基于相关性参数选择的飞行数据异常检测

随着无人机(UAV)技术的成熟,其在军民领域的应用越来越广泛,安全问题也逐渐受到重视。UAV飞行数据能直接反映其飞行健康状态。针对UAV飞行数据开展异常检测研究是提升UAV整体安全性的重要手段之一。基于此,提出了一种基于相关性参数选择与卷积神经网络(CNN)的异常检测方法。利用最大信息系数(MIC)和Pearson相关系数法挖掘参数之间的相关性,并建立相关性飞行参数集合;利用与待检测飞行参数相关的飞行参数数据训练卷积神经网络预测模型,根据模型预测值与真实值之间的残差判定异常。利用真实UAV飞行数据对所提方法进行验证,结果显示:所提方法的假阳率、假阴率、准确率指标均值分别为0%、0.19%、99.6%,证明了方法的有效性。

基于相关特征矩阵和神经网络的异常检测研究

文章描述了一个基于相关特征矩阵和神经网络的异常检测方法。该方法首先创建用户轮廓以定义用户正常行为,然后比较当前行为与用户轮廓的相似度,判断输入是正常或入侵。为了避免溢出和减少计算负担,使用主成分分析法提取用户行为的主要特征,而神经网络用于识别合法用户或入侵者。在性能测试实验中,系统的检测率达到74.6%,而误报率为2.9%。在同样的数据集和测试集的情况下,与其它方法相比,此方法的检测性能最优。

基于样本关联感知的无监督深度异常检测模型

异常检测的目标是识别正常模式中的异常模式.如何充分利用数据的各种特征信息来识别异常是当前异常检测的研究热点之一.许多数据挖掘及机器学习等方面的智能算法都被用于异常检测规则训练以提高其检测性能.目前已有模型存在着对复杂数据处理困难、没有充分利用数据样本间关联特征等问题,从而造成异常检测效果不甚理想.基于此,本文提出一种基于样本关联感知的深度学习模型并用于异常检测.模型通过对样本的原始特征和样本间的关联关系进行深入分析,利用无向图结构来提取样本间的关联特征,然后基于由特征编码器和图编码器构成的双路自编码器实现对样本的原始特征和关联特征的融合,产生样本在低维特征空间中高质量数据嵌入,然后进行解码重构并计算重构误差和重构特征,最后设计基于高斯混合模型的估计网络,基于重构特征和高质量的数据嵌入估计样本的概率密度,通过给定阈值来进行异常检测.实验结果表明,本模型的异常检测各项性能指标均比其他基于机器学习和深度学习的异常检测方法提升了2%左右,参数、消融和噪声实验结果也较其他算法更稳定,可视化实验也能够突出本模型在数据特征提取和充分利用等方面的优势.