CN116681991B - 一种基于时间序列二维编码的紧组合导航故障检测方法 - Google Patents
一种基于时间序列二维编码的紧组合导航故障检测方法 Download PDFInfo
- Publication number
- CN116681991B CN116681991B CN202310904055.4A CN202310904055A CN116681991B CN 116681991 B CN116681991 B CN 116681991B CN 202310904055 A CN202310904055 A CN 202310904055A CN 116681991 B CN116681991 B CN 116681991B
- Authority
- CN
- China
- Prior art keywords
- vae
- gan
- time
- data
- dimensional
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 14
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/23—Testing, monitoring, correcting or calibrating of receiver elements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/0475—Generative 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manufacturing & Machinery (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于时间序列二维编码的紧组合导航故障检测方法,属于组合导航技术领域,方法包括:对采集的GNSS/INS组合导航系统正常导航下单颗卫星的卡尔曼滤波的新息数据中的伪距数据进行时间序列二维编码得到二维图像;利用二维图像进行VAE‑GAN深度神经网络的无监督训练;使VAE‑GAN深度神经网络能够对单颗卫星的故障进行检测;采用训练好的VAE‑GAN深度神经网络,对组合导航系统定位过程中的单星故障进行检测。本发明提高系统对故障的敏感度,避免了故障检测训练中样本不均衡的问题。
Description
技术领域
本发明涉及组合导航技术领域,尤其涉及一种基于时间序列二维编码的紧组合导航故障检测方法。
背景技术
随着无人机、自动驾驶等技术的发展,导航系统对精度和可靠性需求不断提升,GPS/INS紧组合导航由于其定位精度和稳定性较高而越来越收到重视。其中,为了保证系统的定位精度,完好性和可靠性,及时进行故障检测和排除具有十分重要的意义。由于惯性导航系统INSS发生故障的概率很小,本方法仅针对GNSS系统的故障检测。
随着数据驱动技术的发展,利用深度学习进行组合导航故障检测的方法开始逐步被探索和应用。目前对组合导航的检测方法主要是将导航数据(经归一化处理后)直接输入到神经网络中进行特征提取和学习,从而在故障来临时完成对故障的识别工作。但仍然会面临故障检测的敏感度不高以及训练样本不均衡问题。
发明内容
鉴于上述的分析,本发明旨在公开了一种基于时间序列二维编码的紧组合导航故障检测方法;提高故障检测的敏感度。
本发明公开了一种基于时间序列二维编码的紧组合导航故障检测方法,包括:
步骤S1、对采集的GNSS/INS组合导航系统正常导航下单颗卫星的卡尔曼滤波的新息数据中的伪距数据进行时间序列二维编码得到二维图像;
步骤S2、利用二维图像进行VAE-GAN深度神经网络的无监督训练;使VAE-GAN深度神经网络能够对单颗卫星的故障进行检测;
步骤S3、采用训练好的VAE-GAN深度神经网络,对组合导航系统定位过程中的单星故障进行检测。
进一步地,在步骤S1中,所述时间序列二维编码采用时间序列的GASF编码。
进一步地,时间序列的GASF编码的过程包括:
1)采集的GNSS/INS组合导航系统正常导航下单颗卫星的卡尔曼滤波的新息数据中的伪距时间序列;
2)进行时间序列进行归一化得到时间序列;
3)将归一化的时间序列编码为角余弦;
4)考虑每个像点之间的角求和的余弦来体现不同时间间隔内的时间相关性建立二维图像。
进一步地,在GNSS/INS组合导航系统的卡尔曼滤波过程中获得的新息数据为:
;
其中,为观测量,/>;/>分别为INS推算的伪距、伪距率;/>分别为GNSS单颗卫星推算的伪距、伪距率;/>为系统的观测矩阵;为组合导航系统的状态一步预测值;
取一段时间连续长度为的新息序列构成向量/>;再提取向量/>的第一行得到伪距时间序列/>:
。
进一步地,考虑每个像点之间的角求和的余弦来体现不同时间间隔内的时间相关性建立二维图像为:
;
其中,;/>;/>。
进一步地,所述VAE-GAN深度神经网络中,VAE解码器和GAN生成器采用同一网络模块;利用二维图像进行VAE-GAN深度神经网络的无监督训练过程,包括:
1)VAE编码器训练;使用平铺处理后的图像数据为输入样本训练VAE编码器,更新VAE编码器参数;使VAE编码器生成的样本在被VAE解码器/GAN生成器解码后尽量复原为输入样本;
2)GAN判别器训练;使用平铺处理后的图像样本数据、VAE解码器对图像样本数据/>复原的数据/>和VAE解码器根据分布/>生成的数据/>训练GAN判别器,更新GAN判别器参数;使GAN判别器能够判别出真实的图像样本数据;
3)VAE解码器/GAN生成器训练;使VAE解码器/GAN生成器解码后尽量复原为VAE编码器的输入样本。
进一步地,将训练样本的二维图像经过平铺处理后为,/>为/>维向量,VAE通过编码器对/>编码后生成一个服从均值为/>,方差为/>的分布的样本/>;
VAE编码器的损失函数为:
;
在散度误差项中,/>为对角矩阵,对角线上的元素为/>中的元素,即;重构误差/>;
根据网络的损失函数反向传播并更新网络参数/>得到的VAE编码器的最优参数/>为:
。
进一步地,GAN判别器的损失函数为:
;
其中,为对输入GAN判别器的图像样本数据/>的判决结果,/>为输入GAN判别器的数据/>的判决结果,/>为输入GAN判别器的数据/>的判决结果;
根据网络的损失函数反向传播并更新网络参数/>得到的GAN判别器最优参数/>为:
。
进一步地,VAE解码器/GAN生成器的损失函数为:
;
其中,为调节权重的参数;
根据网络的损失函数反向传播并更新网络参数/>得到VAE解码器/GAN生成器网络的最优参数/>为:
。
进一步地,在步骤S3中采用训练好的VAE-GAN深度神经网络,对组合导航系统定位过程中的单星故障进行检测过程,包括:
1)在测试时,采用固定时间序列长度,以步长为1进行时间序列更新,使时间序列结束时间总为当前时刻t,得到长度为待检测时间序列/>;
2)将当期时刻t将待检测时间序列进行如步骤S1中的时间序列二维编码得到真实二维图像;
3)将当期时刻t二维图像平铺处理后的向量数据在训练好的VAE-GAN网络中进行编码-解码后得到复原的数据/>;
4)计算向量数据和复原的数据/>的均方误差/>;
5)判断均方误差是否超出预先设定的阈值;是,则判定为有故障;否则判定为无故障。
本发明可实现以下有益效果之一:
本发明公开的方法利用深度神经网络优秀的图像特征识别和学习能力,提高系统对故障的敏感度。并且采用无监督学习方法训练网络,只学习正常数据的特征,避免了故障检测训练中样本不均衡的问题。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件;
图1为本发明实施例中的基于时间序列二维编码的紧组合导航故障检测方法流程图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理。
本发明的一个实施例公开了一种基于时间序列二维编码的紧组合导航故障检测方法,如图1所示,包括:
步骤S1、对采集的GNSS/INS组合导航系统正常导航下单颗卫星的卡尔曼滤波的新息数据中的伪距数据进行时间序列二维编码得到二维图像;
步骤S2、利用二维图像进行VAE-GAN深度神经网络的无监督训练;使VAE-GAN深度神经网络能够对单颗卫星的故障进行检测;
步骤S3、采用训练好的VAE-GAN深度神经网络,对组合导航系统定位过程中的单星故障进行检测。
具体的,在步骤S1中,所述时间序列二维编码采用时间序列的GASF(GramianSummation Angular Field,格拉曼角和场)编码。
其中,时间序列的GASF编码的过程包括:
1)采集的GNSS/INS组合导航系统正常导航下单颗卫星的卡尔曼滤波的新息数据中的伪距时间序列;
在GNSS/INS组合导航系统的卡尔曼滤波过程中获得的新息数据为:
;
其中,为观测量,/>是/>维的向量;/>分别为INS推算的伪距、伪距率;/>分别为GNSS单颗卫星推算的伪距、伪距率;/>为系统的观测矩阵;/>为组合导航系统的状态一步预测值;
取一段时间连续长度为的新息序列构成向量/>;再提取向量/>的第一行得到伪距时间序列/>:
。
2)进行时间序列进行归一化得到时间序列/>;
归一化得到的时间序列中元素/>为:
;
3)将归一化的时间序列编码为角余弦;
;
将归一化的时间序列编码为角余弦的编码方式有一个重要性:在[0,1]区间是单调的,因此每个时间序列一定存在且只生成一种编码方式。
4)考虑每个像点之间的角求和的余弦来体现不同时间间隔内的时间相关性建立二维图像;
。
具体的,步骤S2中,采用VAE-GAN深度神经网络来进行无监督训练。VAE通过编码器和解码器来学习图像的特征,VAE-GAN利用GAN网络具有的高质量生成模型的优势来强化VAE,使VAE重构的图像更加清晰。
本实施例中的VAE-GAN深度神经网络结构包括:VAE编码器网络Encoder,VAE的解码器Decoder和GAN的生成器Generator共用的神经网络,以及GAN判别器网络Discriminator。
具体的,采用VAE-GAN深度神经网络来进行无监督训练的过程,包括:
1)VAE编码器训练;使用平铺处理后的图像数据为输入样本训练VAE编码器,更新VAE编码器参数;使VAE编码器生成的样本在被VAE解码器/GAN生成器解码后尽量复原为输入样本;
将训练样本的二维图像经过平铺处理后为,/>为/>维向量,VAE通过编码器对/>编码后生成一个服从均值为/>,方差为/>的分布的样本/>;
样本在通过VAE的解码器(GAN的生成器)的映射后映射到数据空间,将其尽量复原为输入样本;记被VAE的解码器(GAN的生成器)复原的样本为/>(/>维向量)。
网络训练的目的之一是减小网络处理后生成的样本与真实图像/>的差距。除此之外,通过VAE编码器生成的/>分布还要尽量与规定的/>的分布相接近(通常设定)。因此编码器的损失函数为重构误差和散度误差之和:
VAE编码器的损失函数为:
;
在散度误差项中,/>为对角矩阵,对角线上的元素为/>中的元素,即;重构误差/>;
根据网络的损失函数反向传播并更新网络参数/>得到的VAE编码器的最优参数/>为:
。
2)GAN判别器训练;使用平铺处理后的图像样本数据、VAE解码器对图像样本数据/>复原的数据/>和VAE解码器根据分布/>生成的数据/>训练GAN判别器,更新GAN判别器参数;使GAN判别器能够判别出真实的图像样本数据;
GAN判别器对于三个输入对应的三个输出为,/>,/>;
网络训练的目的是使GAN判别器给出样本为真的判别概率。
GAN判别器的损失函数为:
;
其中,为对输入GAN判别器的图像样本数据/>的判决结果,/>为输入GAN判别器的数据/>的判决结果,/>为输入GAN判别器的数据/>的判决结果;
根据网络的损失函数反向传播并更新网络参数/>得到的GAN判别器最优参数/>为:
。
3)VAE解码器/GAN生成器训练;使VAE解码器/GAN生成器解码后尽量复原为VAE编码器的输入样本。
由于该模块同时负责VAE解码器和GAN生成器的任务,因此损失函数为:
;
其中,为调节权重的参数;
根据网络的损失函数反向传播并更新网络参数/>得到VAE解码器/GAN生成器网络的最优参数/>为:
。
在训练过程中,只学习正常数据的特征,分别通过反向传播更新三个损失函数的参数,直到训练完成。
具体的,在步骤S3中采用训练好的VAE-GAN深度神经网络,对组合导航系统定位过程中的单星故障进行检测过程,包括:
1)在测试时,采用固定时间序列长度,以步长为1进行时间序列更新,使时间序列结束时间总为当前时刻t,得到长度为待检测时间序列/>;
;
2)将当期时刻t将待检测时间序列进行如步骤S1中的时间序列二维编码得到真实二维图像;
3)将当期时刻t二维图像平铺处理后的向量数据在训练好的VAE-GAN网络中进行编码-解码后得到复原的数据/>;
4)计算向量数据和复原的数据/>的均方误差/>;
5)判断均方误差是否超出预先设定的阈值;是,则判定为有故障;否则判定为无故障。
综上所述,本发明实施例公开的基于时间序列二维编码的紧组合导航故障检测方法利用深度神经网络优秀的图像特征识别和学习能力,提高系统对故障的敏感度。并且采用无监督学习方法训练网络,只学习正常数据的特征,避免了故障检测训练中样本不均衡的问题。
以上所述,仅为本发明较佳的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于时间序列二维编码的紧组合导航故障检测方法,其特征在于,包括:
步骤S1、对采集的GNSS/INS组合导航系统正常导航下单颗卫星的卡尔曼滤波的新息数据中的伪距数据进行时间序列二维编码得到二维图像;
步骤S2、利用二维图像进行VAE-GAN深度神经网络的无监督训练;使VAE-GAN深度神经网络能够对单颗卫星的故障进行检测;
步骤S3、采用训练好的VAE-GAN深度神经网络,对组合导航系统定位过程中的单星故障进行检测;
所述VAE-GAN深度神经网络中,VAE解码器和GAN生成器采用同一网络模块;利用二维图像进行VAE-GAN深度神经网络的无监督训练过程,包括:
1)VAE编码器训练;使用平铺处理后的图像数据为输入样本训练VAE编码器,更新VAE编码器参数;使VAE编码器生成的样本在被VAE解码器/GAN生成器解码后尽量复原为输入样本;
2)GAN判别器训练;使用平铺处理后的图像样本数据、VAE解码器对图像样本数据/>复原的数据/>和VAE解码器根据分布/>生成的数据/>训练GAN判别器,更新GAN判别器参数;使GAN判别器能够判别出真实的图像样本数据;
3)VAE解码器/GAN生成器训练;使VAE解码器/GAN生成器解码后尽量复原为VAE编码器的输入样本;
VAE解码器/GAN生成器的损失函数为:
;
其中,为调节权重的参数;重构误差/>;/>为输入GAN判别器的数据/>的判决结果;
根据网络的损失函数反向传播并更新网络参数/>得到VAE解码器/GAN生成器网络的最优参数/>为:
;
在步骤S3中采用训练好的VAE-GAN深度神经网络,对组合导航系统定位过程中的单星故障进行检测过程,包括:
1)在测试时,采用固定时间序列长度,以步长为1进行时间序列更新,使时间序列结束时间总为当前时刻t,得到长度为待检测时间序列/>;
2)将当期时刻t将待检测时间序列进行如步骤S1中的时间序列二维编码得到真实二维图像;
3)将当期时刻t二维图像平铺处理后的向量数据在训练好的VAE-GAN网络中进行编码-解码后得到复原的数据/>;
4)计算向量数据和复原的数据/>的均方误差/>;
5)判断均方误差是否超出预先设定的阈值;是,则判定为有故障;否则判定为无故障。
2.根据权利要求1所述的基于时间序列二维编码的紧组合导航故障检测方法,其特征在于,
在步骤S1中,所述时间序列二维编码采用时间序列的GASF编码。
3.根据权利要求1所述的基于时间序列二维编码的紧组合导航故障检测方法,其特征在于,
时间序列的GASF编码的过程包括:
1)采集的GNSS/INS组合导航系统正常导航下单颗卫星的卡尔曼滤波的新息数据中的伪距时间序列;
2)进行时间序列进行归一化得到时间序列;
3)将归一化的时间序列编码为角余弦;
4)考虑每个像点之间的角求和的余弦来体现不同时间间隔内的时间相关性建立二维图像。
4.根据权利要求1所述的基于时间序列二维编码的紧组合导航故障检测方法,其特征在于,
在GNSS/INS组合导航系统的卡尔曼滤波过程中获得的新息数据为:
;
其中,为观测量,/>;/>分别为INS推算的伪距、伪距率;分别为GNSS单颗卫星推算的伪距、伪距率;/>为系统的观测矩阵;/>为组合导航系统的状态一步预测值;
取一段时间连续长度为的新息序列构成向量/>;再提取向量/>的第一行得到伪距时间序列/>:
。
5.根据权利要求4所述的基于时间序列二维编码的紧组合导航故障检测方法,其特征在于,
考虑每个像点之间的角求和的余弦来体现不同时间间隔内的时间相关性建立二维图像为:
;
其中,;/>;/>。
6.根据权利要求1所述的基于时间序列二维编码的紧组合导航故障检测方法,其特征在于,
将训练样本的二维图像经过平铺处理后为,/>为/>维向量,VAE通过编码器对/>编码后生成一个服从均值为/>,方差为/>的分布的样本/>;
VAE编码器的损失函数为:
;
在散度误差项中,/>为对角矩阵,对角线上的元素为/>中的元素,即;重构误差/>;
根据网络的损失函数反向传播并更新网络参数/>得到的VAE编码器的最优参数为:
。
7.根据权利要求6所述的基于时间序列二维编码的紧组合导航故障检测方法,其特征在于,
GAN判别器的损失函数为:
;
其中,为对输入GAN判别器的图像样本数据/>的判决结果,/>为输入GAN判别器的数据/>的判决结果,/>为输入GAN判别器的数据/>的判决结果;
根据网络的损失函数反向传播并更新网络参数/>得到的GAN判别器最优参数为:
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310904055.4A CN116681991B (zh) | 2023-07-24 | 2023-07-24 | 一种基于时间序列二维编码的紧组合导航故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310904055.4A CN116681991B (zh) | 2023-07-24 | 2023-07-24 | 一种基于时间序列二维编码的紧组合导航故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116681991A CN116681991A (zh) | 2023-09-01 |
CN116681991B true CN116681991B (zh) | 2023-10-31 |
Family
ID=87791199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310904055.4A Active CN116681991B (zh) | 2023-07-24 | 2023-07-24 | 一种基于时间序列二维编码的紧组合导航故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116681991B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695598A (zh) * | 2020-05-11 | 2020-09-22 | 东南大学 | 一种基于生成对抗网络的监测数据异常诊断方法 |
CN113255078A (zh) * | 2021-05-31 | 2021-08-13 | 南京信息工程大学 | 一种样本不均衡条件下的轴承故障检测方法及装置 |
CA3104607A1 (en) * | 2020-12-30 | 2022-06-30 | London Health Sciences Centre Research Inc. | Contrast-agent-free medical diagnostic imaging |
-
2023
- 2023-07-24 CN CN202310904055.4A patent/CN116681991B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695598A (zh) * | 2020-05-11 | 2020-09-22 | 东南大学 | 一种基于生成对抗网络的监测数据异常诊断方法 |
CA3104607A1 (en) * | 2020-12-30 | 2022-06-30 | London Health Sciences Centre Research Inc. | Contrast-agent-free medical diagnostic imaging |
CN113255078A (zh) * | 2021-05-31 | 2021-08-13 | 南京信息工程大学 | 一种样本不均衡条件下的轴承故障检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116681991A (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Drawil et al. | GPS localization accuracy classification: A context-based approach | |
Zhao et al. | High-precision vehicle navigation in urban environments using an MEM's IMU and single-frequency GPS receiver | |
CN110954132B (zh) | Grnn辅助自适应卡尔曼滤波进行导航故障识别的方法 | |
Li et al. | Integrity monitoring-based ratio test for GNSS integer ambiguity validation | |
CN111060133A (zh) | 一种用于城市复杂环境的组合导航完好性监测方法 | |
CN111783557B (zh) | 一种基于深度视觉的可穿戴导盲设备及服务器 | |
Zair et al. | A-contrario modeling for robust localization using raw GNSS data | |
CN104181555A (zh) | 卫星定位的定位质量判断方法和接收机 | |
CN108508459B (zh) | 在线定位的排障方法及装置、定位系统 | |
CN112364939A (zh) | 异常值检测方法、装置、设备及存储介质 | |
Bhamidipati et al. | SLAM-based integrity monitoring using GPS and fish-eye camera | |
CN116245244A (zh) | 一种海流影响下船舶航迹极短期预报方法 | |
JP2019207177A (ja) | 自己位置推定装置 | |
CN116907509A (zh) | 基于图像匹配的auv水下辅助导航方法、系统、设备及介质 | |
CN116681991B (zh) | 一种基于时间序列二维编码的紧组合导航故障检测方法 | |
Bhamidipati et al. | Integrity monitoring of Graph‐SLAM using GPS and fish‐eye camera | |
Bhamidipati et al. | Set-valued shadow matching using zonotopes for 3D-map-aided GNSS localization | |
Ozeki et al. | Gnss nlos signal classification based on machine learning and pseudorange residual check | |
Li et al. | Vision-based shipwreck mapping: on evaluating features quality and open source state estimation packages | |
CN110532895B (zh) | 人脸识别过程中的欺诈行为检测方法、装置及设备 | |
CN114355410B (zh) | 基于并行计算的卫星导航实时精密单点定位系统及方法 | |
CN116719060B (zh) | 基于信息融合的深度学习网络的紧组合导航故障检测方法 | |
CN114972882A (zh) | 基于多注意力机制的磨损表面损伤深度估计方法及系统 | |
Graham | Robust Bayesian state estimation and mapping | |
CN116736339B (zh) | 一种面向禁航区管控的北斗自主监测及预警方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |