基于LSTM-GAN的无人机飞行数据异常检测算法

飞行数据的异常检测是保障无人机飞行安全的关键。为了提升异常检测的准确率,以更好地构建无人机飞行数据正常样本的数据模式,提出了一种基于长短时记忆网络（LSTM）和生成对抗网络（GAN）的异常检测算法。设计了由生成网络、判别网络和重构网络组成的循环学习网络,同时为了避免网络学习产生梯度爆炸的风险,设计了一种由两个判别损失函数与一个重构损失函数相结合的目标损失函数。实验结果表明,LSTM-GAN异常检测算法均优于K-means、单类支持向量机、LSTM和Auto-Encoder算法的异常检测性能。LSTM-GAN比LSTM异常检测的准确率提高2.2%。     

复杂装备退化状态早期识别方法研究

针对复杂装备早期退化状态难以识别的问题,提出一种将相关向量机(RVM)和Dezert-Smarandache 理论(DSmT)相结合的多特征融合决策识别方法。该方法首先分别采用时域分析法和时频域小波包变换法对装备的状态特征进行提取;之后将状态特征向量输入RVM模型中完成对状态属性的判定并获得各种状态模式的基本置信度分配;最后依据DSmT的PCR6规则对含有冲突信息的多个识别结果进行决策融合,得到早期退化状态的最终识别结果。在对某航空机电设备的实例应用中表明,该方法可以有效地解决信息高冲突条件下的早期退化状态识别问题,结果可靠准确。