CN118277813A - 一种基于融合聚类算法的无人机飞行轨迹异常溯源方法 - Google Patents
一种基于融合聚类算法的无人机飞行轨迹异常溯源方法 Download PDFInfo
- Publication number
- CN118277813A CN118277813A CN202410707824.6A CN202410707824A CN118277813A CN 118277813 A CN118277813 A CN 118277813A CN 202410707824 A CN202410707824 A CN 202410707824A CN 118277813 A CN118277813 A CN 118277813A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000004927 fusion Effects 0.000 title claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims description 101
- 239000011159 matrix material Substances 0.000 claims description 28
- 230000005856 abnormality Effects 0.000 claims description 23
- 238000007689 inspection Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 230000001133 acceleration Effects 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000002955 isolation Methods 0.000 claims description 5
- 238000013138 pruning Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 abstract description 4
- 206010000117 Abnormal behaviour Diseases 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 6
- 238000004140 cleaning Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000011524 similarity measure Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于融合聚类算法的无人机飞行轨迹异常溯源方法,应用层次聚类算法对复杂敏感的时空数据特征进行分类和整理,以识别潜在的异常点,随后,利用Lasso回归算法得出的各项数据特征的权重,求出潜在异常点与各项数据特征权重之积的总和,系统探测出无人机飞行轨迹中的异常点,确保飞行安全和稳定性,异常点被确认,系统即刻调用改进的KD树算法,迅速通知最近的值班人员前往现场,以便全面巡查并彻底核实干扰无人机正常飞行的因素,快速准确地处理无人机飞行的异常情况,确保无人机的飞行安全性和数据完整性,为无人机飞行系统提供了可靠的保障和支持。
Description
技术领域
本发明涉及无人机异常检测技术领域,尤其涉及一种基于融合聚类算法的无人机飞行轨迹异常溯源方法。
背景技术
随着新型电力系统的迅速演进和不断发展,基于无人机的数据业务应用在电力系统中迎来了蓬勃的发展势头。这种趋势带来了诸多机遇,然而也引发了严峻的挑战。特别是,由于无人终端与电力系统之间的数据传输牵涉到高度敏感的关键数据信息,这一领域的安全问题变得尤为突出和重要。同时,无人机在使用过程中存在行为不可控的潜在安全风险,这增加了对数据传输和处理安全性的挑战。为了确保在数据业务驱动下无人机全程可控、可审、可溯源,迫切需要深入研究面向无人机的安全监控与溯源技术。这项研究不仅仅关乎技术层面的发展,更牵涉到整个电力系统和无人机产业的健康发展。有效的安全监控与溯源技术将为电力系统中无人机数据应用的可持续发展提供可靠保障,促进业务的安全、稳健和高效运行。因此,对这方面的研究和技术创新对保障无人机数据业务应用的安全性和可控性具有至关重要的意义。
有资料显示,碎片变化趋势是工业系统中常见的异常现象。趋势大致分为四种形式:慢到快、快到慢、恒定到变化和变化到恒定。无人机轨迹变化是典型的碎片变化趋势异常,这种碎片异常从恒定到变化的趋势通常表现为参数的缓慢上升、缓慢下降或缓慢波动。受限于无人机的控制机制和实际应用场景,当无人机受到干扰时,其飞行会慢慢偏离既定轨迹。在段中发生异常变化的情况下,数据在开始时变化非常缓慢,其结果是单点预测模型的预测点与真实点之间的残差远小于阈值,从而降低了异常检测效果。
中国专利文献CN112100137A公开了一种“基于多日志协同分析的无人机异常检测方法”。采用了包括以下步骤:在无人机飞行日志中进行模板抽取,提取不同事件的特征,将无人机飞行日志的文本信息用特征向量的形式进行表示;利用PCA算法对得到的特征向量进行降维操作;使用k-medoids算法根据最短的欧几里得度量将事件分类到一个已知簇中;识别事件,对事件进行异常检测,判断是否为异常事件,如果不是异常事件则被放回训练数据集,用于学习阶段的训练,而如果是异常事件则继续判断攻击模型是否已知,如果不是将该异常事件定义为一种新的攻击模型,如果是则将该异常事件归为已知攻击模型。上述技术方案无法快速准确地处理无人机飞行的异常情况,确保无人机巡检的稳定安全。
发明内容
本发明主要解决原有的技术方案无法快速准确地处理无人机飞行的异常情况,确保无人机巡检的稳定安全的技术问题,提供一种基于融合聚类算法的无人机飞行轨迹异常溯源方法,应用层次聚类算法对复杂敏感的时空数据特征进行分类和整理,以识别潜在的异常点,随后,利用Lasso回归算法得出的各项数据特征的权重,求出潜在异常点与各项数据特征权重之积的总和,系统探测出无人机飞行轨迹中的异常点,确保飞行安全和稳定性,异常点被确认,系统即刻调用改进的KD树算法,迅速通知最近的值班人员前往现场,以便全面巡查并彻底核实干扰无人机正常飞行的因素,快速准确地处理无人机飞行的异常情况,确保无人机的飞行安全性和数据完整性,为无人机飞行系统提供了可靠的保障和支持。
本发明的上述技术问题主要是通过下述技术方案得以解决的:本发明包括以下步骤:
S1提取无人机的数据并进行解密和预处理;
S2采用层次聚类算法找出无人机飞行轨迹潜在的异常点;
S3确定各个数据特征对无人机正常飞行轨迹的影响,利用Lasso回归算法得出各项数据特征的权重,求出潜在异常点与各项数据特征权重之积的总和,溯源得到确切的轨迹异常点;
S4安排人员核实并排查异常点。
应用层次聚类算法对复杂敏感的时空数据特征进行分类和整理,以识别潜在的异常点。随后,利用Lasso回归算法得出的各项数据特征的权重,求出潜在异常点与各项数据特征权重之积的总和,系统能够准确有效地探测出无人机飞行轨迹中的异常点,确保飞行安全和稳定性,维护电网安全。一旦异常点被确认,系统即刻调用改进的KD树算法,迅速通知最近的值班人员前往现场,以便全面巡查并彻底核实干扰无人机正常飞行的因素。
作为优选,所述的步骤S1提取无人机的数据包括,提取无人机飞行轨迹的数据特征,涉及无人机的轨迹数据主要是复杂敏感时空数据,包括基于时间序列的三维位置信息、横滚角、俯仰角、偏航角、速度、加速度。利用数据处理器对来自无人机的数据进行解密、预处理。
作为优选,所述的步骤S1预处理包括,刨除无关数据,然后假设第k架无人机在第i次飞行的t时刻和的三维空间坐标分别为:
计算它们之间的欧氏距离,
对于时序数据,利用差分来估计瞬时速度和瞬时加速度,即瞬时速度为
加速度为
第k架无人机在第i次飞行的t时刻的横滚角、俯仰角、偏航角来自于解密的数据。样本作为算法的输入,必定会影响算法输出的分析结果,因此做好数据清洗和预处理工作对提高算法的准确性至关重要。
作为优选,将上述多个数据特征进行标准化,归一化的公式为:
因此第k架无人机在第i次飞行的t时刻的数据特征记为:
。
为了将不同数据特征之间的值范围缩放到相似的尺度,避免不同特征的值差异过大而导致模型训练不稳定或收敛速度慢的问题,应对不同量纲的数据进行归一化处理。
作为优选,所述的步骤S2具体包括:
S2.1针对每个无人机的多组数据集的单一数据特征,计算相似度度量矩阵,表示为:
表示第k架无人机的数据特征m的相似度度量矩阵,它是一个对称矩阵,即,其中的矩阵元素定义为:
表示和的欧式距离;
S2.2初始化,将每个作为单独的簇进行处理;
S2.3采用单链接聚类,以最小距离作为簇的距离度量,逐步合并距离最近的轨迹点,形成层次聚类树;
S2.4正常轨迹最终合并为一个簇类,剩余少数孤立存在的簇类为潜在的异常轨迹,设定分割阈值,将簇类分为正常簇和潜在异常的簇。
通过无人机轨迹异常发现器找出无人机飞行轨迹潜在的异常点,采用层次聚类算法,计算数据点之间的相似度度量矩阵,根据相似度度量矩阵,找到最相似的两个聚类。将这两个最相似的聚类合并成一个新的聚类。更新相似度度量矩阵,反映新合并聚类与其他聚类的相似度。反复合并最相似的聚类,直到所有数据点达到预先设定的阈值。确定最终的聚类结果,将簇类分为正常簇和潜在异常簇。
作为优选,所述的步骤S3具体包括:
S3.1对于第k架无人机,如果其数据特征m在第i次飞行被无人机轨迹异常发现器判定为潜在异常,那么将其标记为,否则,标记为;
S3.2将数据特征m的权重标记为,利用Lasso回归算法得出各项数据特征的权重;
S3.3对同个t时刻,第k架无人机同一轨迹的不同数据特征m得到的,首先进行或操作,如果或操作结果不为0,说明在t时刻第k架无人机的飞行轨迹的某个数据特征可能存在异常;
S3.4对这个t时刻可能的异常点进行综合判定
式中,表示判定阈值。
通过异常行为判定器采用Lasso回归算法,通过无人机正常飞行轨迹的数据集,确定各个数据特征对无人机正常飞行轨迹的影响。根据无人机轨迹异常发现器计算得到的数据特征的异常情况,利用Lasso回归算法得出各项数据特征的权重,求出潜在异常点与各项数据特征权重之积的总和,从而进行综合判定,溯源得到确切的轨迹异常点。
作为优选,所述的步骤S3.2具体包括:预先利用Lasso回归模型将无人机正常的巡检轨迹数据分为训练集和测试集,然后用训练集训练Lasso回归模型;利用Lasso回归模型确定各个数据特征对无人机正常飞行轨迹的影响,Lasso回归模型的系数反映了每个数据特征对无人机正常飞行轨迹的影响程度,通过观察模型得到的系数,确定对无人机飞行影响最大的数据特征和影响小甚至可以忽略的数据特征。
作为优选,所述的步骤S4具体包括:
S4.1获取第k架无人机的t时刻的经纬度;
S4.2对于当天值班人员的位置数据集,按照KD树的构建方式进行处理,递归地构建KD树;
S4.3从KD树的根节点开始,递归地遍历KD树;
S4.4回溯到根节点时,找到最近邻点;
S4.5通过实时通讯方式通知最近邻点的值班人员核实并排查异常点。
将异常行为判定器给出的异常点下发给系统,系统通过改进KD树算法,通知距离异常点位置最近的值班人员到现场核实异常原因,排查是否有蓄意干扰无人机正常巡检的违法行为。
作为优选,所述的步骤S4.3具体包括,采用曼哈顿距离比较目标点,计算当前节点的值班人员位置与无人机坐标的距离,记录当前最近的点和距离;根据无人机坐标的位置,确定下一个子树进行遍历;继续向下递归遍历子树,直到叶子节点,采用剪枝策略,当已经找到一个距离目标点足够近的节点时,停止对其子节点的搜索,提高搜索效率。
作为优选,所述的步骤S4.3还包括回溯,回溯过程中,检查父节点和其他子树节点是否有更近的值班人员位置,更新最近邻点和距离。
本发明的有益效果是:主要用于解决无人机巡检电网线路过程中的飞行轨迹异常点的溯源问题。通过使用本发明中提出的方法,可以根据解密的无人机巡检数据集,获得无人机的敏感时空信息,通过融合多权重的层次聚类算法找到无人机轨迹的异常点,并通过改进KD树算法,由系统通知离异常点最近的值班人员前往现场处理。
附图说明
图1是本发明的一种识别异常点流程图。
图2是本发明的一种筛选处理节点流程图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:本实施例的一种基于融合聚类算法的无人机飞行轨迹异常溯源方法,如图1所示,
包括以下步骤:
S1提取无人机的数据并进行解密和预处理。数据包括,提取无人机飞行轨迹的数据特征,涉及无人机的轨迹数据主要是复杂敏感时空数据,包括基于时间序列的三维位置信息、横滚角、俯仰角、偏航角、速度、加速度。利用数据处理器对来自无人机的数据进行解密、预处理。
预处理包括,刨除无关数据,然后假设第k架无人机在第i次飞行的t时刻和的三维空间坐标分别为:
计算它们之间的欧氏距离,
对于时序数据,利用差分来估计瞬时速度和瞬时加速度,即瞬时速度为
加速度为
第k架无人机在第i次飞行的t时刻的横滚角、俯仰角、偏航角来自于解密的数据。样本作为算法的输入,必定会影响算法输出的分析结果,因此做好数据清洗和预处理工作对提高算法的准确性至关重要。
作为优选,将上述多个数据特征进行标准化,归一化的公式为:
因此第k架无人机在第i次飞行的t时刻的数据特征记为:
。
为了将不同数据特征之间的值范围缩放到相似的尺度,避免不同特征的值差异过大而导致模型训练不稳定或收敛速度慢的问题,应对不同量纲的数据进行归一化处理。
步骤S2具体包括:
S2.1针对每个无人机的多组数据集的单一数据特征,计算相似度度量矩阵,表示为:
表示第k架无人机的数据特征m的相似度度量矩阵,它是一个对称矩阵,即,其中的矩阵元素定义为:
表示和的欧式距离;
S2.2初始化,将每个作为单独的簇进行处理;
S2.3采用单链接聚类,以最小距离作为簇的距离度量,逐步合并距离最近的轨迹点,形成层次聚类树;
S2.4正常轨迹最终合并为一个簇类,剩余少数孤立存在的簇类为潜在的异常轨迹,设定分割阈值,将簇类分为正常簇和潜在异常的簇。
通过无人机轨迹异常发现器找出无人机飞行轨迹潜在的异常点,采用层次聚类算法,计算数据点之间的相似度度量矩阵,根据相似度度量矩阵,找到最相似的两个聚类。将这两个最相似的聚类合并成一个新的聚类。更新相似度度量矩阵,反映新合并聚类与其他聚类的相似度。反复合并最相似的聚类,直到所有数据点达到预先设定的阈值。确定最终的聚类结果,将簇类分为正常簇和潜在异常簇。
通过无人机轨迹异常发现器找出无人机飞行轨迹潜在的异常点,采用层次聚类算法,计算数据点之间的相似度度量矩阵,根据相似度度量矩阵,找到最相似的两个聚类。将这两个最相似的聚类合并成一个新的聚类。更新相似度度量矩阵,反映新合并聚类与其他聚类的相似度。反复合并最相似的聚类,直到所有数据点达到预先设定的阈值。确定最终的聚类结果,将簇类分为正常簇和潜在异常簇。
S3确定各个数据特征对无人机正常飞行轨迹的影响,利用Lasso回归算法得出各项数据特征的权重,求出潜在异常点与各项数据特征权重之积的总和,溯源得到确切的轨迹异常点,具体包括:
S3.1对于第k架无人机,如果其数据特征m在第i次飞行被无人机轨迹异常发现器判定为潜在异常,那么将其标记为,否则,标记为;
S3.2将数据特征m的权重标记为,利用Lasso回归算法得出各项数据特征的权重;具体包括:预先利用Lasso回归模型将无人机正常的巡检轨迹数据分为训练集和测试集,然后用训练集训练Lasso回归模型;利用Lasso回归模型确定各个数据特征对无人机正常飞行轨迹的影响,Lasso回归模型的系数反映了每个数据特征对无人机正常飞行轨迹的影响程度,通过观察模型得到的系数,确定对无人机飞行影响最大的数据特征和影响小甚至可以忽略的数据特征。
S3.3对同个t时刻,第k架无人机同一轨迹的不同数据特征m得到的,首先进行或操作,如果或操作结果不为0,说明在t时刻第k架无人机的飞行轨迹的某个数据特征可能存在异常;
S3.4对这个t时刻可能的异常点进行综合判定
式中,表示判定阈值。
通过异常行为判定器采用Lasso回归算法,通过无人机正常飞行轨迹的数据集,确定各个数据特征对无人机正常飞行轨迹的影响。根据无人机轨迹异常发现器计算得到的数据特征的异常情况,利用Lasso回归算法得出各项数据特征的权重,求出潜在异常点与各项数据特征权重之积的总和,从而进行综合判定,溯源得到确切的轨迹异常点。
S4安排人员核实并排查异常点,具体包括:
S4.1获取第k架无人机的t时刻的经纬度;
S4.2对于当天值班人员的位置数据集,按照KD树的构建方式进行处理,递归地构建KD树;
S4.3从KD树的根节点开始,递归地遍历KD树。具体包括,采用曼哈顿距离比较目标点,计算当前节点的值班人员位置与无人机坐标的距离,记录当前最近的点和距离;根据无人机坐标的位置,确定下一个子树进行遍历;继续向下递归遍历子树,直到叶子节点,采用剪枝策略,当已经找到一个距离目标点足够近的节点时,停止对其子节点的搜索,提高搜索效率。还包括回溯,回溯过程中,检查父节点和其他子树节点是否有更近的值班人员位置,更新最近邻点和距离。
S4.4回溯到根节点时,找到最近邻点;
S4.5通过实时通讯方式通知最近邻点的值班人员核实并排查异常点。
将异常行为判定器给出的异常点下发给系统,系统通过改进KD树算法,通知距离异常点位置最近的值班人员到现场核实异常原因,排查是否有蓄意干扰无人机正常巡检的违法行为。
应用层次聚类算法对复杂敏感的时空数据特征进行分类和整理,以识别潜在的异常点。随后,利用Lasso回归算法得出的各项数据特征的权重,求出潜在异常点与各项数据特征权重之积的总和,系统能够准确有效地探测出无人机飞行轨迹中的异常点,确保飞行安全和稳定性,维护电网安全。一旦异常点被确认,系统即刻调用改进的KD树算法,迅速通知最近的值班人员前往现场,以便全面巡查并彻底核实干扰无人机正常飞行的因素。
首先构建数据轨迹异常有效识别组成结构,如图2所示:
数据处理器:数据处理器主要对来自无人机的数据进行解密、预处理。涉及无人机的轨迹数据主要是复杂敏感时空数据,即基于时间序列的三维位置信息、横滚角、俯仰角、偏航角、速度、加速度等。为了将不同数据特征之间的值范围缩放到相似的尺度,避免不同特征的值差异过大而导致模型训练不稳定或收敛速度慢的问题,应对不同量纲的数据进行归一化处理。
无人机轨迹异常发现器:无人机轨迹异常发现器主要是找出无人机飞行轨迹潜在的异常点。本专利采用的是层次聚类算法,计算数据点之间的相似度度量矩阵,根据相似度度量矩阵,找到最相似的两个聚类。将这两个最相似的聚类合并成一个新的聚类。更新相似度度量矩阵,反映新合并聚类与其他聚类的相似度。反复合并最相似的聚类,直到所有数据点达到预先设定的阈值。确定最终的聚类结果,将簇类分为正常簇和潜在异常簇。
异常行为判定器:本专利采用Lasso回归算法,通过无人机正常飞行轨迹的数据集,确定各个数据特征对无人机正常飞行轨迹的影响。根据无人机轨迹异常发现器计算得到的数据特征的异常情况,利用Lasso回归算法得出各项数据特征的权重,求出潜在异常点与各项数据特征权重之积的总和,从而进行综合判定,溯源得到确切的轨迹异常点。
自适应报警机制:将异常行为判定器给出的异常点下发给系统,系统通过改进KD树算法,通知距离异常点位置最近的值班人员到现场核实异常原因,排查是否有蓄意干扰无人机正常巡检的违法行为。
数据轨迹异常有效识别组成结构的工作方法如下
1.数据处理器
样本作为算法的输入,必定会影响算法输出的分析结果,因此做好数据清洗和预处理工作对提高算法的准确性至关重要。数据清洗的规则主要有:
(1)刨除无关数据,保留感兴趣的数据。
(2)假设第k架无人机在第i次飞行的t时刻和的三维空间坐标分别为:
计算它们之间的欧氏距离,
对于时序数据,利用差分来估计瞬时速度和瞬时加速度,即瞬时速度为
加速度为
第k架无人机在第i次飞行的t时刻的横滚角、俯仰角、偏航角来自于解密的数据。样本作为算法的输入,必定会影响算法输出的分析结果,因此做好数据清洗和预处理工作对提高算法的准确性至关重要。
作为优选,将上述多个数据特征进行标准化,归一化的公式为:
因此第k架无人机在第i次飞行的t时刻的数据特征记为:
。
为了将不同数据特征之间的值范围缩放到相似的尺度,避免不同特征的值差异过大而导致模型训练不稳定或收敛速度慢的问题,应对不同量纲的数据进行归一化处理。
2.无人机轨迹异常发现器
通常,每个无人机对电网线路的巡检路线是固定的,其每次巡检的空间坐标信息应表现出相似的轨迹曲线。相反,对于异常轨迹曲线则不满足规律。
基于融合多权重层次聚类算法的轨迹异常数据检测步骤如下:
(1)针对每个无人机的多组数据集的单一数据特征,计算相似度度量矩阵,表示为:
表示第k架无人机的数据特征m的相似度度量矩阵,它是一个对称矩阵,即,其中的矩阵元素定义为:
表示和的欧式距离;
S2.2初始化,将每个作为单独的簇进行处理;
(3)采用单链接聚类,以最小距离作为簇的距离度量,逐步合并距离最近的轨迹点,形成层次聚类树;
(4)正常轨迹最终合并为一个簇类,剩余少数孤立存在的簇类为潜在的异常轨迹,设定分割阈值,将簇类分为正常簇和潜在异常的簇。
3.异常行为判定器
根据无人机轨迹异常发现器计算得到的数据特征的异常情况,利用Lasso回归算法得出各项数据特征的权重,最后进行综合判定。具体步骤如下:
(1)对于第k架无人机,如果其数据特征m在第i次飞行被无人机轨迹异常发现器判定为潜在异常,那么将其标记为,否则,标记为;
(2)将数据特征m的权重标记为,利用Lasso回归算法得出各项数据特征的权重;具体包括:预先利用Lasso回归模型将无人机正常的巡检轨迹数据分为训练集和测试集,然后用训练集训练Lasso回归模型;利用Lasso回归模型确定各个数据特征对无人机正常飞行轨迹的影响,Lasso回归模型的系数反映了每个数据特征对无人机正常飞行轨迹的影响程度,通过观察模型得到的系数,确定对无人机飞行影响最大的数据特征和影响小甚至可以忽略的数据特征。
(3)对同个t时刻,第k架无人机同一轨迹的不同数据特征m得到的,首先进行或操作,如果或操作结果不为0,说明在t时刻第k架无人机的飞行轨迹的某个数据特征可能存在异常;
(4)对这个t时刻可能的异常点进行综合判定
式中,表示判定阈值。
通过异常行为判定器采用Lasso回归算法,通过无人机正常飞行轨迹的数据集,确定各个数据特征对无人机正常飞行轨迹的影响。根据无人机轨迹异常发现器计算得到的数据特征的异常情况,利用Lasso回归算法得出各项数据特征的权重,求出潜在异常点与各项数据特征权重之积的总和,从而进行综合判定,溯源得到确切的轨迹异常点。
S4安排人员核实并排查异常点,具体包括:
S4.1获取第k架无人机的t时刻的经纬度。
(2)构建KD树。对于当天值班人员的位置数据集,按照KD树的构建方式进行处理,递归地构建KD树。
(3)遍历KD树。从KD树的根节点开始,递归地进行遍历:
a)比较目标点:采用曼哈顿距离,计算当前节点的值班人员位置与无人机坐标的距离,记录当前最近的点和距离。
b)选择子树:根据无人机坐标的位置,确定下一个子树(左子树或右子树)进行遍历。
c)递归遍历子树:继续向下递归遍历子树,直到叶子节点。采用剪枝策略,当已经找到一个距离目标点足够近的节点时,可以停止对其子节点的搜索,提高搜索效率。
d)回溯更新最近邻点:在回溯的过程中,检查父节点和其他子树节点是否有更近的值班人员位置,更新最近邻点和距离。
(4)找到最近邻点。当回溯到根节点时,最近的值班人员位置即被确定。
(5)系统通过手机应用程序、短信、呼叫或其他实时通讯方式通知该值班人员。
如图1、图2所示,主要工作流程为:
步骤 1:首先采用解密算法解密来自无人机外挂终端的数据集,该数据集包含无人机的多个数据特征,提取轨迹异常分析所需要的数据,即基于时间序列的三维位置信息、横滚角、俯仰角、偏航角,刨除无关数据。进入步骤2。
步骤 2:利用差分,得到无人机的瞬时速度、瞬时加速度。进入步骤3。
步骤 3:由于量纲的不同,需要对步骤1和步骤2得到的8个数据特征进行标准化,归一化的公式为:
。进入步骤4。
步骤4:针对每个无人机的多组数据集的单一数据特征,计算相似度度量矩阵。计算公式为
。进入步骤5。
步骤5:初始化。将每个作为单独的簇进行处理。进入步骤6。
步骤6:采用单链接聚类,以最小距离作为簇的距离度量,逐步合并距离最近的轨迹点,形成层次聚类树。进入步骤7。
步骤7:正常轨迹最终会合并为一个簇类,剩余少数的簇类孤立存在,这些簇类可能是异常轨迹。基于人工经验设定分割阈值,将簇类分为正常簇和潜在异常的簇。进入步骤8。
步骤8:对于第k架无人机,如果其数据特征m在第i次飞行被无人机轨迹异常发现器判定为潜在的异常点,那么将其标记为,否则,标记为。进入步骤9。
步骤9:数据特征m的权重标记为,预先利用Lasso回归将无人机正常的巡检轨迹数据分为训练集和测试集,然后用训练集来训练Lasso回归模型。在这个过程中,模型会确定各个数据特征m对无人机正常飞行轨迹的影响。
步骤10:对同个t时刻,第k架无人机同一轨迹的不同数据特征m得到的,首先进行或操作,如果或操作结果为0,说明在t时刻第k架无人机的飞行轨迹的所有数据特征均未存在异常。如果或操作结果不为0,说明在t时刻第k架无人机的飞行轨迹的某些数据特征可能存在异常,进入步骤11。
步骤11:对t时刻可能的异常点进行综合判定。
式中表示判定阈值。如果,则k=k+1,回到步骤1;否则,进入步骤12。
步骤12:当异常行为判定器判定出第k架无人机的某个t时刻存在异常后,自适应报警机制立即报警。系统获取该无人机飞行轨迹异常点,通过改进KD树算法通知距离该异常点最近的值班人员到现场核实异常原因,排查是否有蓄意干扰无人机正常巡检的违法行为。
实施例
假设某市电网公司采用了无人机对电网线路进行常态化巡检,无人机分散在各巡检目标附近的无人机仓库中,每架无人机均搭载了外挂终端模块。首先对来自无人机的数据进行解密,然后对这些数据进行预处理。使用层次聚类算法找出无人机飞行轨迹潜在的异常点。然后,结合无人机正常巡检时,由Lasso回归算法得到各项数据特征的权重,对潜在异常点进行综合判定,溯源得出确切的异常点。最后,通过改进KD树算法,由系统下发通知给距离异常点最近的值班人员。
其具体的实施方案为:
(1)首先解密来自无人机的轨迹数据,提取数据特征,并进行预处理,采用标准化公式将这些数据进行归一化。
(2)采用层次聚类算法对无人机飞行轨迹数据进行聚类,找出潜在的异常点。
(3)在异常行为判定器中,利用Lasso回归算法得出各项数据特征的权重,求出潜在异常点与各项数据特征权重之积的总和,与阈值进行比较,从而判定第k架无人机的某个t时刻是否异常。
(4)系统获取无人机飞行轨迹的异常点位置,通过改进KD树算法,通知距离异常点最近的值班人员到现场核实异常原因,排查是否有蓄意干扰无人机正常巡检的违法行为。
改进优化:
无人机轨迹异常发现器是通过层次聚类法找到无人机飞行轨迹可能异常的点。相比于传统的K-Means聚类算法,层次聚类法对初始聚类中心的选择不敏感。层次聚类法不需要假设数据是凸形状的,因此在处理非凸形状的簇时效果更优。层次聚类需要基于人工经验设定分割阈值,将簇类分为正常簇和可能异常的簇。
异常行为判定器首先会对作或操作,这一步可以节约系统消耗,如果或操作结果不为0,再继续对t时刻可能的异常点进行综合判定。采用Lasso回归算法,通过无人机正常飞行轨迹的数据集,确定各个数据特征对无人机正常飞行轨迹的影响。根据无人机轨迹异常发现器计算得到的数据特征的异常情况,利用Lasso回归算法得出各项数据特征的权重,求出潜在异常点与各项数据特征权重之积的总和,与阈值进行比较,从而判定第k架无人机的某个t时刻是否异常。
自适应报警机制是通过改进KD算法,引入剪枝策略来减少不必要的搜索。当已经找到一个距离目标点足够近的节点时,可以停止对其子节点的搜索,从而提高搜索效率,节约系统计算开销。
以上参照附图说明了本申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
Claims (8)
1.一种基于融合聚类算法的无人机飞行轨迹异常溯源方法,其特征在于,包括以下步骤:
S1提取无人机的数据并进行解密和预处理;
S2采用层次聚类算法找出无人机飞行轨迹潜在的异常点,具体包括:
S2.1针对每个无人机的多组数据集的单一数据特征,计算相似度度量矩阵;
S2.2初始化,将每个欧氏距离作为单独的簇进行处理;
S2.3采用单链接聚类,以最小距离作为簇的距离度量,逐步合并距离最近的轨迹点,形成层次聚类树;
S2.4正常轨迹最终合并为一个簇类,剩余少数孤立存在的簇类为潜在的异常轨迹,设定分割阈值,将簇类分为正常簇和潜在异常的簇;
S3确定各个数据特征对无人机正常飞行轨迹的影响,利用Lasso回归算法得出各项数据特征的权重,求出潜在异常点与各项数据特征权重之积的总和,溯源得到确切的轨迹异常点,具体包括:
S3.1对于第k架无人机,如果其数据特征m在第i次飞行被无人机轨迹异常发现器判定为潜在异常,那么将其标记为,否则,标记为;
S3.2将数据特征m的权重标记为,利用Lasso回归算法得出各项数据特征的权重;
S3.3对同个t时刻,第k架无人机同一轨迹的不同数据特征m得到的,首先进行或操作,如果或操作结果不为0,说明在t时刻第k架无人机的飞行轨迹的某个数据特征可能存在异常;
S3.4对这个t时刻可能的异常点进行综合判定
式中,表示判定阈值;
S4安排人员核实并排查异常点。
2.根据权利要求1所述的一种基于融合聚类算法的无人机飞行轨迹异常溯源方法,其特征在于,所述步骤S1提取无人机的数据包括,提取无人机飞行轨迹的数据特征,涉及无人机的轨迹数据主要是复杂敏感时空数据,包括基于时间序列的三维位置信息和速度信息。
3.根据权利要求1或2所述的一种基于融合聚类算法的无人机飞行轨迹异常溯源方法,其特征在于,所述步骤S1预处理包括,刨除无关数据,然后假设第k架无人机在第i次飞行的t时刻和的三维空间坐标分别为:
计算它们之间的欧氏距离,对于时序数据,利用差分来估计瞬时速度和瞬时加速度。
4.根据权利要求3所述的一种基于融合聚类算法的无人机飞行轨迹异常溯源方法,其特征在于,将上述多个数据特征进行标准化,第k架无人机在第i次飞行的t时刻的数据特征记为:
。
5.根据权利要求1所述的一种基于融合聚类算法的无人机飞行轨迹异常溯源方法,其特征在于,所述步骤S3.2具体包括:预先利用Lasso回归模型将无人机正常的巡检轨迹数据分为训练集和测试集,然后用训练集训练Lasso回归模型;利用Lasso回归模型确定各个数据特征对无人机正常飞行轨迹的影响,Lasso回归模型的系数反映了每个数据特征对无人机正常飞行轨迹的影响程度,通过观察模型得到的系数,确定对无人机飞行影响最大的数据特征和影响小甚至可以忽略的数据特征。
6.根据权利要求1所述的一种基于融合聚类算法的无人机飞行轨迹异常溯源方法,其特征在于,所述步骤S4具体包括:
S4.1获取第k架无人机的t时刻的经纬度;
S4.2对于当天值班人员的位置数据集,按照KD树的构建方式进行处理,递归地构建KD树;
S4.3从KD树的根节点开始,递归地遍历KD树;
S4.4回溯到根节点时,找到最近邻点;
S4.5通过实时通讯方式通知最近邻点的值班人员核实并排查异常点。
7.根据权利要求6所述的一种基于融合聚类算法的无人机飞行轨迹异常溯源方法,其特征在于,所述步骤S4.3具体包括,采用曼哈顿距离比较目标点,计算当前节点的值班人员位置与无人机坐标的距离,记录当前最近的点和距离,根据无人机坐标的位置,向下递归遍历子树,直到叶子节点,同时采用剪枝策略提高搜索效率。
8.根据权利要求7或6所述的一种基于融合聚类算法的无人机飞行轨迹异常溯源方法,其特征在于,所述步骤S4.3还包括回溯,回溯过程中,检查父节点和其他子树节点是否有更近的值班人员位置,更新最近邻点和距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410707824.6A CN118277813A (zh) | 2024-06-03 | 2024-06-03 | 一种基于融合聚类算法的无人机飞行轨迹异常溯源方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410707824.6A CN118277813A (zh) | 2024-06-03 | 2024-06-03 | 一种基于融合聚类算法的无人机飞行轨迹异常溯源方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118277813A true CN118277813A (zh) | 2024-07-02 |
Family
ID=91649781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410707824.6A Pending CN118277813A (zh) | 2024-06-03 | 2024-06-03 | 一种基于融合聚类算法的无人机飞行轨迹异常溯源方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118277813A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619276A (zh) * | 2019-08-15 | 2019-12-27 | 杭州电子科技大学 | 基于无人机移动监控的异常及暴力检测系统和方法 |
US20200191943A1 (en) * | 2015-07-17 | 2020-06-18 | Origin Wireless, Inc. | Method, apparatus, and system for wireless object tracking |
CN115457414A (zh) * | 2022-09-15 | 2022-12-09 | 西华大学 | 一种基于改进残差网络的无人机异常行为识别方法 |
CN117452919A (zh) * | 2023-11-14 | 2024-01-26 | 国网安徽省电力有限公司电力科学研究院 | 一种变电站无人机飞行状态监测及预警方法、系统 |
CN117993672A (zh) * | 2024-02-21 | 2024-05-07 | 北京航空航天大学 | 一种基于任务自适应聚类优化的多机电力巡检滚动调度算法 |
-
2024
- 2024-06-03 CN CN202410707824.6A patent/CN118277813A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200191943A1 (en) * | 2015-07-17 | 2020-06-18 | Origin Wireless, Inc. | Method, apparatus, and system for wireless object tracking |
CN110619276A (zh) * | 2019-08-15 | 2019-12-27 | 杭州电子科技大学 | 基于无人机移动监控的异常及暴力检测系统和方法 |
CN115457414A (zh) * | 2022-09-15 | 2022-12-09 | 西华大学 | 一种基于改进残差网络的无人机异常行为识别方法 |
CN117452919A (zh) * | 2023-11-14 | 2024-01-26 | 国网安徽省电力有限公司电力科学研究院 | 一种变电站无人机飞行状态监测及预警方法、系统 |
CN117993672A (zh) * | 2024-02-21 | 2024-05-07 | 北京航空航天大学 | 一种基于任务自适应聚类优化的多机电力巡检滚动调度算法 |
Non-Patent Citations (2)
Title |
---|
丁建立;黄天镜;徐俊洁;王静;: "基于时间序列的多维距离聚类异常检测方法", 计算机工程与设计, no. 07, 16 July 2020 (2020-07-16), pages 143 - 148 * |
黄彬;何小海;卿粼波;郑新波;: "针对空中监控平台的异常行为检测方法", 科学技术与工程, no. 30, 28 October 2018 (2018-10-28), pages 122 - 128 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11194691B2 (en) | Anomaly detection using deep learning models | |
CN110414555B (zh) | 检测异常样本的方法及装置 | |
CN106888205B (zh) | 一种非侵入式基于功耗分析的plc异常检测方法 | |
US8732100B2 (en) | Method and apparatus for event detection permitting per event adjustment of false alarm rate | |
US20140046878A1 (en) | Method and system for detecting sound events in a given environment | |
CN111708343B (zh) | 一种面向制造业行业现场工艺行为异常行为检测方法 | |
CN103473540B (zh) | 智能交通系统车辆轨迹增量式建模与在线异常检测方法 | |
US11662718B2 (en) | Method for setting model threshold of facility monitoring system | |
US7716152B2 (en) | Use of sequential nearest neighbor clustering for instance selection in machine condition monitoring | |
EP2410312A1 (en) | A method for computer-assisted analyzing of a technical system | |
CN111709765A (zh) | 一种用户画像评分方法、装置和存储介质 | |
CN110969556A (zh) | 机器学习多维度多模型融合河道水质异常检测方法及装置 | |
CN113687972B (zh) | 业务系统异常数据的处理方法、装置、设备及存储介质 | |
KR102079359B1 (ko) | 개선된 sax 기법 및 rtc 기법을 이용한 공정 모니터링 장치 및 방법 | |
CN105117737A (zh) | 一种基于车辆轨迹向量确定车辆实际方向的方法及装置 | |
CN117094184B (zh) | 基于内网平台的风险预测模型的建模方法、系统及介质 | |
CN117741514A (zh) | 一种船用线缆的状态检测方法及系统 | |
CN111680107A (zh) | 一种基于人工智能和区块链的金融预测系统 | |
CN110348005B (zh) | 配网设备状态数据处理方法、装置、计算机设备及介质 | |
CN118277813A (zh) | 一种基于融合聚类算法的无人机飞行轨迹异常溯源方法 | |
CN117014193A (zh) | 一种基于行为基线的未知Web攻击检测方法 | |
Flotzinger et al. | Building inspection toolkit: Unified evaluation and strong baselines for damage recognition | |
CN116136897A (zh) | 信息处理方法以及装置 | |
US20220172068A1 (en) | Method For Classifying Facility Fault Of Facility Monitoring System | |
Pérez et al. | Statistical tests ensemble drift detector |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |