

正生成对抗网络由正生成器和判决器A组成；

正生成器用于最大可能生成正常事件，即努力模拟异常事件，并用于训练判别器A；

判决器A用于判别事件是来自输入事件X还是来自正生成器生成正常事件Gn(Z)的判决能力，随后训练正生成器生成模拟正常事件Gn(Z)的能力；

反生成对抗网络由反生成器和判决器B组成；

反生成器用于最大可能生成非正常事件，即努力模拟异常事件，并用于训练判别器B，判决器B用于判别事件是来自输入事件X还是来自反生成器生成的模拟异常事件Ga(Z)的判决能力，随后训练反生成器生成模拟异常事件Ga(Z)的能力。

2.根据权利要求1所述的一种无人机异常行为识别方法，其特征在于：

步骤1，正生成对抗网络先训练判决器判别事件是来自输入事件还是来自正生成器生成正常事件G_n(Z)的判决能力，随后训练正生成器生成模拟正常事件的能力，G_n(Z)***不断迭代，循环训练，持续提高正生成器的正常事件模拟生成能力和判决器的判决能力；

步骤2，反生成对抗网络中反生成器生成非正常事件，即努力模拟异常事件；先训练判决器判别事件是来自输入还是来自反生成器生成的模拟异常事件G_a(Z)的判决能力，随后训练反生成器生成模拟异常事件G_a(Z)的能力，***不断迭代，循环训练，持续提高反生成器的模拟异常事件生成能力和判决器的判决能力；

步骤3，通过检测器计算输入事件x与正生成器生成的模拟事件G_n(Z)，以及与反生成器生成的模拟事件G_a(Z)的距离差，计算异常事件分值，设置合理的阈值，将分值高的事件作为异常事件检出；

步骤4，生成模型，正生成对抗网络输入大量正常数据训练收敛后，正生成器捕捉正常事件分布；检测时输入未知样本x,正生成器生成随机变量z的映射g_n(z，Θ)，如果x为正常事件，具有相似事件分布，则g_n(z，Θ)约等于x，具有较小的样本距离；如果x为异常事件，事件分布不一致，则g_n(z，Θ)不约等于x，具有较大的样本距离；

步骤5，反生成对抗网络输入大量正常数据训练收敛后，反生成器捕捉异常事件分布；检测时输入未知样本x,反生成器生成随机变量z的映射g_a(z，Θ)，如果x为正常事件，事件分布不一致，则g_a(z，Θ)不约等于x，具有较大的样本距离；如果x为异常事件，具有相似事件分布，则g_a(z，Θ)约等于x，具有较小的样本距离；

步骤6，如果生成器成功地学习到训练数据分布的良好近似，检测时根据输入事件与生成事件的样本距离大小，实现对异常事件的精确检测。

Images