CN116719060A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116719060A CN116719060A CN202310973344.XA CN202310973344A CN116719060A CN 116719060 A CN116719060 A CN 116719060A CN 202310973344 A CN202310973344 A CN 202310973344A CN 116719060 A CN116719060 A CN 116719060A
- Authority
- CN
- China
- Prior art keywords
- network
- deep learning
- feature
- fusion
- time sequence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 87
- 230000004927 fusion Effects 0.000 title claims abstract description 56
- 238000013135 deep learning Methods 0.000 title claims abstract description 37
- 238000011282 treatment Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 24
- 239000000284 extract Substances 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 57
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 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
- G01S19/20—Integrity monitoring, fault detection or fault isolation of space segment
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Manufacturing & Machinery (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种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，属于组合导航技术领域，方法包括：采集GNSS/INS紧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；进行归一化后得到归一化时间序列；对归一化时间序列分别进行两种不同的二维编码处理得到两种二维图像；将两种二维图像输入到基于信息融合的深度学习网络进行分类训练；在训练过程中，利用每一种图像训练对应的特征网络分别提取各自的特征数据，再经特征融合和分类判别训练后，实现对卫星正常和故障状态分类；采用训练好的深度学习网络，对组合导航系统定位过程中的单星故障进行检测。
Description
技术领域
本发明涉及组合导航技术领域，尤其涉及一种基于信息融合的深度学习网络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。
针对组合导航故障检测的传统方法主要是模型法，如残差卡方检验，自主完好性监测外推法等。以上依赖模型的故障检验法，由于模型本身的局限性，故障识别的准确性和实时性会受到制约。
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。
发明内容
鉴于上述的分析，本发明旨在公开了一种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；将两种编码方法生成的图像通过神经网络进行信息融合后提取特征，旨在利用深度神经网络优秀的图像特征识别和学习能力，提高系统对故障的检测精度。
本发明公开了一种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，包括：
步骤S1、采集GNSS/INS紧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；进行归一化后得到归一化时间序列；
步骤S2、对归一化时间序列分别进行两种不同的二维编码处理得到两种二维图像；
步骤S3、将两种二维图像输入到基于信息融合的深度学习网络进行分类训练；
在训练过程中，利用每一种图像训练对应的特征网络分别提取各自的特征数据，再经特征融合和分类判别训练后，实现对卫星正常和故障状态分类；
步骤S4、采用训练好的深度学习网络，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，两种不同的二维编码处理分别为GASF编码和MTF编码；
通过GASF编码对归一化时间序列进行二维编码得到的体现时间序列不同时间间隔内的时间相关性的GASF编码图像；
通过MTF编码对归一化时间序列进行二维编码得到的体现时间序列的动态变化特性的MTF编码图像。
进一步地，在GNSS/INS紧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/>：
；
对伪距时间序列进行归一化后得到归一化时间序列/>：
；
其中，；/>；/>。
进一步地，GASF编码得到的GASF编码图像：
；
其中。
进一步地，MTF编码得到的二维图像数据的过程包括：
1）对于归一化时间序列，首先在/>范围内按一定大小将该范围划分为/>个部分得到/>个分位数箱/>；将归一化时间序列/>中的每个元素被划分到相应的分位数箱/>中，/>；
2）构造一个与归一化时间序列等长的新的时间序列/>，其中/>的值为归一化时间序列/>中第/>个元素对应的分位数箱；
3）构造一个的加权邻接矩阵/>；加权邻接矩阵中元素/>的值等于在序列中子序列/>出现的频数，/>；
4）进行归一化操作，令；之后，通过考虑时间位置，将与时间性没有关联的矩阵/>展开到/>矩阵中，得到马尔科夫转换领域的MTF编码图像：
。
进一步地，基于信息融合的深度学习网络包括输入网络，特征提取网络、特征融合网络、判别网络和解码器网络；其中，
所述输入网络，用于对输入的GASF编码图像和MTF编码图像/>分别进行平铺后，得到GASF、MTF输入向量/>、/>；
所述特征提取网络中包括VAE网络的编码器网络和CNN网络；所述VAE网络的编码器网络用于提取GASF输入向量的特征向量/>；所述CNN网络用于提取MTF输入向量的特征向量/>；
所述特征融合网络，用于采用自注意力机制将VAE网络的编码器网络提取的特征向量和CNN网络提取的特征向量/>进行融合得到融合特征向量/>；
所述判别网络；用于对融合特征向量进行分类判别后输出判别结果；
所述解码器网络为VAE网络的解码器网络，用于对VAE网络的编码器网络输出的特征向量进行重建得到重建后的GASF输入向量。
进一步地，VAE网络的编码器网络将GASF输入向量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的解码器的映射后映射到数据空间，得到重建后的GASF输入向量/>；
VAE网络的编码器网络的损失函数为：
；
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。
进一步地，在所述判别网络中进行分类训练时将样本分为两类，包括标签为“0”的正常样本和标签为“1”的存在故障的异常样本的两类样本；
所述判别网络中输入是上一步骤融合后的特征，输出为标签为“1”的概率/>和标签为“0”的概率/>；
所述判别网络的损失函数为：
：
其中，为调节参数，/>；
；/>中的/>均为第/>个训练样本的真实标签。
进一步地，整个深度学习网络的损失函数为：
；
通过反向传播来更新VAE网络、卷积神经网络、特征融合网络和判别网络的参数得到最优参数/>为：
。
进一步地，在步骤S4中采用训练好的深度神经网络，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进行单颗卫星的伪距时间序列更新，使伪距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/>；归一化后得到归一化时间序列/>；
2）将当期时刻t归一化时间序列进行如步骤S2中的两种不同的二维编码处理得到两种二维图像；
3）在训练好的深度学习网络，进行特征提取、融合和分类输出两个标签的结果，最终取概率较大的部分作为网络最终的判定结果；
其中，在特征提取时VAE网络的解码器网络不参与提取过程。
本发明可实现以下有益效果之一：
本发明公开的方法，通过两种编码生成的体现时间序列不同时间间隔内的时间相关性的图像和体现时间序列的动态变化特性的图像；两种图像通过神经网络进行信息融合后提取特征，利用深度神经网络优秀的图像特征识别和学习能力，提高系统对故障的检测精度。
本发明中，每颗卫星都独立地进行故障判定过程，对判定为有故障的卫星可从导航系统中排除。
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信息融合的深度学习网络的紧组合导航故障检测方法流程图；
图2为本发明实施例中的深度学习网络的组成连接示意图。
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信息融合的深度学习网络的紧组合导航故障检测方法，如图1所示，包括：
步骤S1、采集GNSS/INS紧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；进行归一化后得到归一化时间序列；
步骤S2、对归一化时间序列分别进行两种不同的二维编码处理得到两种二维图像；
步骤S3、将两种二维图像输入到基于信息融合的深度学习网络进行分类训练；
在训练过程中，利用每一种图像训练对应的特征网络分别提取各自的特征数据，再经特征融合和分类判别训练后，实现对卫星正常和故障状态分类；
步骤S4、采用训练好的深度学习网络，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，
在GNSS/INS紧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；
状态一步预测值为：
；
其中，为惯性导航系统的三维位置误差、/>为惯性导航系统的三维速度误差、/>为惯性导航系统的三维姿态误差角、/>为陀螺仪三维漂移误差、/>为加速度计三维零偏误差，/>分别为卫星导航系统GNSS的伪距误差、伪距率误差。
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/>：
；
对伪距时间序列进行归一化后得到归一化时间序列/>：
；
其中，；/>；/>。
具体的，步骤S2中的两种不同的二维编码处理分别为(Gramian SummationAngular Field格拉曼角和场)GASF编码和(Markov Transition Field, 马尔科夫场)MTF编码；
通过GASF编码对归一化时间序列进行二维编码得到的体现时间序列不同时间间隔内的时间相关性的GASF编码图像；
通过MTF编码对归一化时间序列进行二维编码得到的体现时间序列的动态变化特性的MTF编码图像。
.通过GASF编码对归一化时间序列进行二维编码得到GASF编码图像的过程包括：
1）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/>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。
2）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；
。
通过MTF编码对归一化时间序列进行二维编码得到MTF编码图像的过程包括：
1）对于归一化时间序列，首先在/>范围内按一定大小将该范围划分为/>个部分得到/>个分位数箱/>；将归一化时间序列/>中的每个元素被划分到相应的分位数箱/>中，/>；
2）构造一个与归一化时间序列等长的新的时间序列/>，其中/>的值为归一化时间序列/>中第/>个元素对应的分位数箱；
3）构造一个的加权邻接矩阵/>；加权邻接矩阵中元素/>的值等于在序列中子序列/>出现的频数，/>；
4）进行归一化操作，令；之后，通过考虑时间位置，将与时间性没有关联的矩阵/>展开到/>矩阵中，得到马尔科夫转换领域的MTF编码图像：
。
例如，，归一化后的/>，在/>范围内，以0、0.3、0.7和1为边界进行分割构造分箱/>；构造的与归一化时间序列/>等长的新的时间序列/>；构造一个/>的加权邻接矩阵/>；进行归一化后的/>；再进行MTF编码得到/>。
具体的，步骤S3中基于信息融合的深度学习网络，如图2所示，包括输入网络，特征提取网络、特征融合网络、判别网络和解码器网络；其中，
所述输入网络，用于对输入的GASF编码图像和MTF编码图像/>分别进行平铺后，得到GASF、MTF输入向量/>、/>；
图像和图像/>维度均为/>矩阵；在特征提取前，把/>矩阵平铺成的向量/>、/>。
所述特征提取网络中包括VAE网络的编码器网络和CNN网络；所述VAE网络的编码器网络用于提取GASF输入向量的特征向量/>；所述CNN网络用于提取MTF输入向量的特征向量/>；
所述特征融合网络，用于采用自注意力机制将VAE网络的编码器网络提取的特征向量和CNN网络提取的特征向量/>进行融合得到融合特征向量/>；
所述判别网络；用于对融合特征向量进行分类判别后输出判别结果；
所述解码器网络为VAE网络的解码器网络，用于对VAE网络的编码器网络输出的特征向量进行重建得到重建后的GASF输入向量。
具体的，VAE网络的编码器网络将GASF输入向量编码后生成一个服从均值为，方差为/>的分布的特征向量/>；
和/>的维度由编码器中定义的一个代表编码后数据维度的参数/>决定，即/>和/>的维度都为/>；再从该分布中随机采样生成的特征向量/>维度为/>；
特征向量在通过VAE的解码器的映射后映射到数据空间，得到重建后的GASF输入向量/>；
网络的目的是使编码输出的分布尽量贴合既定的特征向量的分布(通常设置)，且让重构之后的/>和/>的差异尽可能小。整个VAE的损失函数由编码器生成的分布和正态分布/>间的KL散度和解码器的重构误差组成。
VAE网络的编码器网络训练的损失函数为：
；
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。
所述特征提取网络中的CNN网络提取MTF输入向量的特征向量/>；特征向量为/>向量，/>为设定的卷积神经网络最后一层的神经元个数。
具体的，所述特征融合网络，采用自注意力机制(Self-Attention，SA)来进行特征融合，包括以下步骤：
1）将VAE网络的编码器网络提取的特征向量和CNN网络提取的特征向量/>横向拼接在一起成为/>维向量；
2）由拼接后的向量分别乘以系数矩阵得到查询向量(Query, Q)、关键词向量(Key, K)和值向量(Value, V)；
3）将查询向量Q和关键词向量K的转置进行矩阵乘法，得到的数值在除以一个放缩系数后与值向量V相乘后，得到特征向量/>。所述特征向量/>的维数为。
具体的，所述判别网络采用全连接层网络进行分类操作。
在分类训练时将样本分为两类，包括标签为“0”的正常样本和标签为“1”的存在故障的异常样本的两类样本；所述判别网络中输入是上一步骤融合后的特征，输出为标签为“1”的概率/>和标签为“0”的概率/>；
分类损失函数就是通过计算模型预测出的标签概率与真实数据标签的Focal-loss：
所述判别网络的损失函数为：
：
其中，为调节参数，/>；
；/>中的/>均为第/>个训练样本的真实标签。
整个深度学习网络的损失函数为：
；
通过反向传播来更新VAE网络、卷积神经网络、特征融合网络和判别网络的参数得到最优参数/>为：
。
具体的，在步骤S4中采用训练好的深度神经网络，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进行单颗卫星的伪距时间序列更新，使伪距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；归一化后得到归一化时间序列/>；
2）将当期时刻t归一化时间序列进行如步骤S2中的两种不同的二维编码处理得到两种二维图像/>和/>；
3）在训练好的深度学习网络，进行特征提取、融合和分类输出两个标签的结果，最终取概率较大的部分作为网络最终的判定结果；
在特征提取时VAE网络的解码器网络不参与提取过程，其余过程与训练时相同；
通过融合和分类输出两个标签的结果，最终取概率较大的部分作为网络最终的判定结果；当标签为“1”的概率较大时，判定该颗卫星存在故障，将该颗卫星从导航系统中排除。避免了故障卫星对导航精度的影响。
综上所述，本发明实施例所公开的方法通过两种编码生成的体现时间序列不同时间间隔内的时间相关性的图像和体现时间序列的动态变化特性的图像；两种图像通过神经网络进行信息融合后提取特征，利用深度神经网络优秀的图像特征识别和学习能力，提高系统对故障的检测精度。
本发明实施例中，每颗卫星都独立地进行故障判定过程，对判定为有故障的卫星可从导航系统中排除。
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 (10)
1.一种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，其特征在于，包括：
步骤S1、采集GNSS/INS紧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；进行归一化后得到归一化时间序列；
步骤S2、对归一化时间序列分别进行两种不同的二维编码处理得到两种二维图像；
步骤S3、将两种二维图像输入到基于信息融合的深度学习网络进行分类训练；
在训练过程中，利用每一种图像训练对应的特征网络分别提取各自的特征数据，再经特征融合和分类判别训练后，实现对卫星正常和故障状态分类；
步骤S4、采用训练好的深度学习网络，对组合导航系统定位过程中的单星故障进行检测。
2.根据权利要求1所述的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，其特征在于，
两种不同的二维编码处理分别为GASF编码和MTF编码；
通过GASF编码对归一化时间序列进行二维编码得到的体现时间序列不同时间间隔内的时间相关性的GASF编码图像；
通过MTF编码对归一化时间序列进行二维编码得到的体现时间序列的动态变化特性的MTF编码图像。
3.根据权利要求2所述的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，其特征在于，
在GNSS/INS紧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/>：
；
对伪距时间序列进行归一化后得到归一化时间序列/>：
；
其中，；/>；/>。
4.根据权利要求3所述的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，其特征在于，
GASF编码得到的GASF编码图像：
；
其中。
5.根据权利要求3所述的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，其特征在于，
MTF编码得到的二维图像数据的过程包括：
1）对于归一化时间序列，首先在/>范围内按一定大小将该范围划分为/>个部分得到个分位数箱/>；将归一化时间序列/>中的每个元素被划分到相应的分位数箱中，/>；
2）构造一个与归一化时间序列等长的新的时间序列/>，其中/>的值为归一化时间序列/>中第/>个元素对应的分位数箱；
3）构造一个的加权邻接矩阵/>；加权邻接矩阵中元素/>的值等于在序列/>中子序列/>出现的频数，/>；
4）进行归一化操作，令；之后，通过考虑时间位置，将与时间性没有关联的矩阵/>展开到/>矩阵中，得到马尔科夫转换领域的MTF编码图像：
。
6.根据权利要求2所述的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，其特征在于，
基于信息融合的深度学习网络包括输入网络，特征提取网络、特征融合网络、判别网络和解码器网络；其中，
所述输入网络，用于对输入的GASF编码图像和MTF编码图像/>分别进行平铺后，得到GASF、MTF输入向量/>、/>；
所述特征提取网络中包括VAE网络的编码器网络和CNN网络；所述VAE网络的编码器网络用于提取GASF输入向量的特征向量/>；所述CNN网络用于提取MTF输入向量/>的特征向量/>；
所述特征融合网络，用于采用自注意力机制将VAE网络的编码器网络提取的特征向量和CNN网络提取的特征向量/>进行融合得到融合特征向量/>；
所述判别网络；用于对融合特征向量进行分类判别后输出判别结果；
所述解码器网络为VAE网络的解码器网络，用于对VAE网络的编码器网络输出的特征向量进行重建得到重建后的GASF输入向量。
7.根据权利要求6所述的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，其特征在于，
VAE网络的编码器网络将GASF输入向量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的解码器的映射后映射到数据空间，得到重建后的GASF输入向量；
VAE网络的编码器网络的损失函数为：
；
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。
8.根据权利要求7所述的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，其特征在于，
在所述判别网络中进行分类训练时将样本分为两类，包括标签为“0”的正常样本和标签为“1”的存在故障的异常样本的两类样本；
所述判别网络中输入是上一步骤融合后的特征，输出为标签为“1”的概率/>和标签为“0”的概率/>；
所述判别网络的损失函数为：
：
其中，为调节参数，/>；
；/>中的/>均为第/>个训练样本的真实标签。
9.根据权利要求8所述的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，其特征在于，
整个深度学习网络的损失函数为：
；
通过反向传播来更新VAE网络、卷积神经网络、特征融合网络和判别网络的参数得到最优参数/>为：
。
10.根据权利要求3-9任一项所述的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，其特征在于，
在步骤S4中采用训练好的深度神经网络，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进行单颗卫星的伪距时间序列更新，使伪距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/>；归一化后得到归一化时间序列/>；
2）将当期时刻t归一化时间序列进行如步骤S2中的两种不同的二维编码处理得到两种二维图像；
3）在训练好的深度学习网络，进行特征提取、融合和分类输出两个标签的结果，最终取概率较大的部分作为网络最终的判定结果；
其中，在特征提取时VAE网络的解码器网络不参与提取过程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310973344.XA CN116719060B (zh) | 2023-08-04 | 2023-08-04 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310973344.XA CN116719060B (zh) | 2023-08-04 | 2023-08-04 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116719060A true CN116719060A (zh) | 2023-09-08 |
| CN116719060B CN116719060B (zh) | 2023-10-31 |
Family
ID=87871797
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310973344.XA Active CN116719060B (zh) | 2023-08-04 | 2023-08-04 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116719060B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118259317A (zh) * | 2024-05-29 | 2024-06-28 | 北京航空航天大学 | 基于小波变换的正则化自编码器序列故障检测方法 |
| CN118443053A (zh) * | 2024-04-12 | 2024-08-06 | 北京航空航天大学 | 基于广义最大相关熵卡尔曼滤波的神经网络故障检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113780412A (zh) * | 2021-09-10 | 2021-12-10 | 齐齐哈尔大学 | 故障诊断模型训练方法、系统及其诊断方法、系统 |
| CN115901259A (zh) * | 2022-11-10 | 2023-04-04 | 陕西工业职业技术学院 | 基于二维图像与cnn的滚动轴承弱故障诊断方法 |
-
2023
- 2023-08-04 CN CN202310973344.XA patent/CN116719060B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113780412A (zh) * | 2021-09-10 | 2021-12-10 | 齐齐哈尔大学 | 故障诊断模型训练方法、系统及其诊断方法、系统 |
| CN115901259A (zh) * | 2022-11-10 | 2023-04-04 | 陕西工业职业技术学院 | 基于二维图像与cnn的滚动轴承弱故障诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| BO SUN: "Integrated Navigation Algorithm Based on Multiple Fading Factors Kalman Filter", 《SENSORS》, vol. 2022 * |
| SUN XIANBIN 等: "An Intelligent Diagnostic Method for Multisource Coupling Faults of Complex Mechanical Systems", 《SHOCK AND VIBRATION》, vol. 2023 * |
| 宋乾坤 等: "基于GAF-MTF-CNN的滚动轴承故障诊断", 《安徽工业大学学报（自然科学版）》, vol. 39, no. 4, pages 1 - 2 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118443053A (zh) * | 2024-04-12 | 2024-08-06 | 北京航空航天大学 | 基于广义最大相关熵卡尔曼滤波的神经网络故障检测方法 |
| CN118259317A (zh) * | 2024-05-29 | 2024-06-28 | 北京航空航天大学 | 基于小波变换的正则化自编码器序列故障检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116719060B (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN111914873B (zh) | 一种两阶段云服务器无监督异常预测方法 | |
| CN112200244B (zh) | 一种基于递阶对抗训练的航天发动机异常智能检测方法 | |
| CN109583092B (zh) | 一种多层次多模式特征提取的智能机械系统故障诊断方法 | |
| CN111721535A (zh) | 一种基于卷积多头自注意力机制的轴承故障检测方法 | |
| CN115952407B (zh) | 一种考虑卫星时序性和空域交互性的多径信号识别方法 | |
| CN116576890B (zh) | 基于集成神经网络的gnss/ins组合导航系统故障检测方法 | |
| CN111428788B (zh) | 基于深度学习的汽轮机发电机组转子多故障诊断方法及系统 | |
| CN116108346A (zh) | 一种基于生成特征重放的轴承增量故障诊断终身学习方法 | |
| CN117154680A (zh) | 一种基于非平稳Transformer模型的风电功率预测方法 | |
| Darapaneni et al. | Semantic Segmentation of Solar PV Panels and Wind Turbines in Satellite Images Using U-Net | |
| Wang et al. | Motionhint: Self-supervised monocular visual odometry with motion constraints | |
| 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 | |
| CN117710802A (zh) | 一种基于图像纹理特征的重力场方向适配性分析方法 | |
| CN106897683B (zh) | 一种遥感图像的地物检测方法及系统 | |
| CN117056845A (zh) | 一种自动驾驶汽车异常检测方法及相关系统 | |
| CN114818116B (zh) | 基于联合学习的飞机发动机失效模式识别和寿命预测方法 | |
| CN114383845B (zh) | 一种基于嵌入式零样本学习模型的轴承复合故障诊断方法 | |
| CN116580014A (zh) | 一种工业缺陷检测方法及系统 | |
| Lee et al. | Damage detection and safety diagnosis for immovable cultural assets using deep learning framework | |
| Lee et al. | Ev-ReconNet: visual place recognition using event camera with spiking neural networks | |
| CN115017984A (zh) | 一种航空发动机故障风险预警方法及系统 | |
| Deng et al. | ChangeChat: An Interactive Model for Remote Sensing Change Analysis via Multimodal Instruction Tuning | |
| CN114136565B (zh) | 一种多振源系统的故障诊断系统及方法 | |
| Guan et al. | A novel approach of fault diagnosis based on multi-source signals and attention mechanism |
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 |