CN118094447B - 一种基于编码-解码的无人机飞行数据自适应异常检测方法 - Google Patents

Abstract

本发明涉及无人机异常检测技术领域，公开了一种基于编码‑解码的无人机飞行数据自适应异常检测方法，包括数据重建和自适应异常检测；数据重建包括模型架构建立和模型训练；模型架构建立采用一维CNN‑BiLSTM作为特征提取器，捕捉时间特征和局部特征的基本特征数据，并引入注意力机制选择和加权基本特征数据；模型架构建立包括编码和解码；自适应异常检测包括对残差序列进行建模，并以此匹配SVR模型输入，对SVR模型进行评估测试。本发明通过一维CNN和BiLSTM，并结合注意力机制，使模型能够更好地理解数据的特征，实现更精确的数据表示，以此建立精准的数据重构模型。同时，采用自适应阈值，更好满足数据动态变化条件下的自适应异常检测。

Description

一种基于编码-解码的无人机飞行数据自适应异常检测方法

技术领域

本发明涉及无人机异常检测技术领域，具体涉及一种基于编码-解码的无人机飞行数据自适应异常检测方法。

背景技术

在无人机（UAV）健康管理中，异常检测对于确保无人飞行器的飞行安全至关重要。尽管目前针对无人机飞行数据的数据驱动型异常检测方法取得了长足进步，但异常检测还是会存在较大偏差，导致异常检测结果不够精准，影响无人机的飞行安全。其关键在于对模型的特征提取能力不足和动态条件下异常检测适应性较差，导致模型误检率高。

现有技术中常需要对数据进行标注，但由于无人机传感器数据中异常事件发生的概率较低，异常数据数量较少，使得对异常数据进行标注十分困难。同时，即使获取了异常数据，异常样本在整个数据集中所占的比例也很低，导致标签数据的可用性极低。

其次，由于无人机运行环境的复杂性，飞行数据包含有随机噪声，导致数据中出现大量峰值，影响数据模型的精准性。现有技术中，主要采用统计方法来计算阈值，基于统计阈值的方法假定数据服从正态分布，但当分布偏离正态时，其适用性就会受到限制。导致异常检测模型精准度降低，影响异常检测的准确性和有效性。

发明内容

本发明意在提供一种基于编码-解码的无人机飞行数据自适应异常检测方法，以解决现有技术中对无人机异常检测模型构建不精准以及动态环境下适应性能力不足，影响异常检测结果的准确性。

为达到上述目的，本发明采用如下技术方案，一种基于编码-解码的无人机飞行数据自适应异常检测方法，包括数据重建和自适应异常检测；

其中数据重建包括模型架构建立和模型训练；所述模型架构建立采用一维CNN-BiLSTM作为特征提取器，捕捉包括时间特征和局部特征的基本特征数据，并引入注意力机制选择和加权基本特征数据，加强对关键特征的学习；所述模型架构建立包括编码阶段和解码阶段；所述模型训练包括计算网络权重梯度和使用反向传播算法更新权重，并持续至达到最大迭代次数；

所述自适应异常检测包括对残差序列进行建模，并以此匹配SVR模型输入，对SVR模型进行评估测试；根据获得的训练残差和测试残差，定义预测值，并作为初始检测阈值；其中，预测值可定义为；式中，是的预测值，SVR(·)表示映射操作。

本方案的原理及优点是：

对于异常检测模型存在偏差，导致异常检测结果不够精准，影响无人机的飞行安全。本方案发现其在于对异常数据的采集能力不足，导致模型构建出现较大误差。而由于异常数据本身较少，对其进行标注费时费力，且其样本量少，极大降低其可用性。同时由于无人机运行环境的复杂性，飞行数据包含随机噪声，虽然主要采用统计方法来计算阈值，基于统计阈值的方法假定数据服从正态分布，但当分布偏离正态时，其适用性就会受到限制。此外，这些阈值通常是固定的，无法适应无人机飞行状态或***条件的变化，难以保证检测灵敏度和误报率之间的平衡。并且，目前采用的方法主要是利用卷积神经网络（CNN）或长短期记忆网络（LSTM）对无人机飞行数据进行建模。然而，CNN侧重于学习局部信息，而LSTM则存在长期依赖性问题。因此，这两种结构在学习和提取无人机飞行数据中的信息和特征时，都存在不够全面或时间周期长等问题，从而导致异常检测性能下降。

本方案采用无监督异常方法充分利用无标记数据，以此解决复杂且昂贵的数据标记问题。同时通过编码器-解码器模型的设计和扩展，结合一维卷积神经网络（CNN）和双向长短期记忆网络（BiLSTM），实现能够在不同层次上进行多层次特征提取，更全面地理解无人机飞行数据。

本方案引入注意力机制，使模型可以智能地选择和加权基本特征，使得模型能够更加专注于学习数据中的关键信息，提高模型的学习效率，且增强模型对关键信息的敏感度，以此提升异常检测的准确性和精度。同时，引入注意力机制还可对噪声进行过滤，随机噪声可能由风速突变、传感器误差或通信干扰等因素引起，注意力机制通过智能地选择和加权基本特征，可以有针对性地忽略或减弱噪声所带来的影响，从而提高模型对于真实信号的敏感度，减少随机噪声对异常检测结果的干扰。

本方案通过充分利用一维CNN和BiLSTM的优势，并结合注意力机制，使模型能够更好地理解数据的特征，实现更精确的数据重构，以此建立精准的数据模型。

同时，本方案结合使用自适应阈值，可以根据无人机动态环境自适应的调整异常检测阈值，从而降低误报率，以克服现有技术中阈值为固定值，难以适应环境实时变化带来的数据不精准问题，确保异常检测性能的准确性和及时性。

附图说明

图1为本发明实施例的模型架构流程示意图。

图2为本发明实施例中无人机仿真三维飞行轨迹示意图。

图3为本发明实施例中注入偏差异常数据后模拟和真实飞行数据结果示意图。

图4为本发明实施例中注入漂移异常数据后模拟和真实飞行数据结果示意图。

图5为本发明实施例中模拟无人机飞行数据偏差异常检测结果示意图。

图6为本发明实施例中模拟无人机飞行数据漂移异常检测结果示意图。

图7为本发明实施例中带有偏差异常的模拟无人机飞行数据的ROC曲线和AUC曲线图。

图8为本发明实施例中带有漂移异常的模拟无人机飞行数据的ROC曲线和AUC曲线图。

图9为本发明实施例中模拟无人机飞行数据的性能指标差异对比示意图。

具体实施方式

下面通过具体实施方式进一步详细说明：

实施例一

本实施例中的一种基于编码-解码的无人机飞行数据自适应异常检测方法，采用无监督异常方法可充分利用无标记数据，解决复杂且昂贵的数据标记难题。通过编码器-解码器模型的设计和扩展，实现多层次特征提取，并在模拟的无人机飞行数据上展示了出色的重构性能。同时，使用自适应阈值可确保该方法保持出色的异常检测性能。

如附图1所示，本实施例中方法框架采用无人机飞行数据异常检测框架AEDHN-AT，该框架主要包括两部分：数据重建和自适应异常检测。

在数据重建部分，包括以下两步骤：

S1，模型架构建立；

S2，模型训练。

其中，模型架构采用一维CNN-BiLSTM作为特征提取器，捕捉复杂的长期依赖关系和局部模式，一维CNN通过滑动窗口在输入序列上进行卷积操作，从而捕获不同时间步上的局部模式，有利于模型学习数据中的空间特征，即在每个时间步上的局部模式。BiLSTM结合前向和后向两个方向的信息流，从而能够更好的捕捉序列数据中的长期依赖关系。由于在时间特征提取中，传统LSTM模型无法有效捕捉长序列的依赖关系，而BiLSTM在处理长时间序列方面更具有优势。同时，除了时间序列特征外，无人机飞行数据的局部特征也不能忽视，因为它们可以提供有关飞行状态和环境的详细信息，而一维CNN能够满足从时间序列数据中提取局部特征的需求。因此采用一维CNN捕捉无人机时间序列的局部特征和模式，结合BiLSTM考虑历史和未来信息，可使模型全面理解时间数据中的上下文信息和依赖关系。

同时，在此基础上，引入注意力机制，智能地选择和加权基本特征，使模型能够根据需要自适应地调整对数据不同部分的注意力，从而实现更灵活的学习和数据重建。综合多种深度学习的优势，使其能够更好地适应无人机飞行数据中的随机噪声和不同异常模式，而无需复杂的特征工程。在自适应异常检测部分，通过采用自适应阈值策略实现异常检测阈值的动态调整。

具体的，对于S1，模型架构建立，主要包括以下子步骤：

S1.1，编码。

在训练模型之前，需要将输入基本特征数据转换成与模型输入相匹配的形状。因此假设输入是多维无人机飞行数据，表示为：

（1），式中，l是每个飞行参数的长度，m是飞行参数特征的数量，表示参数序号，R表示参数集。用长度为L和步长为1的滑动窗口对飞行数据X进行分割，其中，L是滑动窗口长度，以创建多个时间窗口。因此，t时刻的模型输入可以表示为（2），其经过卷积层操作后可以表示为式（3）：

（3）；

其中，和分别为卷积层的权重和偏置，为激活函数，表示卷积层在编码阶段的卷积运算，表示卷积层的输出表示，后续用作注意力层的输入。本实施例中，还需要在注意力层为计算注意力分数并加权，分别通过如下式（4）和式（5）所示进行计算得到。

（4）；

（5）；

其中，表示全连接层操作，和分别是编码阶段全连接层的权重和偏置，Sigmoid是激活函数，表示编码阶段的注意力分数，☉表示哈达积。表示在编码阶段对注意力权重加权后的输出结果，后续用作BiLSTM层的输入，得到BiLSTM层在编码阶段的输出向量，如公式（6）所示，

（6）；

式中，表示对的双向特征提取操作，它能使模型更好地捕捉输入序列中的上下文信息，使模型能够在不同层次上提取特征，更全面地理解无人机飞行数据。和分别是BiLSTM层在编码阶段的权重和偏置。

为了防止模型过拟合，本实施例中，在编码阶段还增加了一个随机丢弃层。它通过随机丢弃上一层的神经元来引入随机性，减少神经元的复杂协作，促进学习更丰富的特征，提高模型的泛化能力。该过程定义如下：

（7）；

其中，表示丢弃操作，是编码阶段随机丢弃层的输出，为BiLSTM层在编码阶段的输出向量。由于是一个三维向量，因此在后续的解码阶段会添加一个展平层将其转换为二维向量，以匹配输入的形状，其定义如下：

（8）；

其中，是展平操作，表示对进行展平后的输出向量。

S1.2，解码。

在解码阶段，首先通过重复向量层对输出向量进行复制操作，作为解码器的输入，其定义为：

（9）；

式中，表示复制操作，表示经过复制后的输出向量，得到的输出向量大小和形状与的二维向量相同，并用作解码阶段BiLSTM层的输入。其定义为：

（10）；

其中，为激活函数，表示对的双向特征提取操作，和是BiLSTM层在解码阶段的权重和偏置，表示解码阶段BiLSTM层的输出向量，类似的，还添加了随机丢弃层，其定义如下：

（11）；

其中，表示丢弃操作，是解码阶段随机丢弃层的输出向量，后续用作解码阶段卷积层的输入，如以下表达式：

（12）；

其中，是解码阶段的卷积层的输出表示，和分别是在解码阶段卷积层的权重和偏置，然后被作为注意力层的输入。本实施例中，注意力层主要执行注意力得分计算和加权操作，因此，该层对进行操作，分别如以下表达式（13）和（14）所示。

（13）；

（14）；

其中，和分别表示在解码阶段注意力层的权重和偏置，和分别表示解码阶段的注意力得分和注意力权重的输出结果。最后，利用时间分布层来处理，以获得原始数据X(t)在时间t的重建数据，表示为，其中，L为滑动窗口长度，如下式（15）所示：

（15）；

其中，和表示时间分布层的权重和偏置，表示将在时间t的权卷积层的输出应用于全连接层的操作。

本实施例中，引入注意力机制，可使模型智能地选择和加权基本特征，使模型能够更加专注于学习数据中的关键信息，不仅提高了模型的学习效率，同时也增强了模型对关键信息的敏感度，从而提升了异常检测的准确性和精度。同时引入注意力机制还可以对噪声进行过滤，随机噪声可能由风速突变、传感器误差或通信干扰等因素引起，如无人机在飞行中受到突发风速变化影响，导致飞行轨迹波动，或传感器误差导致飞行数据出现短暂的剧烈波动等，注意力机制通过智能地选择和加权基本特征，可以有针对性地忽略或减弱噪声带来的影响，从而提高模型对于真实信号的敏感度，减少随机噪声对异常检测结果的干扰，保证异常检测的精准度。

模型架构建立后，进入S2，对模型进行训练，训练过程包括计算网络权重梯度和使用反向传播算法更新权重，训练一直持续到达到最大迭代次数。本实施例中，使用均方误差（MSE）作为模型训练的损失函数，如下式（16）所示，以最小化损失函数，

（16）；其中，表示损失函数，和分别是训练集在时间t的实际值和重构值，是训练集的参数长度。本实施例中，使用的优化器为Adam，用于调整学习率α和历元。整个训练过程的首要目标是以最小的损失有效地学习输入数据的表示，确保模型在最小化损失函数的同时实现最佳性能。

通过充分利用一维CNN和BiLSTM的优势，并结合注意力机制，模型能够更好地理解数据的特征，并实现更精确的数据重构，只有在准确理解数据并能够准确地重构时，模型才能够有效地检测到异常情况，提高检测精准度。

自适应异常检测部分。

在数据重建后，对模型进行自适应异常检测，进行模型测试，以提高模型检测精准度。本实施例中，通过计算不同时间点的残差来实时了解无人机的当前运行状态，通过研究发现，当飞行参数异常时，异常区域中的残差变化会较明显，而正常区域中的残差变化趋向于相对稳定，因此，通过残差可更直观的反映出无人机的飞行状态。本实施例中，在模型测试阶段，对于模型输入和重构输出之间的残差定义如下式（17）所示：

（17）；其中r是维度为的残差序列，是测试集中每个飞行参数的长度，m是飞行参数特征的数量。

由于受环境条件、飞行任务和设备健康等因素的综合影响，现有的统计阈值难以适应无人机在复杂条件下的动态变化。例如，在高海拔地区，气流可能会不断变化，导致无人机飞行高度波动较大。如果使用固定阈值来检测飞行高度异常，无人机可能会频繁地触发误报，因为飞行高度的变化超出了预设的固定范围。这种情况下固定阈值就无法准确判断何时真正出现了异常情况。或在极端天气条件下，例如强风或暴雨，传统的固定阈值可能设定了一个固定的最大飞行速度阈值，超过这个阈值就会触发警报，然而，在极端天气条件下，无人机可能需要调整飞行速度来应对突发情况，如避开强风区域或应对降雨影响。这种情况下，固定的阈值可能会错误地将正常的飞行调整识别为异常，导致误报，影响检测精准度。

由此本实施例中，通过考虑多个参数的重建残差序列之间的潜在相关性，如，当使用模型对残差进行建模时，正常参数的重建残差可以约束和影响异常参数的重建残余的行为，从而使整个***呈现出相对稳定的模式。因此，本实施例中，通过采用径向基函数的支持向量回归（SVR）模型实现自适应阈值的动态调整，构建出自适应阈值选择策略，结合实际环境变化状态以此得出最终阈值，确保模型在实际应用中能够适应环境变化，降低误报率，运行更加稳健可靠。

具体的，自适应异常检测包括以下步骤：

1）对残差序列进行建模。

根据等式（17）推导训练重建残差和测试重建残差，其中。

2）根据以下公式（18）重建和，以匹配SVR模型输入。本实施例中，假设第m个参数为异常参数，则式（18）可表示为：

（18）；

式中，和是重建后的残差，且，trainX表示重构模型训练样本，testX表示重构模型测试样本，以及，trainY表示重构模型的目标变量的训练样本，testY表示重构模型的目标变量的测试样本，η是样本长度且。是第μ个参数在第η个时间点的残差值且，m是飞行参数特征的数量。基于等式（18），可以获得重建后的残差，，和。其中，重建后的残差和用于训练和调整支持向量机回归SVR模型，重建后的残差和用于评估SVR模型。

3）对SVR模型进行评估测试。根据获得的和，定义预测值，并作为初始检测阈值。其中预测值可定义为（19）；式中是的预测值，SVR(·)表示映射操作。

同时，本实施例中，考虑到即使在正常飞行条件下，残差也可能表现出不稳定条件，导致出现峰值，因此，在测试过程中采用指数加权移动平均（EWMA）方法来抑制这些峰值，具体可通过以下公式（20）获得：

（20）；

式中，θ是可调整的权重参数，表示第k-1个平滑预测值。表示第k个真实残差值。同时，为保证数据精准度和稳定性，对初始检测阈值同样执行等式（20）的平滑运算，以抑制异常峰值，获得，作为的阈值。

同时，本实施例中，还包括步骤4），在异常检测过程中，引入灵敏度系数，以提高异常检测的灵敏度，确保检测精准度。具体的，通过引入灵敏度系数β与相加作为最终异常检测阈值，其定义如下式（21）：

（21）；

式中，是的最终阈值，若，则异常，反之亦然。

本实施例中，将通过以上模型重构和自适应异常检测后获得的模型进行仿真测试。

首先通过通用的无人机仿真平台XTDrone来获取固定翼无人机的飞行数据，其飞行轨迹如附图2所示。并采集无人机陀螺仪、加速度计和磁力计的传感器数据并以Rosberg文件格式记录和保存，具体包含九个参数，如下表1所示，这些参数在无人机姿态控制中至关重要，每个参数有22340个数据采样点，采样频率为10Hz。

表1

由于Y轴角速度（俯仰角）在飞行控制***中起着至关重要的作用，其影响着无人机飞行姿态、飞行稳定性和实现导航目标的精准度，由此本实施例中，针对Y轴角速度（俯仰角）进行异常数据检测，以达到检测全面性。由于难以获得异常数据，因此本实施例采用了异常注入法获取异常数据。具体而言，将无人机飞行数据中常见的两种异常类型，即偏差和漂移异常注入到参数#8中，其定义如下：

（22）；

（23）；

式中，为无人机飞行原始数据，ϖ为常数，ϑ(t)为常数或关于t的函数。

偏差异常是指由于传感器误差、环境干扰或动力***问题等内在因素，无人机无法保持预期的飞行轨迹、位置或姿态。在这种情况下，无人机的飞行数据将持续偏离预期值，偏差固定不变。相比之下，漂移异常是指无人机飞行数据逐渐偏离预期轨迹或位置。这种现象通常是由控制***不稳定、姿态不准确或风速变化等动态因素造成的。

当注入偏差和漂移两种异常数据类型后，分别获取模拟和真实的无人机飞行数据，异常点从10800采样点开始，一直持续到飞行数据结束，共计1200个异常点，获得数据如附图3和附图4所示。

将采集的数据进行预处理，本实施例中，对于长度为l的m个飞行参数X，使用最大最小归一化方法对其进行预处理，处理方式如下所示：

（24）；

式中，和分别为第λ个参数在第γ个采样点的原始值和归一化值；和分别为第λ个参数的原始最大值和最小值。通过将不同无人机飞行参数映射到0至1的范围内，有助于统一不同无人机飞行参数的尺度，避免过大或过小的特征值对分析的影响。

同时，本实施例中，采用真阳性率（TPR）、假阳性率（FPR）和准确率（ACC）作为异常检测性能评估指标，其表达式如下所示：

（25）；

（26）；

（27）；

其中，TP表示真阳性，FN表示假阴性，FP表示假阳性，TN表示真阴性。

同时，本实施例中，考虑到仅异常检测可能无法满足实际需求，为防止异常情况导致无人机***出现潜在或崩溃或故障等问题，同步采取纠正措施以提高评价精准度和有效性。本实施例中，选择平均绝对误差（MAE）和MSE作为评价指标，分别如下式所示：

（28）；

（29）；

其中，和分别为第i个采样点的重建数据和原始数据。MAE和MSE值越小，模型的修正性能越好。

通过以上评估检测，获得对模拟无人机飞行数据的偏差和漂移异常检测结果，如附图5和附图6所示。在正常区域，阈值的变化趋势与残差相似。在异常区域，阈值仍与正常区域的阈值保持变化趋势，这反映出AEDHN-AT对异常模式具有高度灵敏的鲁棒性。同时，如附图5和附图6所示，经过平滑处理后的残差和阈值在某些急剧变化的点上呈现出更平滑的趋势。这表明平滑过程有助于抑制异常噪声和瞬时波动，从而增强阈值调整的鲁棒性。这在实际应用中至关重要，尤其是在处理噪声数据时。

同时，为验证AEDHN-AT的有效性，选择了基于预测和重建的最先进模型，包括LSTM-RF、ConvLSTM（Alos&Dahrouj，2022）和LSTM-AE，作为比较的基准方法。这样选择的目的是全面评估所提出方法的性能，帮助确立AEDHN-AT在实际应用中的优越性，并为今后的研究奠定坚实的基础。

下表2列出了AEDHN-AT、LSTM-AE、LSTM-RF和ConvLSTM在模拟无人机飞行数据上的异常检测结果。

表2

从表2中，可看出AEDHN-AT的异常检测性能优于其他几项检测方式，其偏差异常检测的ACC值、TPR值和FPR值分别达到99.12%、98.51%和0.25%，漂移异常检测的CC值、TPR值和FPR值分别达到99.83%、100.00%和0.34%。相比之下，基线方法的性能存在一些差异。LSTM-AE在偏差异常检测中表现较好，但FPR值较高，为10.55%；漂移异常检测的ACC值和TPR值分别为90.16%和98.09%，但FPR值较高，为17.84%。LSTM-RF在偏差异常检测方面表现一般，但FPR值高达12.92%。相比之下，LSTM-RF在漂移异常检测方面表现更好，ACC、TPR和FPR值分别为93.83%、90.83%和3.17%。ConvLSTM在偏差和漂移异常检测中的TPR值较低，分别为6.50%和2.17%。不过，噪声可能影响了其性能，导致许多误报，即ACC值和TPR值较低。

同时，附图7和附图8分别展示了带有偏差和漂移异常的模拟无人机飞行数据的ROC曲线和AUC值。在两种异常情况下，AEDHN-AT的AUC值最高，均超过0.990。可以看出，本实施例在漂移异常情况下的AUC值普遍高于偏差异常情况下的AUC值。这一结果可能表明，漂移异常在数据分布或特征方面表现出与正常情况更显著的差异，使模型更容易识别。以上结果显示了AEDHN-AT在异常检测精度方面的独特优势。同时，为了展示不同异常类型对上述方法的影响，附图9显示了这些方法在偏差异常和漂移异常指标差异方面的绝对值。AEDHN-AT的∆TPR和∆FPR值表现最为稳定，分别仅为1.49%和0.09%。虽然AEDHN-AT的∆ACC值为0.71%，略高于ConvLSTM，但仍优于LSTM-AE和LSTM-RF。相比之下，基线方法的∆TPR和∆FPR值波动更大。例如，LSTM-AE的∆TPR 和∆FPR值分别为5.48%和7.29%。与此同时，LSTM-RF和ConvLSTM的∆TPR和∆FPR值变化更为显著，分别为2.33%和9.75%，以及3.50%和4.33%。这些结果表明，AEDHN-AT在处理模拟无人机飞行数据的不同异常模式切换时表现出很强的鲁棒性，同时保持了出色的异常检测性能。

本实施例中，通过采用无监督异常方法充分利用无标记数据，解决复杂且昂贵的数据标记难题。通过编码器-解码器模型的设计和扩展，本方案实现了多层次特征提取，并在模拟的无人机飞行数据上展示了出色的重构性能，确保数据识别的精准性和稳定性。同时，使用自适应阈值可确保该方法保持出色的异常检测性能，保证异常检测的准确性和及时性，能够更加适应各种突发环境，保证异常检测的有效性。

以上所述的仅是本发明的实施例，方案中公知的具体技术方案和/或特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明技术方案的前提下，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。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (9)

1.一种基于编码-解码的无人机飞行数据自适应异常检测方法，其特征在于，所述检测方法框架采用无人机飞行数据异常检测框架AEDHN-AT，所述框架包括两部分：数据重建和自适应异常检测；

其中数据重建包括模型架构建立和模型训练；所述模型架构建立采用一维CNN-BiLSTM作为特征提取器，捕捉包括时间特征和局部特征的基本特征数据，并引入注意力机制选择和加权基本特征数据；所述模型架构建立包括编码阶段和解码阶段；

所述编码阶段为输入多维无人机飞行数据，对飞行数据进行分割，以创建时间窗口，获得t时刻的模型输入量；将模型输入量经卷积层运算后输入至注意力层，得到注意力层输出结果；将注意力层输出结果输入BiLSTM层进行双向特征提取，得到BiLSTM层输出向量，将BiLSTM层输出向量分别经随机丢弃层和展平层操作后，得到编码阶段的输出向量；

所述解码阶段为复制编码阶段的输出向量作为解码阶段BiLSTM层的输入，并进行双向特征提取操作，再经随机丢弃层丢弃操作后输入卷积层，得到解码阶段的卷积层输出量；将卷积层输出量输入注意力层，执行注意力得分计算和加权操作，获得注意力层输出结果，将注意力层输出结果经过时间分布层处理后，获得原始数据在时间t的重建数据；

所述模型训练包括计算网络权重梯度和使用反向传播算法更新权重，并持续至达到最大迭代次数；

所述自适应异常检测包括对残差序列进行建模，所述残差序列为无人机不同时间点下运行状态的残差，即重建残差，并以此匹配SVR模型输入，通过重建残差对SVR模型进行评估测试，得到重建残差的预测值；根据获得的重建训练残差和重建测试残差，定义预测值，并作为初始检测阈值；其中，预测值可定义为；式中，是的预测值，SVR(·)表示映射操作。

2.根据权利要求1所述的一种基于编码-解码的无人机飞行数据自适应异常检测方法，其特征在于：所述编码阶段包括用设定的滑动窗口对基本特征数据进行分割，创建多个时间窗口；将t时间窗口内的数据经过卷积层操作后，输入注意力层中，表示为：

；

式中，为卷积层的输出，和分别为卷积层的权重和偏置，为t时刻的基本特征数据。

3.根据权利要求2所述的一种基于编码-解码的无人机飞行数据自适应异常检测方法，其特征在于：所述编码阶段还包括在注意力层为计算注意力分数并加权，用作BiLSTM层的输入，得到输出向量。

4.根据权利要求2所述的一种基于编码-解码的无人机飞行数据自适应异常检测方法，其特征在于：所述编码阶段还包括在编码阶段增加随机丢弃层，通过随机丢弃上一层的神经元引入随机性，其表达式为：

；式中，表示丢弃操作，为编码阶段随机丢弃层的输出，为BiLSTM层在编码阶段的输出向量。

5.根据权利要求4所述的一种基于编码-解码的无人机飞行数据自适应异常检测方法，其特征在于：还包括对添加展平层将其转换为二维向量，其定义为：

；式中，是展平操作，表示对进行展平后的输出向量。

6.根据权利要求5所述的一种基于编码-解码的无人机飞行数据自适应异常检测方法，其特征在于：所述解码阶段包括通过重复向量层对输出向量进行复制操作，作为BiLSTM层的输入，并在BiLSTM层添加权重和偏差，其定义如下：

；式中，表示解码阶段BiLSTM层的输出向量，表示重复向量层的输出，为激活函数，表示对的双向特征提取操作，和是BiLSTM层在解码阶段的权重和偏置。

7.根据权利要求6所述的一种基于编码-解码的无人机飞行数据自适应异常检测方法，其特征在于：还包括在解码阶段添加随机丢弃层，并作为解码阶段卷积层的输入，其定义如下：

；式中，是解码阶段随机丢弃层的输出向量。

8.根据权利要求1所述的一种基于编码-解码的无人机飞行数据自适应异常检测方法，其特征在于：对残差序列进行建模，根据以下公式获得：

；式中，为原始输入，为重构输出，r是维度为的残差序列，是测试集中每个飞行参数的长度，m是飞行参数特征的数量。

9.根据权利要求1所述的一种基于编码-解码的无人机飞行数据自适应异常检测方法，其特征在于：所述SVR模型输入通过以下公式获得：

；

式中，和分别为映射模型的训练残差和测试残差，且，trainX表示重构模型训练样本，testX表示重构模型测试样本，以及，trainY表示重构模型的目标变量的训练样本，testY表示重构模型的目标变量的测试样本，η是样本长度且；是第μ个参数在第η个时间点的残差值且，m表示飞行参数特征的数量。