CN118070204A - 基于神经网络的无人机动力数据异常识别方法及装置 - Google Patents
基于神经网络的无人机动力数据异常识别方法及装置 Download PDFInfo
- Publication number
- CN118070204A CN118070204A CN202410487195.0A CN202410487195A CN118070204A CN 118070204 A CN118070204 A CN 118070204A CN 202410487195 A CN202410487195 A CN 202410487195A CN 118070204 A CN118070204 A CN 118070204A
- Authority
- CN
- China
- Prior art keywords
- data
- unmanned aerial
- aerial vehicle
- neural network
- quantum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 97
- 230000006870 function Effects 0.000 claims description 61
- 230000002159 abnormal effect Effects 0.000 claims description 47
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 239000013598 vector Substances 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 21
- 238000012544 monitoring process Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 9
- 230000005428 wave function Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000003786 synthesis reaction Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims 2
- 230000005856 abnormality Effects 0.000 abstract description 15
- 230000000875 corresponding effect Effects 0.000 description 32
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000000137 annealing Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 239000000306 component Substances 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 239000002096 quantum dot Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于神经网络的无人机动力数据异常识别方法及装置,涉及数据处理技术领域,通过获取无人机动力数据后,对数据进行特征提取,并由预先构建的数据识别模型对数据进行识别,其中,训练该模型的训练样本集基于无人机动力***的多个监控点的数据构建,且,采用量子编码和量子门进行数据扩充,训练样本集具有多样性,能更好地识别无人机动力数据异常,提高了识别精度。此外,本发明还将模型的识别结果转化为置信分数,能够更精确地评估模型的分类结果,使识别结果更加可靠。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于神经网络的无人机动力数据异常识别方法及装置。
背景技术
随着无人机技术的迅猛发展及其在军事侦察、地理勘探、灾害监测和物流配送等领域的广泛应用,无人机的安全运行成为了研究和实践的重要课题。无人机动力***作为其核心部件之一,其性能的可靠性直接关系到无人机的安全与效率。然而,在复杂的飞行环境中,动力***易受各种内外因素的影响,可能出现异常情况,如电机过热、电池性能下降、推力损失等,这些异常若不被及时发现和处理,可能导致无人机失控甚至坠毁,造成财产损失和安全事故。
传统的无人机动力数据异常识别技术通常采用基于阈值、基于统计和基于模型的方法。这些方法在处理简单的异常数据时效果较好,但在处理复杂的异常数据时效果较差。随着大数据和机器学习技术的发展,研究人员开始尝试使用这些技术来处理无人机动力数据异常。然而,由于无人机动力数据的特殊性,现有的机器学习模型并不适用于无人机动力数据异常识别。
发明内容
有鉴于此,本发明的目的在于提供一种基于神经网络的无人机动力数据异常识别方法及装置,能更好地识别无人机动力数据异常,提高了识别精度。
第一方面,本发明实施例提供一种基于神经网络的无人机动力数据异常识别方法,其中,该方法包括:获取待识别的无人机动力数据;对无人机动力数据进行特征提取,确定无人机动力数据中的关键特征;通过预先构建的数据识别模型对关键特征进行识别,确定无人机动力数据对应的识别结果;其中,训练数据识别模型的训练样本集包括训练样本和样本标签,样本标签用于表征训练样本对应的异常情况;训练样本基于无人机动力***的多个监控点的数据构建,且,采用量子编码和量子门进行数据扩充;将识别结果转化为置信分数;在置信分数满足预设的置信阈值时,基于识别结果确定无人机动力数据对应的异常情况。
第二方面,本发明实施例提供一种基于神经网络的无人机动力数据异常识别装置,其中,该装置包括:数据获取模块,用于获取待识别的无人机动力数据;数据处理模块,用于对无人机动力数据进行特征提取,确定无人机动力数据中的关键特征;执行模块,用于通过预先构建的数据识别模型对关键特征进行识别,确定无人机动力数据对应的识别结果;其中,训练数据识别模型的训练样本集包括训练样本和样本标签,样本标签用于表征训练样本对应的异常情况;训练样本基于无人机动力***的多个监控点的数据构建,且,采用量子编码和量子门进行数据扩充;数据转换模块,将识别结果转化为置信分数;输出模块,用于在置信分数满足预设的置信阈值时,基于识别结果确定无人机动力数据对应的异常情况。
本发明实施例带来了以下有益效果:本发明提供的一种基于神经网络的无人机动力数据异常识别方法及装置,通过获取无人机动力数据后,对该数据进行特征提取,并由预先构建的数据识别模型对数据进行识别,其中,训练该模型的训练样本集基于无人机动力***的多个监控点的数据构建,且,采用量子编码和量子门进行数据扩充,训练样本集具有多样性,能更好地识别无人机动力数据异常,提高了识别精度。此外,本发明实施例还将模型的识别结果转化为置信分数,能够更精确地评估模型的分类结果,使识别结果更加可靠。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于神经网络的无人机动力数据异常识别方法的流程图;
图2为本发明实施例提供的另一种基于神经网络的无人机动力数据异常识别方法的流程图;
图3为本发明实施例提供的第三种基于神经网络的无人机动力数据异常识别方法的流程图;
图4为本发明实施例提供的第四种基于神经网络的无人机动力数据异常识别方法的流程图;
图5为本发明实施例提供的一种基于神经网络的无人机动力数据异常识别装置的结构示意图;
图6为本发明实施例提供的另一种基于神经网络的无人机动力数据异常识别装置的结构示意图;
图7为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
本发明实施例提供的一种基于神经网络的无人机动力数据异常识别方法及装置,能更好地识别无人机动力数据异常,提高了识别精度。
实施例一
为了便于理解,首先对本发明实施例提供的一种基于神经网络的无人机动力数据异常识别方法进行详细说明,图1示出了本发明实施例提供的一种基于神经网络的无人机动力数据异常识别方法的流程图,如图1所示,该方法包括以下步骤:
步骤S102,获取待识别的无人机动力数据。
在具体实现时,首先对无人机动力***进行数据采集,其中,本发明实施例的数据来源于无人机动力***,包括对无人机动力***的多个监控点进行采集的数据。其中,每个监控点有多个属性的数据。每个属性都对应着不同的数据特征。
具体的,每条数据都是一个元组,可以表示为:D=(t,p1,p2,…,pm);其中,t是时间戳,表示数据采集的时间点;pi是监控点i的数据,其中,每个监控点的数据pi包括电压、电流、温度、湿度、风速等数据,每个数据的特征是其属性数据的数值;m是监控点的总数。
步骤S104,对无人机动力数据进行特征提取,确定无人机动力数据中的关键特征。
进一步的,提取无人机动力数据中的关键特征,在具体实现时,本发明实施例通过特征提取模型进行特征提取,以确定数据中的关键信息。
步骤S106,通过预先构建的数据识别模型对关键特征进行识别,确定无人机动力数据对应的识别结果。
在具体实现时,本发明实施例利用训练好的模型进行无人机动力数据异常识别分类任务,并对分类结果进行评估或验证。对于输入一个无人机动力数据,模型将输出该数据所属的类别。具体的,令表示输入样本,模型的输出为/>,则推理的过程可以表示为:
其中,是训练好的模型。/>为分类模型输出一个概率向量,其中的每个元素代表相应类别的概率。
步骤S108,将识别结果转化为置信分数。
步骤S110,在置信分数满足预设的置信阈值时,基于识别结果确定无人机动力数据对应的异常情况。
在本发明实施例中,模型输出的概率向量(也即识别结果)可以转化为置信分数,用于评估分类结果。具体的,令表示样本属于第/>个类别的概率,则置信分数/>可以通过以下公式计算:
其中,是类别的总数。
进一步地,本发明实施例通过设置一个阈值,可以更精确地评估分类结果。如果某个类别的置信分数大于或等于阈值/>,则认为该识别分类结果具有可靠性。
在具体实现时,训练本发明实施例的数据识别模型的训练样本集包括训练样本和样本标签,样本标签用于表征训练样本对应的异常情况;训练样本基于无人机动力***的多个监控点的数据构建,且,采用量子编码和量子门进行数据扩充。其中,训练样本集具有多样性,能更好地识别无人机动力数据异常,提高了识别精度。此外,本发明实施例还将模型的识别结果转化为置信分数,能够更精确地评估模型的分类结果,使识别结果更加可靠。
实施例二
进一步地,现有技术还存在数据扩充、特征提取和分类器训练的不足的问题,基于此,现有技术在无人机动力数据异常识别方面的精度较低,不足以满足实际应用中的需求。
基于上述问题,在上述实施例的基础上,本发明实施例还提供另一种基于神经网络的无人机动力数据异常识别方法,该方法主要对数据识别模型的构建过程进行说明。其中,本发明实施例通过预设的训练样本集构建数据识别模型,在具体实现时,可以通过预先构建的特征提取模型对其训练样本集进行特征提取,并基于特征提取后的数据构建数据识别模型。现有的无人机动力数据异常识别技术通常采用传统的神经网络模型进行分类器训练,然而,这种方式容易过拟合,降低了模型的泛化能力。另外,现有技术的学习率调整策略较为单一,不利于模型快速收敛。具体的,本发明提出一种基于黎曼自编码的功能链接神经网络算法,用于无人机动力数据异常识别任务。图2示出了本发明实施例提供的另一种基于神经网络的无人机动力数据异常识别方法的流程图,如图2所示,该方法包括以下步骤:
步骤S202,获取预设的训练样本集。
步骤S204,将训练样本集表示为黎曼流形上的点,以将训练样本集编码为黎曼流形编码特征。
在黎曼流形中,每个点都有一个局部坐标系,设黎曼度量/>来度量这个流形上两点之间的距离。
进一步地,设输入数据表示为一个黎曼流形上的点。用参考点/>和输入数据点/>之间的黎曼距离/>来编码输入数据。根据黎曼度量的定义,这个距离可以计算为:
步骤S206,生成黎曼流形编码特征对应的自注意力向量。
为了提高模型分类精度,并增强模型的鲁棒性和泛化能力,本发明实施例将黎曼流形编码特征映射到高维特征空间中,确定高阶特征向量。再根据高阶特征向量的维数计算自注意力权重矩阵。之后,基于自注意力权重矩阵对高阶特征向量进行加权聚合,得到黎曼流形编码特征对应的自注意力向量。
具体的,本发明实施例使用一个基函数来将编码特征映射到高维特征空间中,生成高阶特征。本发明使用多项式基函数,此映射可以表示为:z=[1,E(x),E(x)2,...,E(x)n]。其中,n是多项式的阶数。
进一步地,在得到高阶特征向量后,进行自注意力增强。对于特征向量/>,使用如下方式计算自注意力权重矩阵/>:
其中,是特征向量/>的维数,即特征数量。
进一步地,使用权重矩阵对特征向量/>进行加权聚合,得到自注意力向量z':z'=Az。
步骤S208,将自注意力向量输入至预设的功能链接神经网络分类器中,对功能链接神经网络分类器进行训练。
进一步地,将自注意力特征向量输入到功能链接神经网络分类器中。功能链接神经网络的输出可以写为:
其中,是第/>个权重,/>是偏置,/>是Sigmoid激活函数。功能链接神经网络的特性在于它将原始输入数据与一组基函数结合起来,生成高阶特征作为输入。
步骤S210,计算自注意力向量的拉普拉斯矩阵,并根据拉普拉斯矩阵,计算分类器的交叉熵损失。
在本发明实施例中,定义损失函数为交叉熵损失,并通过预设的优化方法,如,梯度下降法进行最小化,以训练模型。具体的,本发明实施例的损失函数包括拉普拉斯正则项/>,其作用是增强模型的泛化能力并防止过拟合。
在拉普拉斯正则项中,/>是正则化参数,/>是矩阵的迹,/>是特征矩阵,/>是拉普拉斯矩阵,计算方式可以表示为:
其中,为度矩阵,度矩阵中的每个元素/>是第/>个特征的度,计算方式可以表示为:
其中,表示特征相似性,/>是特征数量。特征相似性的计算方式可以表示为:
其中,和/>是特征矩阵/>中的两个特征向量,/>是高斯核的宽度参数。
进一步地,本发明实施例的损失函数可以表示为:
其中,是数据点的数量,/>是第/>个数据点的真实标签,/>是拉普拉斯正则项。
步骤S212,基于交叉熵损失,对分类器的参数进行优化;以及,对分类器的学习率进行自适应调整。
步骤S214,直到分类器满足预设的训练条件,基于分类器构建数据识别模型。
本发明实施例在使用梯度下降法来最小化损失函数时,首先初始化权重/>和偏置/>,然后在每次迭代中更新它们以降低损失函数的值。
进一步地,权重和偏置的更新规则分别如下:
其中,是学习率,/>是损失函数/>关于权重/>的梯度。/>是损失函数/>关于偏置/>的梯度。
本发明中,学习率是通过自适应的方式动态调整。具体的,本发明提出一种基于余弦退火的方法来动态调整学习率。余弦退火模拟了一次余弦周期的变化过程,其中,学习率在一个周期内从初始值减小到最小值,然后在下一个周期中重置。余弦退火公式如下:
其中,是在时间步/>的学习率,/>是学习率的最小值,/>是学习率的最大值,是当前的时间步,/>是一个周期的长度。
在每个训练步骤,计算模型参数的梯度并进行更新:
其中,是损失函数,/>是模型参数。
进一步地,使用动态调整的学习率更新参数:
在训练的每个周期中都使用上述的余弦退火公式计算学习率,并根据梯度更新模型参数。
通过反复迭代更新权重和偏置,则可以得到一个能够准确识别无人机动力数据异常的模型,即训练完成的数据识别模型。
本发明实施例提供的另一种基于神经网络的无人机动力数据异常识别方法,提出了一种基于黎曼自编码的功能链接神经网络算法,用于无人机动力数据异常识别任务。引入黎曼度量编码输入数据,并结合自注意力机制进行特征增强。此外,提出了一种基于余弦退火的方法动态调整学习率。
进一步地,在上述实施例的基础上,本发明实施例还提供第三种基于神经网络的无人机动力数据异常识别方法,本发明实施例对训练样本集的构建步骤进行说明。其中,本发明实施例的数据来源无人机动力***,包括多个监控点的数据,每个监控点有多个属性的数据。每个属性都对应着不同的数据特征。可以理解的是,在无人机动力数据异常识别任务中,训练样本的获取是十分耗费代价的,且训练样本的数量不足够多的情况下,容易对识别精度产生影响。本发明实施例还对采集的数据进行数据扩充,从而构建训练样本集。
然而,现有技术在数据扩充方面主要采用简单的过采样和欠采样技术,这种方式无法生成与原始数据高度相关的数据,导致模型容易过拟合或欠拟合。由于无人机动力数据异常识别中异常数据通常较少,因此需要更加高效的数据扩充方法来平衡数据分布。本发明提出一种基于量子编码的自适应合成抽样(ADASYN)算法的改进方法,采用自适应技术对原始数据集进行合成抽样,使得合成数据更加适合于神经网络的训练。
图3示出了本发明实施例提供的第三种基于神经网络的无人机动力数据异常识别方法的流程图,如图3所示,该方法包括以下步骤:
步骤S302,获取预先采集的无人机动力样本。
步骤S304,根据无人机动力样本对应的无人机动力***异常情况,对无人机动力样本进行数据标注,生成数据标签。
在具体实现时,无人机动力样本参照上述实施例的无人机动力数据,在此不再赘述。其中,对于采集到的数据进行标注,本发明实施例是根据无人机动力数据的历史异常情况,将数据标注为正常或异常。每条数据有一个标签L,其中,其中,0表示正常数据,1表示异常数据。
在一个具体的实施例中,监控点有10个属性:电压(V)、电流(A)、温度(℃)、湿度(%)、风速(m/s)、风向(°)、太阳辐射强度(W/m²)、功率因数(PF)、有功功率(kW)、无功功率(kVAR),分别记为p1,p2,…,p10。
对于某一个时间戳t,有一个数据元组D=(t,p1,p2,…,p10)。
设在时间t下,监控点的数据为:p1=220V;p2=5A;p3=25℃;p4=45%;p5=2.5m/s;p6=180°;p7=600W/m²;p8=0.95PF;p9=15kW;p10=8kVAR;标签为L=0,表示这是一个正常数据。则,对于这个数据,可以使用监控点的数据作为特征向量,即:=[220,5,25,45,2.5,180,600,0.95,15,8]。
该数据的标签作为输出向量,即:=[0]。
步骤S306,对无人机动力样本和数据标签向量化处理,构建初始样本集。
每个数据元组可以表示为一个特征向量/>,标签向量/>。则,整个数据集可以表示为一个矩阵/>和一个向量/>,其中,/>的每一行对应一个数据的特征向量,/>的每个元素对应一个数据的标签,可以表示为:
其中,是数据集中的数据条数,/>是第/>条数据的第/>个属性的数值,/>是第/>条数据的标签。
进一步地,可以理解的是,在无人机动力数据异常识别的任务中,数据中可能存在不规范、异常值等问题。为了提高数据质量和确保模型的训练效果,本发明对采集到的数据进行预处理。
首先,对数据进行规范化处理,在数据规范化的过程中,设数据集的第个特征的最大值为/>,最小值为/>。将第/>个特征的每个数据点/>规范化为:
其中,是一个人为预设的超参数。/>为规范化前的特征值,/>为规范化后的特征值。
进一步地,进行数据异常值处理。本发明提出一种基于局部异常因子的方法。对于数据集中的每个数据点/>,计算其局部异常因子。
具体的,首先计算与其他数据点之间的距离,并选取/>个最近邻数据点,记为。计算/>的可达距离:
其中,是/>到第/>近邻的距离,/>是/>到/>中任意数据点的距离。
进一步地,计算的局部可达密度,可以表示为:
进一步地,计算局部异常因子:
将局部异常因子较大的数据点视为异常值,并将其剔除。
对于预处理后的数据集,其中,/>是数据点,/>是数据点的标签。进一步地,通过下述方式对数据进行扩充,以构建训练样本集。
步骤S308,使用量子编码技术将初始样本集转化为量子形式,得到量子编码数据。
本发明实施例进行数据扩充时,首先,使用量子编码技术将原始数据点转化为量子形式。之后使用数据扩充算法进行数据扩充。
其中,量子编码是一种将数据点转化为量子态的技术,其基本思想是将数据点的每个特征值编码到一个量子比特上,通过量子***的特性实现信息的传输和处理。
具体的,对于数据点,其量子编码形式为:
其中,是数据点的维度,/>是数据点/>的第/>个特征值,/>是张量积。
步骤S310,通过预设的数据扩充算法对量子编码数据进行数据扩充,构建训练样本集。
在具体实现时,本发明实施例使用改进的自适应合成抽样算法对量子编码数据进行合成抽样,生成第一扩充样本集。进一步地,应用预设的量子门操作对量子编码数据进行数据扩充,生成第二扩充样本集。之后,将第一扩充样本集、第二扩充样本集和初始样本集进行合并,得到训练样本集。
1)基于量子编码后的数据获取第一扩充样本集。本发明实施例使用改进的ADASYN(Adaptive Synthetic Sampling)算法对量子编码后的数据进行合成抽样。在具体实现时,先计算量子编码数据中第一类别数据对应的分类难度系数;之后,基于分类难度系数,计算第一类别数据对应的合成数据数量。进一步地,基于合成数据数量,以及第一类别数据对应的近邻样本进行数据合成,得到合成数据点。并将相似度满足预设阈值的合成数据点作为第一扩充样本,以构建第一扩充样本集。
具体的,首先计算每个少数类数据点的难度系数:
其中,是数据点/>的/>近邻,/>是数据点/>的标签。/>的值越大,说明数据点越难分类。
进一步地,计算每个少数类数据点的合成数据数量:
其中,是向上取整,/>是总的合成数据数量。
进一步地,对于每个少数类数据点,使用其近邻数据点生成合成数据。具体的,对于数据点/>,选择一个随机的近邻数据点/>,生成合成数据点/>:
其中,是随机选择的插值系数。
进一步地,使用量子态的内积来计算两个数据点的相似度:
其中,和/>分别是数据点/>和/>的第/>个特征值。使用量子态的内积可以更好地反映数据点的相似度。
进一步地,判断和/>的相似度是否满足预设的阈值,若满足则保留新生成的样本/>,即为第一扩充样本,且经过多次扩充后获得第一扩充样本集;否则,舍弃新生成的样本/>。
2)进一步地,基于量子编码后的数据获取第二扩充样本集。具体的,本发明实施例基于量子编码后的数据,使用Hadamard门进行数据扩充。量子门是一种在量子计算中用于操作量子比特的基本单元。常见的量子门包括Pauli-X门、Pauli-Y门、Pauli-Z门、Hadamard门等。量子门可以实现量子态的线性变换,对量子态进行操作。
其中,本发明实施例先对量子编码数据应用Hadamard量子门操作,扩展量子编码数据的量子态,得到量子态扩展数据;进一步地,通过测量操作对量子态扩展数据进行格式转换,得到经典数据;之后,基于经典数据构建第二扩充样本集。
本发明使用Hadamard门进行数据扩充。Hadamard门的矩阵形式为:
使用Hadamard门将原始的量子编码数据扩充为更多的量子态。
具体的,首先选择需要扩充的量子编码数据。
设选择的数据点为,其量子编码形式为:
进一步地,应用Hadamard门操作。
对于数据点的每一个量子比特,应用Hadamard门操作,可以表示为:
进一步地,应用Hadamard门后,原始的量子态会扩展为更多的量子态。具体的,对于原始量子态的每一个量子比特,可以得到两个新的量子态。因此,原始量子态的扩充数量将是,其中,/>是数据点的维度。
进一步地,将扩充的量子态转换回经典数据。
对于每一个扩充的量子态,通过测量操作将其转换回经典数据。具体的,对于扩充的量子态,通过以下测量操作得到经典数据/>作为第二扩充数据,可以表示为:
进一步地,添加第二扩充数据到数据集中。
通过以上步骤,可以得到扩充的数据集,其中,/>是扩充数据的数量,/>是原始数据的数量。
3)综上,将第一扩充样本集、第二扩充样本集、初始样本集进行合并,可以得到扩充后的数据集,即训练样本集,其中包含了原始数据和合成数据。同时,量子编码可以保留数据点的高阶特征,且改进的ADASYN算法可以根据数据点的难度系数生成合成数据,使得合成数据更加均匀分布在少数类数据点的空间中。
本发明实施例提供的第三种基于神经网络的无人机动力数据异常识别方法,提出了一种基于量子编码的自适应合成抽样(ADASYN)算法的改进方法。使用自适应技术对原始数据集进行合成抽样,使得合成数据更加适合于神经网络的训练。采用量子编码和量子门进行数据扩充,使得扩充数据更具有多样性,同时保留了数据点的高阶特征。
实施例三
进一步地,在上述实施例的基础上,本发明实施例还提供第四种基于神经网络的无人机动力数据异常识别方法,该方法对特征提取模型的构建方法进行说明。其中,参照实施例一,本发明实施例可以通过该特征提取模型对无人机动力数据进行特征提取,确定关键特征。传统的特征提取方法通常依赖于人工特征工程,耗时耗力且容易受到人的主观因素影响。另外,传统的神经网络模型通常使用梯度下降算法进行优化,容易陷入局部最优解,导致模型的泛化能力较差。本发明提出一种基于谐波谐振优化的神经网络算法,以避免神经网络在训练过程中,传统梯度下降算法容易陷入局部最优解的情况。
在具体实现时,图4示出了本发明实施例提供的第四种基于神经网络的无人机动力数据异常识别方法的流程图,如图4所示,该方法包括以下步骤:
步骤S402,获取预设的训练样本集。
步骤S404,通过训练样本集对预设的神经网络进行训练。
步骤S406,确定神经网络的权重二阶导数,基于权重二阶导数,计算神经网络的损失函数。
在具体实现时,可以通过上述实施例构建的训练样本集对神经网络进行训练。本发明的特征提取模型为神经网络,神经网络由多个神经元组成,每个神经元都有相应的权重和偏置。权重和偏置是通过优化算法进行更新的。设神经网络的权重矩阵为,偏置矩阵为/>。在神经网络的训练过程中,设损失函数为/>,其中,/>和/>分别是权重和偏置。
具体的,损失函数可以表示为:
其中,是交叉熵损失函数,/>是一个人为预设的常数,/>是权重的数量。损失函数/>包含了权重的二阶导数,可以更好地反映权重的变化,并有助于提高优化的效果。
步骤S408,通过预设的调和共振算法对神经网络的网络参数进行优化,以及,根据调和共振算法对应的调和共振系数对神经网络的学习率进行自适应调整。其中,神经网络基于渐变调和激活函数对网络参数进行优化。
其中,本发明实施例进行模型训练时,一方面基于调和共振算法对神经网络的网络参数进行优化,本发明受调和共振理论启发,即调和共振现象是当一个外部信号的频率与一个***的固有频率相匹配时,***的振幅会急剧增加。则,本发明利用此原理来优化神经网络的参数。
另一方面,通过确定调和共振算法对应的调和共振系数,并根据该系数自适应调整学习率。且,基于渐变调和激活函数对网络参数进行优化。
1)基于调和共振算法对神经网络的网络参数进行优化:
在具体实现时,本发明实施例在神经网络的训练过程中,将损失函数的变化视为外部驱动力,以及,将网络参数的变化视为固有频率,计算外部驱动力和固有频率对应的调和共振系数。
在一个具体的实施例中,考虑一个简单的振子,其运动方程为:
其中,是振子的位置,/>是固有频率,/>是外部驱动力。则,可以将此方程改写为:
其中,是外部的周期性驱动力。
本发明实施例引入一种新的优化算法,该算法将外部驱动力视为损失函数的变化,将固有频率视为权重和偏置的变化。将设定一个阈值,当振幅达到该阈值时,停止优化。具体地,定义新的调和共振系数/>:
其中,是损失函数的二阶导数,/>是优化频率,/>是优化周期。
将优化频率设置为与权重和偏置的变化相匹配的频率,并逐步调整,直到达到阈值。
进一步地,当调和共振系数达到预设的优化阈值时,基于损失函数对调和共振系数进行更新,以使神经网络达到预设的训练条件。具体的,当R达到预设的上述阈值(也即优化阈值)以后,在每个迭代优化周期,本发明实施例使用以下公式更新调和共振系数:
其中,是第/>个优化周期的调和共振系数,/>和/>是常数,/>为损失函数的一阶导数。
2)根据调和共振算法对应的调和共振系数对神经网络的学习率进行自适应调整:其中,在每个优化周期中,将根据调和共振系数来自适应调整学习率/>,学习率/>的更新规则如下:/>
其中,是第/>个优化周期的学习率;/>是学习率更新的常数,由人为预设。
3)神经网络基于渐变调和激活函数对网络参数进行优化:
在具体实现时,本发明实施例根据神经网络的神经元值定义基础调和波函数,并根据神经网络的神经元值的绝对值,定义调和振幅函数;将调和振幅函数与基础调和波函数相乘,定义渐变调和激活函数;计算渐变调和激活函数的梯度;基于渐变调和激活函数的梯度,对网络参数进行更新。
具体地,在训练该神经网络时,训练的目的是在不断的迭代过程中优化神经网络的权重和偏置/>。对于神经网络中的神经元,每个神经元发挥作用依靠其激活函数,本发明中提出一种渐变调和激活函数。
在本发明的神经网络中,激活函数被用于引入非线性,使得神经网络可以逼近复杂函数。
首先,定义一个基础的调和波函数:
其中,是输入的神经元值,/>是一个相位偏移参数。
然后,定义一个调和振幅函数:
其中,是输入神经元值的绝对值。
进一步地,将调和振幅函数与基础调和波函数相乘,定义渐变调和激活函数:
进一步地,为了在神经网络中使用这个新的激活函数,需要计算其梯度。本发明使用链式法则来计算的梯度。
具体的,首先计算的导数:/>
进一步地,计算的导数:/>
进一步地,使用链式法则计算的梯度:
进一步地,更新权重和偏置。使用渐变调和激活函数的梯度来更新权重和偏置/>,更新方式可以表示为:
/>
步骤S410,在调和共振系数达到预设的训练阈值时,对神经网络的隐藏层数量进行调整。
本发明实施例的神经网络结构的通过自适应确定,本发明引入一种自适应神经网络结构调整的机制。当调和共振系数达到一个预定阈值(也即训练阈值)时,将自动增加或减少神经网络的隐藏层。具体地,使用以下公式来决定增加或减少隐藏层的数量:
其中,是隐藏层数量的改变量,/>是一个常数,/>是调和共振系数的阈值。
步骤S412,直到神经网络达到预设的训练条件,基于神经网络构建特征提取模型。
本发明实施例提供的第四种基于神经网络的无人机动力数据异常识别方法,提出一种基于谐波谐振优化的神经网络算法,并引入自适应神经网络结构调整机制,以及提出一种渐变调和激活函数,利用调和共振理论优化神经网络参数,能够避免了传统梯度下降算法容易陷入局部最优解的情况。
综上,本发明实施例采用量子编码和量子门进行数据扩充,使得合成数据更加均匀分布在少数类数据点的空间中,从而提高了模型的鲁棒性。同时,基于调和共振优化的神经网络算法提高了模型的优化效果,增加了模型的泛化能力。故,本发明实施例能更好地识别无人机动力数据异常,提高了识别精度。
实施例四
进一步地,在上述方法实施例的基础上,本发明实施例还提供一种基于神经网络的无人机动力数据异常识别装置,图5示出了本发明实施例提供的一种基于神经网络的无人机动力数据异常识别装置的结构示意图,如图5所示,该装置包括:数据获取模块100,用于获取待识别的无人机动力数据;数据处理模块200,用于对无人机动力数据进行特征提取,确定无人机动力数据中的关键特征;执行模块300,用于通过预先构建的数据识别模型对关键特征进行识别,确定无人机动力数据对应的识别结果;其中,训练数据识别模型的训练样本集包括训练样本和样本标签,样本标签用于表征训练样本对应的异常情况;训练样本基于无人机动力***的多个监控点的数据构建,且,采用量子编码和量子门进行数据扩充;数据转换模块400,用于将识别结果转化为置信分数;输出模块500,用于在置信分数满足预设的置信阈值时,基于识别结果确定无人机动力数据对应的异常情况。
本发明实施例提供的一种基于神经网络的无人机动力数据异常识别装置,与上述方法实施例具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
进一步的,在上述实施例的基础上,本发明实施例还提供了另一种基于神经网络的无人机动力数据异常识别装置,图6示出了本发明实施例提供的另一种基于神经网络的无人机动力数据异常识别装置的结构示意图,参照图6,上述执行模块300,还用于获取预设的训练样本集;将训练样本集表示为黎曼流形上的点,以将训练样本集编码为黎曼流形编码特征;生成黎曼流形编码特征对应的自注意力向量;将自注意力向量输入至预设的功能链接神经网络分类器中,对功能链接神经网络分类器进行训练;计算自注意力向量的拉普拉斯矩阵,并根据拉普拉斯矩阵,计算分类器的交叉熵损失;基于交叉熵损失,对分类器的参数进行优化;以及,对分类器的学习率进行自适应调整;直到分类器满足预设的训练条件,基于分类器构建数据识别模型。
上述执行模块300,还用于将黎曼流形编码特征映射到高维特征空间中,确定高阶特征向量;根据高阶特征向量的维数计算自注意力权重矩阵;基于自注意力权重矩阵对高阶特征向量进行加权聚合,得到黎曼流形编码特征对应的自注意力向量。
进一步地,本发明实施例通过预先构建的特征提取模型对无人机动力数据进行特征提取;其中,上述数据处理模块200,还用于获取预设的训练样本集;通过训练样本集对预设的神经网络进行训练;确定神经网络的权重二阶导数,基于权重二阶导数,计算神经网络的损失函数;通过预设的调和共振算法对神经网络的网络参数进行优化,以及,根据调和共振算法对应的调和共振系数对神经网络的学习率进行自适应调整;其中,神经网络基于渐变调和激活函数对网络参数进行优化;在调和共振系数达到预设的训练阈值时,对神经网络的隐藏层数量进行调整;直到神经网络达到预设的训练条件,基于神经网络构建特征提取模型。
上述数据处理模块200,还用于在神经网络的训练过程中,将损失函数的变化视为外部驱动力,以及,将网络参数的变化视为固有频率,计算外部驱动力和固有频率对应的调和共振系数;当调和共振系数达到预设的优化阈值时,基于损失函数对调和共振系数进行更新,以使神经网络达到预设的训练条件。
上述数据处理模块200,还用于根据神经网络的神经元值定义基础调和波函数,并根据神经网络的神经元值的绝对值,定义调和振幅函数;将调和振幅函数与基础调和波函数相乘,定义渐变调和激活函数;计算渐变调和激活函数的梯度;基于渐变调和激活函数的梯度,对网络参数进行更新。
进一步地,该装置还包括构建模块600,用于获取预先采集的无人机动力样本;无人机动力样本包括对无人机动力***的多个监控点进行采集的数据;根据无人机动力样本对应的无人机动力***异常情况,对无人机动力样本进行数据标注,生成数据标签;对无人机动力样本和数据标签向量化处理,构建初始样本集;使用量子编码技术将初始样本集转化为量子形式,得到量子编码数据;通过预设的数据扩充算法对量子编码数据进行数据扩充,构建训练样本集。
上述构建模块600,还用于使用改进的自适应合成抽样算法对量子编码数据进行合成抽样,生成第一扩充样本集;应用预设的量子门操作对量子编码数据进行数据扩充,生成第二扩充样本集;将第一扩充样本集、第二扩充样本集和初始样本集进行合并,得到训练样本集。
上述构建模块600,还用于计算量子编码数据中第一类别数据对应的分类难度系数;基于分类难度系数,计算第一类别数据对应的合成数据数量;基于合成数据数量,以及第一类别数据对应的近邻样本进行数据合成,得到合成数据点;将相似度满足预设阈值的合成数据点作为第一扩充样本,以构建第一扩充样本集。
上述构建模块600,还用于应用预设的量子门操作对量子编码数据进行数据扩充,生成第二扩充样本集的步骤,包括:对量子编码数据应用Hadamard量子门操作,扩展量子编码数据的量子态,得到量子态扩展数据;通过测量操作对量子态扩展数据进行格式转换,得到经典数据;基于经典数据构建第二扩充样本集。
本发明实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述图1至图4所示的方法的步骤。本发明实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述图1至图4所示的方法的步骤。
本发明实施例还提供了一种电子设备的结构示意图,如图7所示,为该电子设备的结构示意图,其中,该电子设备包括处理器71和存储器70,该存储器70存储有能够被该处理器71执行的计算机可执行指令,该处理器71执行该计算机可执行指令以实现上述图1至图4所示的方法。
在图7示出的实施方式中,该电子设备还包括总线72和通信接口73,其中,处理器71、通信接口73和存储器70通过总线72连接。其中,存储器70可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口73(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线72可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等,还可以是AMBA(Advanced MicrocontrollerBus Architecture,片上总线的标准)总线,其中,AMBA定义了三种总线,包括APB(AdvancedPeripheral Bus)总线、AHB(Advanced High-performance Bus)总线和AXI(AdvancedeXtensible Interface)总线。总线72可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器71可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器71中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器71可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器71读取存储器中的信息,结合其硬件完成前述图1至图4任一所示的方法。
本发明实施例所提供的一种基于神经网络的无人机动力数据异常识别方法及装置的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。最后应说明的是:以上实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于神经网络的无人机动力数据异常识别方法,其特征在于,所述方法包括:
获取待识别的无人机动力数据;
对所述无人机动力数据进行特征提取,确定所述无人机动力数据中的关键特征;
通过预先构建的数据识别模型对所述关键特征进行识别,确定所述无人机动力数据对应的识别结果;其中,训练所述数据识别模型的训练样本集包括训练样本和样本标签,所述样本标签用于表征所述训练样本对应的异常情况;所述训练样本基于无人机动力***的多个监控点的数据构建,且,采用量子编码和量子门进行数据扩充;
将所述识别结果转化为置信分数;
在所述置信分数满足预设的置信阈值时,基于所述识别结果确定所述无人机动力数据对应的异常情况。
2.根据权利要求1所述的方法,其特征在于,所述数据识别模型的构建方法,包括:
获取预设的训练样本集;
将所述训练样本集表示为黎曼流形上的点,以将所述训练样本集编码为黎曼流形编码特征;
生成所述黎曼流形编码特征对应的自注意力向量;
将所述自注意力向量输入至预设的功能链接神经网络分类器中,对所述功能链接神经网络分类器进行训练;
计算所述自注意力向量的拉普拉斯矩阵,并根据所述拉普拉斯矩阵,计算所述分类器的交叉熵损失;
基于所述交叉熵损失,对所述分类器的参数进行优化;以及,对所述分类器的学习率进行自适应调整;
直到所述分类器满足预设的训练条件,基于所述分类器构建数据识别模型。
3.根据权利要求2所述的方法,其特征在于,生成所述黎曼流形编码特征对应的自注意力向量的步骤,包括:
将所述黎曼流形编码特征映射到高维特征空间中,确定高阶特征向量;
根据所述高阶特征向量的维数计算自注意力权重矩阵;
基于所述自注意力权重矩阵对所述高阶特征向量进行加权聚合,得到所述黎曼流形编码特征对应的自注意力向量。
4.根据权利要求1所述的方法,其特征在于,通过预先构建的特征提取模型对所述无人机动力数据进行特征提取;其中,所述特征提取模型的构建方法,包括:
获取预设的训练样本集;
通过所述训练样本集对预设的神经网络进行训练;
确定所述神经网络的权重二阶导数,基于所述权重二阶导数,计算所述神经网络的损失函数;
通过预设的调和共振算法对所述神经网络的网络参数进行优化,以及,根据所述调和共振算法对应的调和共振系数对所述神经网络的学习率进行自适应调整;其中,所述神经网络基于渐变调和激活函数对所述网络参数进行优化;
在所述调和共振系数达到预设的训练阈值时,对所述神经网络的隐藏层数量进行调整;
直到所述神经网络达到预设的训练条件,基于所述神经网络构建特征提取模型。
5.根据权利要求4所述的方法,其特征在于,通过预设的调和共振算法对所述神经网络的网络参数进行优化的步骤,包括:
在所述神经网络的训练过程中,将所述损失函数的变化视为外部驱动力,以及,将所述网络参数的变化视为固有频率,计算所述外部驱动力和所述固有频率对应的调和共振系数;
当所述调和共振系数达到预设的优化阈值时,基于损失函数对所述调和共振系数进行更新,以使所述神经网络达到预设的训练条件。
6.根据权利要求4所述的方法,其特征在于,所述神经网络基于渐变调和激活函数对所述网络参数进行优化的步骤,包括:
根据所述神经网络的神经元值定义基础调和波函数,并根据所述神经网络的神经元值的绝对值,定义调和振幅函数;
将所述调和振幅函数与所述基础调和波函数相乘,定义渐变调和激活函数;
计算所述渐变调和激活函数的梯度;
基于所述渐变调和激活函数的梯度,对所述网络参数进行更新。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取预先采集的无人机动力样本;所述无人机动力样本包括对无人机动力***的多个监控点进行采集的数据;
根据所述无人机动力样本对应的无人机动力***异常情况,对所述无人机动力样本进行数据标注,生成数据标签;
对所述无人机动力样本和所述数据标签向量化处理,构建初始样本集;
使用量子编码技术将所述初始样本集转化为量子形式,得到量子编码数据;
通过预设的数据扩充算法对所述量子编码数据进行数据扩充,构建训练样本集。
8.根据权利要求7所述的方法,其特征在于,通过预设的数据扩充算法对所述量子编码数据进行数据扩充,构建训练样本集的步骤,包括:
使用改进的自适应合成抽样算法对所述量子编码数据进行合成抽样,生成第一扩充样本集;
应用预设的量子门操作对所述量子编码数据进行数据扩充,生成第二扩充样本集;
将所述第一扩充样本集、第二扩充样本集和所述初始样本集进行合并,得到训练样本集。
9.根据权利要求8所述的方法,其特征在于,使用改进的自适应合成抽样算法对所述量子编码数据进行合成抽样,生成第一扩充样本集的步骤,包括:
计算所述量子编码数据中第一类别数据对应的分类难度系数;
基于所述分类难度系数,计算所述第一类别数据对应的合成数据数量;
基于所述合成数据数量,以及所述第一类别数据对应的近邻样本进行数据合成,得到合成数据点;
将相似度满足预设阈值的合成数据点作为第一扩充样本,以构建第一扩充样本集;
应用预设的量子门操作对所述量子编码数据进行数据扩充,生成第二扩充样本集的步骤,包括:
对所述量子编码数据应用Hadamard量子门操作,扩展所述量子编码数据的量子态,得到量子态扩展数据;
通过测量操作对所述量子态扩展数据进行格式转换,得到经典数据;
基于所述经典数据构建第二扩充样本集。
10.一种基于神经网络的无人机动力数据异常识别装置,其特征在于,所述装置包括:
数据获取模块,用于获取待识别的无人机动力数据;
数据处理模块,用于对所述无人机动力数据进行特征提取,确定所述无人机动力数据中的关键特征;
执行模块,用于通过预先构建的数据识别模型对所述关键特征进行识别,确定所述无人机动力数据对应的识别结果;其中,训练所述数据识别模型的训练样本集包括训练样本和样本标签,所述样本标签用于表征所述训练样本对应的异常情况;所述训练样本基于无人机动力***的多个监控点的数据构建,且,采用量子编码和量子门进行数据扩充;
数据转换模块,用于将所述识别结果转化为置信分数;
输出模块,用于在所述置信分数满足预设的置信阈值时,基于所述识别结果确定所述无人机动力数据对应的异常情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410487195.0A CN118070204A (zh) | 2024-04-23 | 2024-04-23 | 基于神经网络的无人机动力数据异常识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410487195.0A CN118070204A (zh) | 2024-04-23 | 2024-04-23 | 基于神经网络的无人机动力数据异常识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118070204A true CN118070204A (zh) | 2024-05-24 |
Family
ID=91102423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410487195.0A Pending CN118070204A (zh) | 2024-04-23 | 2024-04-23 | 基于神经网络的无人机动力数据异常识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118070204A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020143321A1 (zh) * | 2019-01-09 | 2020-07-16 | 平安科技(深圳)有限公司 | 一种基于变分自编码器的训练样本数据扩充方法、存储介质及计算机设备 |
WO2021205066A1 (en) * | 2020-04-09 | 2021-10-14 | Nokia Technologies Oy | Training a data coding system for use with machines |
WO2022036801A1 (zh) * | 2020-08-18 | 2022-02-24 | 深圳大学 | 一种实现异构网络共存的方法和*** |
CN115130536A (zh) * | 2022-04-08 | 2022-09-30 | 腾讯科技(深圳)有限公司 | 特征提取模型的训练方法、数据处理方法、装置及设备 |
CN115457414A (zh) * | 2022-09-15 | 2022-12-09 | 西华大学 | 一种基于改进残差网络的无人机异常行为识别方法 |
CN115909095A (zh) * | 2022-10-31 | 2023-04-04 | 广东电网有限责任公司广州供电局 | 基于颜色的输电线路关键线夹缺陷识别方法、***及介质 |
CN116977834A (zh) * | 2023-08-25 | 2023-10-31 | 杭州智元研究院有限公司 | 一种开放条件下分布内外图像识别方法 |
CN117216644A (zh) * | 2023-11-09 | 2023-12-12 | 北京世纪慈海科技有限公司 | 基于电数字数据处理的人体姿态识别方法及装置 |
-
2024
- 2024-04-23 CN CN202410487195.0A patent/CN118070204A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020143321A1 (zh) * | 2019-01-09 | 2020-07-16 | 平安科技(深圳)有限公司 | 一种基于变分自编码器的训练样本数据扩充方法、存储介质及计算机设备 |
WO2021205066A1 (en) * | 2020-04-09 | 2021-10-14 | Nokia Technologies Oy | Training a data coding system for use with machines |
WO2022036801A1 (zh) * | 2020-08-18 | 2022-02-24 | 深圳大学 | 一种实现异构网络共存的方法和*** |
CN115130536A (zh) * | 2022-04-08 | 2022-09-30 | 腾讯科技(深圳)有限公司 | 特征提取模型的训练方法、数据处理方法、装置及设备 |
CN115457414A (zh) * | 2022-09-15 | 2022-12-09 | 西华大学 | 一种基于改进残差网络的无人机异常行为识别方法 |
CN115909095A (zh) * | 2022-10-31 | 2023-04-04 | 广东电网有限责任公司广州供电局 | 基于颜色的输电线路关键线夹缺陷识别方法、***及介质 |
CN116977834A (zh) * | 2023-08-25 | 2023-10-31 | 杭州智元研究院有限公司 | 一种开放条件下分布内外图像识别方法 |
CN117216644A (zh) * | 2023-11-09 | 2023-12-12 | 北京世纪慈海科技有限公司 | 基于电数字数据处理的人体姿态识别方法及装置 |
Non-Patent Citations (3)
Title |
---|
孙世宇;李喆;李建增;胡永江;: "基于卷积神经网络的无人机图像模糊类型识别", 火力与指挥控制, no. 02, 15 February 2020 (2020-02-15) * |
张鹏;: "基于运动解耦的无人机驱动故障自动检测***", 自动化与仪器仪表, no. 02, 25 February 2020 (2020-02-25) * |
贺思捷;刘大同;彭宇;: "遥测数据驱动的无人机飞行状态识别方法", 仪器仪表学报, no. 09, 15 September 2016 (2016-09-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A graph-cnn for 3d point cloud classification | |
CN110263227B (zh) | 基于图神经网络的团伙发现方法和*** | |
CN113159239B (zh) | 一种量子图卷积神经网络处理图数据的方法 | |
CN107578061A (zh) | 基于最小化损失学***衡样本分类方法 | |
Kong et al. | Hyperspectral image clustering based on unsupervised broad learning | |
CN112396160A (zh) | 基于图神经网络的交易欺诈检测方法及*** | |
CN110288088A (zh) | 基于流形正则化和宽度网络的半监督宽度学习分类方法 | |
Feng et al. | Dual-graph convolutional network based on band attention and sparse constraint for hyperspectral band selection | |
CN117851921B (zh) | 基于迁移学习的设备寿命预测方法及装置 | |
EP1353295B1 (en) | Non-linear data mapping and dimensionality reduction system | |
CN117251754A (zh) | 一种计及动态时间包装的cnn-gru能耗预测方法 | |
CN113541834A (zh) | 一种异常信号半监督分类方法、***、数据处理终端 | |
CN112199884A (zh) | 物品分子生成方法、装置、设备及存储介质 | |
CN117290732A (zh) | 故障分类模型的构建方法、风电设备故障分类方法及装置 | |
An | Image classification algorithm based on stacked sparse coding deep learning model-optimized kernel function nonnegative sparse representation | |
CN117407781A (zh) | 基于联邦学习的设备故障诊断方法及装置 | |
Li et al. | Research on trend prediction of component stock in fuzzy time series based on deep forest | |
CN117312865A (zh) | 基于非线性动态优化的数据分类模型的构建方法及装置 | |
Utku et al. | An efficient hybrid weather prediction model based on deep learning | |
CN118070204A (zh) | 基于神经网络的无人机动力数据异常识别方法及装置 | |
CN116306951A (zh) | 一种量子计算方法和装置、电子设备和存储介质 | |
Moreira et al. | Data classification combining self-organizing maps and informative nearest neighbor | |
Petrovic et al. | Firefly-xgboost approach for pedestrian detection | |
CN114595641A (zh) | 组合优化问题的求解方法和*** | |
CN114168822A (zh) | 一种时间序列数据聚类模型建立及时间序列数据聚类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |