CN112085866A - 一种基于飞参数据的飞机异常状态识别方法 - Google Patents
一种基于飞参数据的飞机异常状态识别方法 Download PDFInfo
- Publication number
- CN112085866A CN112085866A CN202010821230.XA CN202010821230A CN112085866A CN 112085866 A CN112085866 A CN 112085866A CN 202010821230 A CN202010821230 A CN 202010821230A CN 112085866 A CN112085866 A CN 112085866A
- Authority
- CN
- China
- Prior art keywords
- state
- data
- frame
- flight
- abnormal
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开实施例中提供了一种基于飞参数据的飞机异常状态识别方法,属于航空电子技术领域,具体包括:构造初始状态空间;重构状态空间并生成单架次飞行数据对应的状态序列片段:合并状态序列中连续重复状态;使用滑动窗处理状态序列,构造状态转移模型训练数据集;状态转移模型的训练;结合状态空间和状态转移模型进行单架次飞行数据异常检测。本发明的该飞机异常状态识别方法能够有效地定位单架次飞行数据异常帧数,对保障飞机性能安全具有极大的意义。
Description
技术领域
本公开涉及航空电子技术领域,尤其涉及一种基于飞参数据的飞机异常状态识别方法。
背景技术
飞机在飞行过程中由于装备运行状态异常或者飞行员操作不当会导致飞行数据异常,如果异常情况不能被及时发现,很可能会威胁到飞行安全。目前,随着大数据相关技术和深度学习技术的不断发展,以海量数据为基础,应用于各方面分类问题的深度神经网络模型相继被提出,并呈现了较好的实验效果。神经网络模型用于分类问题依赖带有标签的数据集,考虑到目前存储的飞行数据大多数为正例数据,依靠人工标记其中少量的异常数据不但耗时耗力,而且由于类别数据比例不均,可能会导致训练完成的深度神经网络模型泛化能力较低。如何尽可能地避免人为干预,进行飞行数据异常检测一直是航空领域研究热点。基于飞参数据的飞机异常状态识别方法,通过规范的数据处理,状态转移模型训练等流程,进行飞行数据异常检测。实验结果表明,该方法能够有效地定位单架次飞行数据异常帧数,对保障飞机性能安全具有极大的意义。
发明内容
有鉴于此,本公开实施例提供一种基于飞参数据的飞机异常状态识别方法,能够有效地定位单架次飞行数据异常帧数,对保障飞机性能安全具有极大的意义。
本公开的技术方案如下:
基于飞参数据的飞机异常状态识别方法,包括以下步骤:
步骤一:构造初始状态空间:
选择单架次飞行数据文件的每帧数据作为数据样本,遍历所有数据样本,构造初始状态空间;
步骤二:重构状态空间并生成单架次飞行数据对应的状态序列片段:
移除初始状态空间中的异常样本数据,重构状态空间,遍历所有架次每帧飞行数据,通过指定的余弦相似度和搜索状态空间匹配所属状态,并将对应的状态进行标记,按照帧的时序性构造相应的状态序列片段;
步骤三:合并状态序列中连续重复状态;
步骤四:使用滑动窗处理状态序列,构造状态转移模型训练数据集;
步骤五:状态转移模型的训练;
步骤六:结合状态空间和状态转移模型进行单架次飞行数据异常检测:
将单架次所有帧飞行数据通过搜索状态空间匹配所属状态,若当前帧飞行数据小于指定的余弦相似度,则判断当前帧飞行数据为异常状态;若否,则通过滑动窗切分得到的下一转移状态不存在于状态转移模型预测得到的备选状态转移列表中,则表示当前滑动窗切分得到的下一转移状态存在异常。
在一种优选的实施方式中,步骤六中,若当前帧飞行数据不小于指定的余弦相似度,则使用滑动窗和状态转移模型对单架次飞行数据对应的状态序列进行异常检测;
滑动窗以一个状态为步长切分子序列及对应的下一转移状态,使用状态转移模型预测下一备选转移状态概率,选择概率最大的状态构建备选状态转移列表;当出现滑动窗切分得到的下一转移状态不存在于模型预测得到的备选状态转移列表中,则表示当前滑动窗切分得到的下一转移状态存在异常,返回异常状态索引。
在一种优选的实施方式中,构造初始状态空间过程中还包括,首先对所有架次飞行数据进行数据处理,包括删除非数值特征、归一化,再选择单架次飞行数据文件的每帧数据作为数据样本。
在一种优选的实施方式中,步骤一中,使用指定的余弦相似度阈值和搜索状态空间,判断状态空间是否存在单帧飞行数据所属状态;若存在,直接使用对应的状态表示当前帧;若否,创建新状态代表当前单帧数据,并把新状态归并到状态空间;重复该判断过程,直至遍历完成所有数据样本的相应的状态空间,得到初始状态空间。
在一种优选的实施方式中,步骤二中,当出现该架次的部分样本数据搜索状态空间无法匹配到相应的状态时,保存持续到上一时刻的状态序列片段,略去异常帧,依次往下匹配,直至当前帧能够从状态空间中匹配到相应的状态,记该当前帧状态为该段状态序列的起始状态,后续帧数据继续搜索状态空间,直至所有单架次飞行所有帧搜索完毕,生成单架次飞行数据对应的状态序列片段。
在一种优选的实施方式中,步骤四中,使用滑动窗处理所有的状态序列片段,得到每个状态序列片段所有子状态序列及对应备选状态概率向量,由所有子状态序列与对应备选状态概率向量构造状态转移模型训练数据集。
在一种优选的实施方式中,所述概率向量长度与状态空间大小一致,若子序列备选转移状态存在,则对应位置为1,若不存在,则对应位置为0。
在一种优选的实施方式中,步骤五中,状态转移模型由嵌入层、多个卷积单元、全连接层组成;嵌入层用于把子状态序列转换为嵌入向量。
在一种优选的实施方式中,步骤五中,所述状态转移模型由嵌入层与多层卷积神经网络组成,为了防止训练模型过程中出现梯度消失,对每次迭代模型参数进行了L2正则化。
本发明的飞机异常状态识别方法,该方法以正常飞行数据为基础,构造数据集,用于深度神经网络模型的训练,能够有效地定位单架次飞行数据异常帧数,对保障飞机性能安全具有极大的意义。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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它的附图。
图1为本发明的飞机异常状态识别方法;
图2为本发明的滑动窗构造数据集流程图;
图3为本发明的状态转移模型结构图;
图4为本发明的单架次飞行数据测试流程图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
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。
要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
根据图1-4,说明本公开实施例提供一种基于飞参数据的飞机异常状态识别方法。具体包括以下步骤:
步骤一:构造初始状态空间;
首先,对所有架次飞行数据进行数据处理:删除非数值特征、归一化等。选择单架次飞行数据文件的每帧数据作为数据样本,具体形式为framex=[p1,p2,p3,...,pn],其中framex代表某帧飞行数据样本,px表示x维度参数。然后,初始化状态空间{State0},其中State0([0,0,…,0])代表单架次飞行数据初始帧所属状态,维度与frame维度相同。最后,任取某单架次飞行数据,从第一帧飞行数据开始遍历,使用指定的余弦相似度阈值和搜索状态空间,判断状态空间是否存在单帧飞行数据所属状态。若不存在,创建新状态代表当前单帧数据,并把新状态归并到状态空间。若存在,直接使用对应的状态表示当前帧。重复上述过程,直至所有单架次飞行数据遍历完成,得到初始状态空间。具体流程如下:
步骤二:重构状态空间和生成单架次飞行数据对应的状态序列片段;
对初始状态空间中所有代表状态的样本数据进行人工干预,依据先验知识识别异常样本数据并将其移出状态空间,确保状态空间中所有样本数据皆为正常数据。遍历所有架次每帧飞行数据,通过指定的余弦相似度搜索状态空间匹配所属状态,并使用对应的状态进行标记。各架次飞行数据使用状态State0作为起始状态及标记的状态按照帧的时序性构造相应的状态序列。在此过程中,可能会出现某架次的某些样本数据搜索状态空间无法匹配到相应的状态,此时仅保存持续到上一时刻的状态序列片段,略去异常帧,依次往下匹配,直至某帧能够从状态空间中匹配到相应的状态,记此帧状态为该段状态序列的起始状态,后续帧数据继续搜索状态空间,持续此过程,直至所有单架次飞行所有帧搜索完毕,生成单架次飞行数据对应的状态序列片段。
步骤三:合并连续重复状态,重构状态序列片段;
由于单架次飞行采样数据种类较多,飞行时间过程,通过对应的状态序列片段,可以发现,每种状态都存在不同程度的连续重复采样。例如某架次对应某状态序列片段如下:
State0→State1→State1→......→Statex→Statex→......→Statey→Statey→......→Statez→Statez→......→Staten→......→Staten
为了降低后续状态转移模型复杂度和防止训练模型出现过拟合现象,在该步骤对状态序列片段存在连续重复状态进行合并处理,我们标记飞行样本每种状态采样的起始帧数和终止帧数,删除了两者之间的重复状态,尽可能地缩减状态序列长度,缩减效果如下:
State0→State1→Statex→Statex→......→Staten
步骤四:滑动窗处理状态序列,构造模型训练数据集;
使用滑动窗处理所有的状态序列,得到每个状态序列所有子状态序列及对应备选状态向量。通过实验确定最优滑动窗长度,滑动窗步长为1,滑动窗滑动起始位置为状态序列的第二个状态。若滑动窗覆盖状态数量小于滑动窗长度,滑动窗空缺状态位置标记为Null。滑动窗每次按照步长向状态序列尾端滑动,获取相应的子状态序列和子状态序列对应的备选状态向量。备选状态向量长度为状态空间大小Snum,备选状态存在,对应位置为1,不存在,对应位置为0。
步骤五:状态转移模型的训练;
状态转移模型由嵌入层、多个卷积单元、全连接层组成。嵌入层用于把子状态序列转换为嵌入向量,为了使模型保留更多的数据信息。嵌入层输出分别输入到多个卷积神经网络单元,每个卷积单元由多层卷积神经网络组成,每层卷积使用Relu激活函数和max-pooling池化操作。堆叠卷积神经网络单元输出,用于带有dropout全连接层进行子状态序列转移备选状态预测。为了防止训练模型过程中出现梯度消失,对每次迭代模型参数进行了L2正则化。
步骤六:单架次飞行数据测试;
单架次飞行数据测试,主要包括两部分:第一部分,单架次所有帧飞行数据通过搜索状态空间匹配所属状态,匹配成功条件是大于或等于指定余弦相似度。如果某些帧飞行数据未在状态空间匹配到对应的状态,可以直接反馈这些帧数据存在异常。第二部分,若所有帧飞行数据皆能匹配到对应的状态,则使用滑动窗和状态转移模型对单架次飞行数据对应的状态序列进行异常检测。滑动窗以一个状态为步长切分子序列及对应的下一转移状态,使用状态转移模型预测下一备选转移状态概率,选择概率最大的状态构建备选状态转移列表。若滑动窗切分得到的下一转移状态存在于备选状态转移列表,表明当前滑动窗切分子序列正常,滑动窗继续向前滑动,不断执行子序列切分、模型预测、转移状态对比过程,直至滑动窗到达隐序列尾端。若过程中,出现滑动窗切分得到的下一转移状态不存在于模型预测得到的备选状态转移列表,表示当前滑动窗切分得到的下一转移状态存在异常,返回异常状态索引。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种基于飞参数据的飞机异常状态识别方法,其特征在于,包括以下步骤:
步骤一:构造初始状态空间:
选择单架次飞行数据文件的每帧数据作为数据样本,遍历所有数据样本,构造初始状态空间;
步骤二:重构状态空间并生成单架次飞行数据对应的状态序列片段:
移除初始状态空间中的异常样本数据,重构状态空间,遍历所有架次每帧飞行数据,通过指定的余弦相似度和搜索状态空间匹配所属状态,并将对应的状态进行标记,按照帧的时序性构造相应的状态序列片段;
步骤三:合并状态序列中连续重复状态;
步骤四:使用滑动窗处理状态序列,构造状态转移模型训练数据集;
步骤五:状态转移模型的训练;
步骤六:结合状态空间和状态转移模型进行单架次飞行数据异常检测:
将单架次所有帧飞行数据通过搜索状态空间匹配所属状态,若当前帧飞行数据小于指定的余弦相似度,则判断当前帧飞行数据为异常状态;若否,则通过滑动窗切分得到的下一转移状态不存在于状态转移模型预测得到的备选状态转移列表中,则表示当前滑动窗切分得到的下一转移状态存在异常。
2.根据权利要求1所述的基于飞参数据的飞机异常状态识别方法,其特征在于,步骤六中,若当前帧飞行数据不小于指定的余弦相似度,则使用滑动窗和状态转移模型对单架次飞行数据对应的状态序列进行异常检测;
滑动窗以一个状态为步长切分子序列及对应的下一转移状态,使用状态转移模型预测下一备选转移状态概率,选择概率最大的状态构建备选状态转移列表;当出现滑动窗切分得到的下一转移状态不存在于模型预测得到的备选状态转移列表中,则表示当前滑动窗切分得到的下一转移状态存在异常,返回异常状态索引。
3.根据权利要求1所述的基于飞参数据的飞机异常状态识别方法,其特征在于,步骤一中,构造初始状态空间过程中还包括,首先对所有架次飞行数据进行数据处理,包括删除非数值特征、归一化,再选择单架次飞行数据文件的每帧数据作为数据样本。
4.根据权利要求1所述的基于飞参数据的飞机异常状态识别方法,其特征在于,步骤一中,使用指定的余弦相似度阈值和搜索状态空间,判断状态空间是否存在单帧飞行数据所属状态;若存在,直接使用对应的状态表示当前帧;若否,创建新状态代表当前单帧数据,并把新状态归并到状态空间;重复该判断过程,直至遍历完成所有数据样本的相应的状态空间,得到初始状态空间。
5.根据权利要求1所述的基于飞参数据的飞机异常状态识别方法,其特征在于,步骤二中,当出现该架次的部分样本数据搜索状态空间无法匹配到相应的状态时,保存持续到上一时刻的状态序列片段,略去异常帧,依次往下匹配,直至当前帧能够从状态空间中匹配到相应的状态,记该当前帧状态为该片段状态序列的起始状态,后续帧数据继续搜索状态空间,直至所有单架次飞行所有帧搜索完毕,生成单架次飞行数据对应的状态序列片段。
6.根据权利要求1所述的基于飞参数据的飞机异常状态识别方法,其特征在于,步骤四中,使用滑动窗处理所有的状态序列片段,得到每个状态序列片段所有子状态序列及对应备选状态概率向量,由所有子状态序列与对应备选状态概率向量构造状态转移模型训练数据集。
7.根据权利要求6所述的基于飞参数据的飞机异常状态识别方法,其特征在于,所述概率向量长度与状态空间大小一致,若子序列备选转移状态存在,则对应位置为1,若不存在,则对应位置为0。
8.根据权利要求1所述的基于飞参数据的飞机异常状态识别方法,其特征在于,步骤五中,状态转移模型由嵌入层、多个卷积单元、全连接层组成;嵌入层用于把子状态序列转换为嵌入向量。
9.根据权利要求1所述的基于飞参数据的飞机异常状态识别方法,其特征在于,步骤五中,所述状态转移模型由嵌入层与多层卷积神经网络组成,为了防止训练模型过程中出现梯度消失,对每次迭代模型参数进行了L2正则化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010821230.XA CN112085866B (zh) | 2020-08-14 | 2020-08-14 | 一种基于飞参数据的飞机异常状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010821230.XA CN112085866B (zh) | 2020-08-14 | 2020-08-14 | 一种基于飞参数据的飞机异常状态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112085866A true CN112085866A (zh) | 2020-12-15 |
CN112085866B CN112085866B (zh) | 2023-04-07 |
Family
ID=73729348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010821230.XA Active CN112085866B (zh) | 2020-08-14 | 2020-08-14 | 一种基于飞参数据的飞机异常状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112085866B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160062950A1 (en) * | 2014-09-03 | 2016-03-03 | Google Inc. | Systems and methods for anomaly detection and guided analysis using structural time-series models |
CN107844406A (zh) * | 2017-10-25 | 2018-03-27 | 千寻位置网络有限公司 | 分布式系统的异常检测方法及系统、服务终端、存储器 |
CN108960303A (zh) * | 2018-06-20 | 2018-12-07 | 哈尔滨工业大学 | 一种基于lstm的无人机飞行数据异常检测方法 |
CN110427419A (zh) * | 2019-07-29 | 2019-11-08 | 陕西千山航空电子有限责任公司 | 一种基于数据挖掘的飞行数据异常识别模型构建方法 |
CN111027672A (zh) * | 2019-11-13 | 2020-04-17 | 浙江大学 | 一种基于交互式多尺度循环神经网络的时间序列预测方法 |
CN111079931A (zh) * | 2019-12-27 | 2020-04-28 | 浙江大学 | 一种基于图神经网络的状态空间概率性多时间序列预测方法 |
CN111192379A (zh) * | 2019-12-24 | 2020-05-22 | 泉州装备制造研究所 | 一种飞机整机的综合故障诊断方法 |
CN111209168A (zh) * | 2020-01-14 | 2020-05-29 | 中国人民解放军陆军炮兵防空兵学院郑州校区 | 一种基于nLSTM-self attention的日志序列异常检测框架 |
US20200250905A1 (en) * | 2017-09-25 | 2020-08-06 | The Boeing Company | System and method for aircraft fault detection |
-
2020
- 2020-08-14 CN CN202010821230.XA patent/CN112085866B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160062950A1 (en) * | 2014-09-03 | 2016-03-03 | Google Inc. | Systems and methods for anomaly detection and guided analysis using structural time-series models |
US20200250905A1 (en) * | 2017-09-25 | 2020-08-06 | The Boeing Company | System and method for aircraft fault detection |
CN107844406A (zh) * | 2017-10-25 | 2018-03-27 | 千寻位置网络有限公司 | 分布式系统的异常检测方法及系统、服务终端、存储器 |
CN108960303A (zh) * | 2018-06-20 | 2018-12-07 | 哈尔滨工业大学 | 一种基于lstm的无人机飞行数据异常检测方法 |
CN110427419A (zh) * | 2019-07-29 | 2019-11-08 | 陕西千山航空电子有限责任公司 | 一种基于数据挖掘的飞行数据异常识别模型构建方法 |
CN111027672A (zh) * | 2019-11-13 | 2020-04-17 | 浙江大学 | 一种基于交互式多尺度循环神经网络的时间序列预测方法 |
CN111192379A (zh) * | 2019-12-24 | 2020-05-22 | 泉州装备制造研究所 | 一种飞机整机的综合故障诊断方法 |
CN111079931A (zh) * | 2019-12-27 | 2020-04-28 | 浙江大学 | 一种基于图神经网络的状态空间概率性多时间序列预测方法 |
CN111209168A (zh) * | 2020-01-14 | 2020-05-29 | 中国人民解放军陆军炮兵防空兵学院郑州校区 | 一种基于nLSTM-self attention的日志序列异常检测框架 |
Non-Patent Citations (2)
Title |
---|
田黎明等: "一种基于信息熵的传感器数据异常检测方法", 《软件》 * |
陈亚峰: "无人机飞行数据实时异常检测系统研制", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112085866B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110162669B (zh) | 视频分类处理方法、装置、计算机设备及存储介质 | |
CN111583284B (zh) | 一种基于混合模型的小样本图像语义分割方法 | |
CN110415022B (zh) | 处理用户行为序列的方法及装置 | |
CN110363239B (zh) | 一种面向多模态数据的小样本机器学习方法、系统和介质 | |
Taherkhani et al. | Matrix completion for graph-based deep semi-supervised learning | |
CN112948155B (zh) | 模型训练方法、状态预测方法、装置、设备及存储介质 | |
CN116304066B (zh) | 一种基于提示学习的异质信息网络节点分类方法 | |
CN109740679A (zh) | 一种基于卷积神经网络和朴素贝叶斯的目标识别方法 | |
CN109583479B (zh) | 一种基于形态学的高光谱图像特征提取方法 | |
CN112597824A (zh) | 行为识别方法、装置、电子设备和存储介质 | |
CN111935487B (zh) | 一种基于视频流检测的图像压缩方法及系统 | |
CN114359659A (zh) | 基于注意力扰动的图像自动标注方法、系统和介质 | |
CN112381227A (zh) | 神经网络生成方法、装置、电子设备及存储介质 | |
CN112613349A (zh) | 基于深度混合卷积神经网络的时序动作检测方法及装置 | |
CN108446605A (zh) | 复杂背景下双人交互行为识别方法 | |
CN113496123B (zh) | 谣言检测方法、装置、电子设备及存储介质 | |
Tan et al. | DC programming for solving a sparse modeling problem of video key frame extraction | |
CN114821770A (zh) | 文本到图像的跨模态行人再识别方法、系统、介质和设备 | |
CN110781818A (zh) | 视频分类方法、模型训练方法、装置及设备 | |
CN112085866B (zh) | 一种基于飞参数据的飞机异常状态识别方法 | |
CN112651271A (zh) | 一种基于深度学习算法搜索视频关键帧的方法及系统 | |
CN115641317B (zh) | 面向病理图像的动态知识回溯多示例学习及图像分类方法 | |
CN108388574B (zh) | 基于triplet深度二值网络的快速人脸检索方法 | |
CN114298052B (zh) | 一种基于概率图的实体联合标注关系抽取方法和系统 | |
Chen et al. | Cpkd: Concepts-prober-guided knowledge distillation for fine-grained cnn explanation |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |