摘 要：為降低無(wú)人機(jī)測(cè)繪數(shù)據(jù)異常檢測(cè)的誤檢率、漏檢率，縮短檢測(cè)時(shí)間，文章提出一種基于數(shù)據(jù)篩選的無(wú)人機(jī)測(cè)繪數(shù)據(jù)異常檢測(cè)方法。采用支持向量機(jī)對(duì)無(wú)人機(jī)測(cè)繪數(shù)據(jù)進(jìn)行數(shù)據(jù)流分塊、豎向規(guī)范化處理及時(shí)間切片處理等預(yù)處理;基于卷積神經(jīng)網(wǎng)絡(luò)分析數(shù)據(jù)確定數(shù)據(jù)潛在規(guī)律;采用無(wú)監(jiān)督聚類算法對(duì)數(shù)據(jù)進(jìn)行聚類，利用滑動(dòng)窗口處理得到數(shù)據(jù)流簇心因子并進(jìn)行聚類;根據(jù)判斷標(biāo)準(zhǔn)對(duì)異常數(shù)據(jù)分塊處理，確定是否存在異常因子;采用重疊累加值計(jì)算方法對(duì)異常數(shù)據(jù)點(diǎn)進(jìn)行篩選，完成無(wú)人機(jī)測(cè)繪數(shù)據(jù)異常檢測(cè)。實(shí)驗(yàn)結(jié)果表明：與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)方法相比，采用該方法對(duì)異常數(shù)據(jù)檢測(cè)，其誤檢率降低了約 11%、漏檢率降低約 8.1%，并且檢測(cè)時(shí)間縮短了 11.3 min。

　　關(guān)鍵詞：無(wú)人機(jī)測(cè)繪;異常數(shù)據(jù);支持向量機(jī);卷積神經(jīng)網(wǎng)絡(luò);簇心因子;滑動(dòng)窗口

　　無(wú)人機(jī)測(cè)繪綜合了無(wú)人飛行器、遙感傳感器、通信和圖像處理等多種技術(shù)，以實(shí)時(shí)獲取目標(biāo)區(qū)域信息、快速進(jìn)行數(shù)據(jù)處理和繪圖為主要目的[1]。這種方法運(yùn)行成本低、風(fēng)險(xiǎn)小，且數(shù)據(jù)采集周期相對(duì)較短，已被廣泛應(yīng)用于相關(guān)領(lǐng)域。無(wú)人機(jī)測(cè)繪生成的飛行數(shù)據(jù)具有快速、實(shí)時(shí)等特點(diǎn)[2]。采用此技術(shù)獲取的單維特征流數(shù)據(jù)主要反映被測(cè)系統(tǒng)的某一狀態(tài)信息，然而多維數(shù)據(jù)庫(kù)中異常數(shù)據(jù)是各維度信息綜合作用的結(jié)果，能夠反映無(wú)人機(jī)(unmannedaerial vehicle，UAV)的實(shí)際情況，具有更高的參考價(jià)值[3]。

　　目前，基于無(wú)人機(jī)測(cè)繪的異常檢測(cè)算法已經(jīng)被廣泛應(yīng)用，但大多算法不能滿足無(wú)人機(jī)測(cè)繪的實(shí)時(shí)檢測(cè)需求。為此，本文提出一種基于數(shù)據(jù)篩選的無(wú)人機(jī)測(cè)繪數(shù)據(jù)異常檢測(cè)方法。實(shí)驗(yàn)結(jié)果表明：與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)方法相比，該方法降低了檢測(cè)的漏檢率與誤檢率，并縮短了檢測(cè)時(shí)間。該檢測(cè)方法能夠滿足無(wú)人機(jī)測(cè)繪中的異常數(shù)據(jù)檢測(cè)需求，可實(shí)際應(yīng)用到異常數(shù)據(jù)檢測(cè)中。

　　1 無(wú)人機(jī)測(cè)繪過(guò)程中異常數(shù)據(jù)挖掘

　　在異常數(shù)據(jù)檢測(cè)過(guò)程中，須預(yù)先對(duì)無(wú)人機(jī)測(cè)繪過(guò)程中產(chǎn)生的相關(guān)數(shù)據(jù)進(jìn)行挖掘。與其他數(shù)據(jù)挖掘技術(shù)相比，支持向量機(jī)是一種監(jiān)督式的數(shù)據(jù)挖掘方法，其對(duì)樣本的依賴性較小，對(duì)小樣本、高維數(shù)據(jù)等分類具有較好的應(yīng)用效果[4]。為此，本文將支持向量機(jī)應(yīng)用到無(wú)人機(jī)測(cè)繪數(shù)據(jù)挖掘中。在上述數(shù)據(jù)分類的基礎(chǔ)上，對(duì)無(wú)人機(jī)測(cè)繪過(guò)程中產(chǎn)生的數(shù)據(jù)流進(jìn)行預(yù)處理。即對(duì)無(wú)人機(jī)測(cè)繪異常數(shù)據(jù)進(jìn)行數(shù)據(jù)流分塊、豎向規(guī)范化處理與時(shí)間切片處理，便于對(duì)無(wú)人機(jī)測(cè)繪數(shù)據(jù)潛在規(guī)律的分析。

　　1)數(shù)據(jù)流分塊。由于無(wú)人機(jī)測(cè)繪過(guò)程中產(chǎn)生的數(shù)據(jù)流可看作是一系列無(wú)限的點(diǎn)[6]，其存儲(chǔ)相對(duì)較難，為此將其劃分為數(shù)據(jù)塊的形式。將數(shù)據(jù)塊的大小定義為 ，將數(shù)據(jù)塊劃分為若干類，并對(duì)其進(jìn)行標(biāo)準(zhǔn)化處理。2)豎向規(guī)范化處理。由于采集的數(shù)據(jù)存在屬性差異，導(dǎo)致其屬性難以得到合理的調(diào)配。

　　2 無(wú)人機(jī)測(cè)繪中異常數(shù)據(jù)潛在規(guī)律分析

　　在上述預(yù)處理后，對(duì)數(shù)據(jù)潛在規(guī)律進(jìn)行分析。此部分采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分析處理。該方法的局部特征提取能力較強(qiáng)，能夠降低網(wǎng)絡(luò)的計(jì)算復(fù)雜度[12 − 13]。其挖掘過(guò)程如下。步驟 1，設(shè)置輸入層。輸入層是整個(gè)網(wǎng)絡(luò)的起始端[14]，是整個(gè)網(wǎng)絡(luò)的輸入部分，能夠?qū)σ痪S數(shù)據(jù)或者二維數(shù)據(jù)進(jìn)行挖掘。步驟 2，建立激勵(lì)層函數(shù)。步驟 3，建立池化層。通過(guò)該環(huán)節(jié)將數(shù)據(jù)進(jìn)行壓縮，利用池化窗口生成的值生成周圍區(qū)域的統(tǒng)計(jì)量。步驟 4，建立全連接層。該層主要在計(jì)算過(guò)程中提供輸送信號(hào)的功能，將數(shù)據(jù)的特征值進(jìn)行連接，并連接成一個(gè)長(zhǎng)向量。步驟 5，反向傳播。

　　3 無(wú)人機(jī)測(cè)繪過(guò)程中異常數(shù)據(jù)檢測(cè)實(shí)現(xiàn)

　　3.1 異常數(shù)據(jù)分類

　　通過(guò)上述計(jì)算能夠獲取所有數(shù)據(jù)的潛在規(guī)律，在此基礎(chǔ)上，對(duì)異常數(shù)據(jù)進(jìn)行分類處理。在無(wú)人機(jī)測(cè)繪過(guò)程中，較多因素都會(huì)引起異常，從而產(chǎn)生異常數(shù)據(jù)[16]。為此，對(duì)異常數(shù)據(jù)進(jìn)行分類。由于無(wú)人飛行器內(nèi)有較多傳感器，因此產(chǎn)生異常數(shù)據(jù)的因素較多，不僅能產(chǎn)生異常數(shù)據(jù)，而且需要及時(shí)發(fā)現(xiàn)異常數(shù)據(jù)。為提高檢測(cè)效率，對(duì)所生成數(shù)據(jù)進(jìn)行聚類，本文采用無(wú)監(jiān)督聚類算法。當(dāng)數(shù)據(jù)流到達(dá)時(shí)，該算法能及時(shí)更新，并對(duì)數(shù)據(jù)進(jìn)行實(shí)時(shí)聚類。對(duì)數(shù)據(jù)進(jìn)行相似性分類，將相似的分類成數(shù)據(jù)簇[17]。在實(shí)際計(jì)算過(guò)程中，主要包括 2 個(gè)步驟：首先測(cè)量數(shù)據(jù)與數(shù)據(jù)之間相似性，然后利用準(zhǔn)則函數(shù)對(duì)結(jié)果進(jìn)行聚類分類[18]。

　　3.2 異常數(shù)據(jù)檢測(cè)實(shí)現(xiàn)在上述數(shù)據(jù)處理的基礎(chǔ)上，對(duì)異常數(shù)據(jù)檢測(cè)，具體步驟如下。步驟 1，由于無(wú)人飛行器測(cè)繪所產(chǎn)生的數(shù)據(jù)是飛行數(shù)據(jù)，即時(shí)間序列數(shù)據(jù)，因此需要對(duì)以上聚類后的數(shù)據(jù)進(jìn)行劃分，并將其劃分為時(shí)間序列數(shù)據(jù)，從而得到各時(shí)間序列變化情況，并將變化情況插入時(shí)間序列數(shù)據(jù)中，形成相應(yīng)編碼數(shù)。步驟 2，生成數(shù)據(jù)存儲(chǔ)在模式庫(kù)中。該模式庫(kù)將特定的生成模式與自體發(fā)生相匹配，并將其視為合成檢測(cè)器[19]。

　　4 實(shí)驗(yàn)分析

　　本文通過(guò)實(shí)驗(yàn)來(lái)驗(yàn)證該方法是否符合設(shè)計(jì)要求。同時(shí)，為檢驗(yàn)該方法的應(yīng)用效果，將該方法與傳統(tǒng)基于卷積神經(jīng)網(wǎng)絡(luò)的異常數(shù)據(jù)檢測(cè)方法進(jìn)行了比較。

　　4.1 實(shí)驗(yàn)數(shù)據(jù)來(lái)源及實(shí)驗(yàn)環(huán)境

　　實(shí)驗(yàn)在 Windows7 操作系統(tǒng)下進(jìn)行，選用 Intel(R) Core (TM)i5 M 520 作為 CPU，其內(nèi)存頻率較快，可以達(dá)到 2.4 GHz，內(nèi)存 8 GB。所用實(shí)驗(yàn)數(shù)據(jù)集通過(guò)高斯分布獲取，這些數(shù)據(jù)集共有 1600 個(gè)數(shù)據(jù)點(diǎn)，其中包含 1500 個(gè)正常數(shù)據(jù)點(diǎn)，100 個(gè)異常數(shù)據(jù)點(diǎn)。

　　4.2 實(shí)驗(yàn)指標(biāo)

　　異常檢測(cè)的實(shí)時(shí)性也是對(duì)比檢測(cè)方法性能的一個(gè)重要指標(biāo)。

　　4.3 實(shí)驗(yàn)結(jié)果分析

　　對(duì)比卷積神經(jīng)網(wǎng)絡(luò)方法與本文方法的誤檢率。本文的異常數(shù)據(jù)檢測(cè)方法的誤檢率相比卷積神經(jīng)網(wǎng)絡(luò)方法，平均降低了約 11%。本文方法誤檢率低是由于本文方法在數(shù)據(jù)流上進(jìn)行了分塊和分類處理，并對(duì)處理后的數(shù)據(jù)進(jìn)行了綜合聚類分析。常規(guī)檢測(cè)方法受數(shù)據(jù)集干擾的影響較大，有些異常數(shù)據(jù)點(diǎn)在正常數(shù)據(jù)波動(dòng)范圍外，導(dǎo)致其誤檢率較高。對(duì)比卷積神經(jīng)網(wǎng)絡(luò)方法和本文方法的漏檢率。

　　本文方法的漏檢率相比卷積神經(jīng)網(wǎng)絡(luò)方法的平均降低了約 8.1%。常規(guī)卷積神經(jīng)網(wǎng)絡(luò)方法檢測(cè)漏檢率高的原因在于異常數(shù)據(jù)的幅度不在正確的數(shù)據(jù)范圍之內(nèi)，且往往以片斷形式出現(xiàn)，用常規(guī)方法進(jìn)行標(biāo)記時(shí)，存在較大的漏檢風(fēng)險(xiǎn)。本文的異常數(shù)據(jù)檢測(cè)方法是通過(guò)詳細(xì)的檢測(cè)流程實(shí)現(xiàn)對(duì)異常樣本的有效檢測(cè)，從而降低了漏檢現(xiàn)象。最后，對(duì)比卷積神經(jīng)網(wǎng)絡(luò)方法與本文方法的檢測(cè)時(shí)間。可以看出，卷積神經(jīng)網(wǎng)絡(luò)方法在多個(gè)實(shí)驗(yàn)中所需檢測(cè)時(shí)間均高于本文方法，最多相差 16 min。本文方法的整體檢測(cè)時(shí)間平均縮短了 11.3 min 左右。本文的異常數(shù)據(jù)檢測(cè)方法不僅可以降低誤檢率和漏檢率，而且可以提高檢測(cè)的實(shí)時(shí)性。

　　5 結(jié)束語(yǔ)

　　本文對(duì)無(wú)人機(jī)測(cè)繪過(guò)程中的異常數(shù)據(jù)檢測(cè)方法進(jìn)行了設(shè)計(jì)，并通過(guò)實(shí)驗(yàn)對(duì)該方法進(jìn)行了驗(yàn)證。該方法可為相關(guān)測(cè)繪領(lǐng)域的異常數(shù)據(jù)檢測(cè)提供實(shí)用的解決方案。盡管本次研究取得了一定成果，但無(wú)人機(jī)測(cè)繪的數(shù)據(jù)范圍比較廣泛，在未來(lái)工作中可強(qiáng)化分析數(shù)據(jù)與數(shù)據(jù)之間的關(guān)聯(lián)特征，選擇融合不同的檢測(cè)方法，從而實(shí)現(xiàn)多種異常檢測(cè)方法的優(yōu)勢(shì)互補(bǔ)。

　　參考文獻(xiàn)：

　　[1] 孫新博, 李英成, 王恩泉, 等. 一種無(wú)人機(jī)視頻影像快速配準(zhǔn)方法[J]. 測(cè)繪通報(bào), 2019(6): 85 − 88.

　　[2] 任麗艷, 李英成, 肖金城, 等. 測(cè)繪無(wú)人機(jī)災(zāi)害現(xiàn)場(chǎng)多源數(shù)據(jù)集成與智能服務(wù)[J]. 測(cè)繪科學(xué), 2020, 45(12):143 − 148.

　　[3] 張欣欣, 王雙亭, 李英成, 等. 輕小型無(wú)人機(jī)飛控測(cè)姿數(shù)據(jù)輔助測(cè)圖精度分析[J]. 測(cè)繪科學(xué), 2019, 44(5):102 − 109.

　　[4] 梅御東, 陳旭, 孫毓忠, 等. 一種基于日志信息和CNN-text 的軟件系統(tǒng)異常檢測(cè)方法[J]. 計(jì)算機(jī)學(xué)報(bào),2020, 43(2): 366 − 380.

　　[5] 連鴻飛, 張浩, 郭文忠. 一種數(shù)據(jù)增強(qiáng)與混合神經(jīng)網(wǎng)絡(luò)的異常流量檢測(cè)[J]. 小型微型計(jì)算機(jī)系統(tǒng), 2020,41(4): 116 − 123.

　　[6] 徐光南, 高智勇, 梁艷杰, 等. 采用壓縮感知的流程工業(yè)異常監(jiān)測(cè)數(shù)據(jù)檢驗(yàn)與修復(fù)方法[J]. 西安交通大學(xué)學(xué)報(bào), 2020, 54(2): 59 − 70.

　　選自期刊《西華大學(xué)學(xué)報(bào)(自然科學(xué)版)》第 41 卷第 4 期

　　作者信息：張振軍(青海漢圖測(cè)繪科技有限公司， 青海 西寧 810001)

选题指导

选题数据库精选与人工匹配，
快速拿到论文 著作学术成果

找选题 快速发 可扫码咨询

学术资料免费区

期刊论文

论文模板论文格式投稿须知论文要求

期刊目录

北核目录南核目录CSCD目录武核目录SCI目录SSCI目录EI目录预警期刊名单

技巧及其他

中英文修改技巧中英文投稿指南国自然申请

立即免费获取