资源受限条件下的无人机在线并行异常检测方法及系统

1.本发明属于无人机管理技术领域，尤其涉及一种资源受限条件下的无人机在线并行异常检测方法及系统。


背景技术：

2.目前，随着无人机技术的迅速发展，其在各个领域得到了广泛的应用。同时，无人机内部系统结构也变得愈发复杂，并且由于缺乏飞行员的现场操作，由设备故障引起的灾难事故频繁发生，造成了巨大的安全隐患和财产损失，因此，对无人机系统进行异常检测，使其能精确感知自身异常状态，是提高无人机运行安全性和可靠性的重要手段。
3.目前异常检测技术可分为基于先验知识的定性异常检测方法、基于模型的定量异常检测方法和基于数据驱动的异常检测方法。由于无人机专家经验知识少，故障类型难以完全把握以及异常检测系统应具有可扩展性，近年来的无人机异常检测研究大多着眼于数据驱动方法，且在实验仿真中也取得了不错的检测效果。其分为：基于统计的方法、基于分类的方法、基于相似性的方法和基于预测的方法。然而，在实际的应用场景中，无人机数据具有高维、流数据、异常标签少和模式转换的特性，因此很多算法并不能直接用于在线检测。原因在于：(1)基于统计的方法过于依赖数据分布的规律性，而大部分无人机数据的先验分布假设很难确定；(2)基于分类的异常检测算法在面对异常标签少且种类不能完全把握的情况下很难训练出有良好鲁棒性的分类器；(3)基于相似性的方法根据数据间的距离、密度和角度等信息来衡量相似度，这就导致当无人机数据维度过高或训练集过大时部分算法的计算量呈指数增长，而机载计算节点资源有限，往往不足以满足这些高复杂度算法的计算需求；(4)在基于预测的方法中，高维数据加大了预测模型和参数寻优的难度，且对不规则分布的噪声数据较为敏感。(5)无人机数据的模式转换特性使得遥测飞行数据出现了不同于其他正常行为的表现，导致算法误检率增加。因此，亟需设计一种新的资源受限条件下的无人机在线并行异常检测方法及系统。
4.通过上述分析，现有技术存在的问题及缺陷为：
5.(1)现有基于统计的方法过于依赖数据分布的规律性，而大部分无人机数据的先验分布假设很难确定，因此很多算法并不能直接用于在线检测。
6.(2)现有基于分类的异常检测算法在面对异常标签少且种类不能完全把握的情况下很难训练出有良好鲁棒性的分类器。
7.(3)现有基于相似性的方法根据数据间的距离、密度和角度等信息来衡量相似度，导致当无人机数据维度过高或训练集过大时部分算法的计算量呈指数增长，而机载计算节点资源有限，不足以满足这些高复杂度算法的计算需求。
8.(4)在现有的基于预测的方法中，高维数据加大了预测模型和参数寻优的难度，且对不规则分布的噪声数据较为敏感。
9.(5)现有无人机数据的模式转换特性使得遥测飞行数据出现了不同于其他正常行为的表现，导致算法误检率增加。
10.解决以上问题及缺陷的难度为：
11.(1)目前大部分异常检测算法复杂度过高，不适用于资源受限的机载计算节点的在线异常检测，亟需降低算法复杂度，缩短训练时延。
12.(2)无人机的模式切换特性可能会导致数据在正常的表现上发生变化，此时异常检测算法对数据的异常度量也会出现偏差，旧模型的异常阈值将大大增加异常检测算法的误检率。
13.解决以上问题及缺陷的意义为：
14.(1)通过并行化训练异常检测模型，将孤立森林模型拆分为复杂度更低的小森林模型，实现了模型的在线更新，加快无人机遥测飞行数据的处理和检测过程。
15.(2)通过数据更新机制，并结合一类支持向量机算法自适应学习模式切换后数据的异常边界，有效对抗了无人机的模式切换问题，提高了在线异常检测模型的鲁棒性。


技术实现要素：

16.针对现有技术存在的问题，本发明提供了一种资源受限条件下的无人机在线并行异常检测方法及系统。
17.本发明是这样实现的，一种资源受限条件下的无人机在线并行异常检测方法，所述资源受限条件下的无人机在线并行异常检测方法包括：
18.针对无人机数据高维，大数据量，机载计算节点资源受限且异常标签少，正负类样本分布不均的问题，选取具有线性时间复杂度的无监督的孤立森林算法来度量遥测飞行数据的异常程度；考虑到无人机的模式切换可能会导致无人机数据的正常表现发生变化，采用一定的规则对训练数据集进行更新；并行化训练孤立森林模型，缩短在线训练时延；采用一类支持向量机算法自适应学习训练数据集更新后的异常边界，从而提高在线异常检测模型的鲁棒性。
19.进一步，所述资源受限条件下的无人机在线并行异常检测方法包括以下步骤：
20.步骤一，构建异常检测训练模块；
21.通过并行化训练异常检测模型，缩短了模型的在线训练时延。
22.步骤二，基于历史完备遥测飞行数据集进行孤立森林离线并行训练，建立异常度量模型文件并读取模型；
23.通过构建历史完备遥测飞行数据集进行模型训练，使得初始异常度量模型对已知模式的飞行数据具有足够的鲁棒性。
24.步骤三，基于初始历史异常分数集进行一类支持向量机离线训练，建立异常判定模型文件并读取模型；
25.利用一类支持向量机算法训练异常边界，省去了孤立森林模型异常分数阈值建立的过程。
26.步骤四，读取实时遥测飞行数据并进行归一化处理；
27.数据归一化处理消除了不同维度数据之间存在的量纲差异，降低了数据空间稀疏化对算法精确度的影响。
28.步骤五，利用异常度量模型计算归一化遥测飞行数据的异常分数；并利用异常判定模型对异常分数进行判定并输出判定结果；若判定结果为正常，则返回步骤四并执行步
骤六；若判定结果为异常，则执行步骤七，并返回步骤四；
29.步骤六，更新异常检测模块的训练数据集，在线更新异常检测模型文件；
30.利用数据更新机制，将检测正常的遥测飞行数据加入训练集，来保证飞行模式切换时，训练数据集中已包含模式切换后的数据。并由一类支持向量机算法自适应学习训练数据集更新后的异常边界，提高异常检测模型的鲁棒性。
31.步骤七，读取异常度量模型文件，更新异常度量模型；读取异常判定模型文件，更新异常判定模型。
32.当数据检测为异常时，基于更新后的异常度量模型和异常判定模型对后续数据进行更准确的检测，有效对抗无人机模式切换问题。
33.进一步，所述步骤一中的构建异常检测训练模块包括：
34.(1)构建孤立森林训练模块；所述孤立森林训练模块基于遥测飞行数据训练集产生异常度量模型，由于孤立森林的个体学习器之间不存在强依赖关系，故将孤立森林模型拆分为多个小森林模型并行训练。
35.其中，所述“遥测飞行数据”是指无人机执行任务期间的系统运行状态监测数据，包括无人机结构、功能组件、传感器、硬件以及软件的状态监测数据；“异常度量模型”用于为归一化遥测数据计算异常分数。
36.(2)构建一类支持向量机训练模块；所述一类支持向量机训练模块基于异常分数训练集产生异常判定模型。
37.其中，所述“异常判定模型”用于判定异常分数的异常与否。
38.进一步，所述步骤二中的“历史完备遥测飞行数据集”为尽可能包含所有已知模式的正常飞行数据集合。
39.进一步，所述步骤三中的“历史异常分数集”为步骤二中训练的异常度量模型对历史完备遥测飞行数据集计算的异常分数集合。
40.进一步，所述步骤四中的“归一化”用于消除不同维度数据之间存在的量纲差异，避免数据在空间维度上的稀疏化，所述归一化方法包括但不限于线性函数归一化(min-max)方法和0均值归一化(z-score)方法。
41.进一步，所述步骤六中的更新异常检测模块的训练数据集，在线更新异常检测模型文件包括：
42.(1)将正常的归一化遥测飞行数据添加到异常度量模型的遥测飞行数据训练集，驱动孤立森林训练模块进行在线模型训练，训练结束后将各个小森林模型更新至异常度量模型文件；
43.(2)将正常归一化遥测飞行数据对应的异常度量分数添加到异常判定模型的异常分数训练集，驱动一类支持向量机训练模块进行在线模型训练，训练结束后将一类支持向量机模型更新至异常判定模型文件。
44.所述步骤六中考虑机载计算节点资源受限，为遥测飞行数据训练集和异常分数训练集设置规模阈值，当遥测飞行数据训练集和异常分数训练集的规模达到阈值时，以先进先出fifo的方式剔除最早更新的遥测飞行数据和异常分数。
45.本发明的另一目的在于提供一种实施所述的资源受限条件下的无人机在线并行异常检测方法的资源受限条件下的无人机在线并行异常检测系统，所述资源受限条件下的
无人机在线并行异常检测系统包括：
46.异常检测训练模块构建模块，用于构建异常检测训练模块；
47.异常度量模型文件建立模块，用于基于历史完备遥测飞行数据集进行孤立森林离线并行训练，建立异常度量模型文件并读取模型；
48.异常判定模型文件建立模块，用于基于初始历史异常分数集进行一类支持向量机离线训练，建立异常判定模型文件并读取模型；
49.遥测飞行数据读取模块，用于读取实时遥测飞行数据并进行归一化处理；
50.异常分数计算模块，用于利用异常度量模型计算归一化遥测飞行数据的异常分数，并利用异常判定模型对异常分数进行判定并输出判定结果；
51.异常检测训练集更新模块，用于更新异常检测模块的训练数据集，在线更新异常检测模型文件；
52.异常检测模型更新模块，用于读取异常度量模型文件，更新异常度量模型；读取异常判定模型文件，更新异常判定模型。
53.本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
54.针对无人机数据高维，大数据量，机载计算节点资源受限且异常标签少，正负类样本分布不均的问题，选取具有线性时间复杂度的无监督的孤立森林算法来度量遥测飞行数据的异常程度；考虑到无人机的模式切换可能会导致无人机数据的正常表现发生变化，采用一定的规则对训练数据集进行更新；并行化训练孤立森林模型，缩短在线训练时延；采用一类支持向量机算法自适应学习训练数据集更新后的异常边界，从而提高在线异常检测模型的鲁棒性。
55.本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的资源受限条件下的无人机在线并行异常检测系统。
56.结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的资源受限条件下的无人机在线并行异常检测方法，通过孤立森林算法与一类支持向量机算法相结合建立无人机在线异常检测模型，通过并行化训练异常检测模型来满足异常检测的时延要求，最终实现无人机数据在线异常检测。
57.本发明在资源受限的机载计算节点上并行化训练异常检测模型，加快无人机数据的处理和检测过程，自适应更新异常边界，有效对抗无人机模式切换问题，实现无人机数据的在线异常检测。
58.本发明选取了低复杂度的异常检测算法，能够在资源受限的机载计算节点上对无人机遥测飞行数据进行异常检测；本发明设计了无人机遥测飞行数据更新机制，能够有效对抗无人机模式切换可能引发的数据误检问题。
59.本发明并行化训练异常检测模型，缩短了在线训练时延，可实现无人机遥测飞行数据的在线异常检测；本发明采用一类支持向量机算法自适应学习训练数据集更新后的异常边界，提高了在线异常检测模型的鲁棒性。
附图说明
60.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，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他的附图。
61.图1是本发明实施例提供的资源受限条件下的无人机在线并行异常检测方法流程图。
62.图2是本发明实施例提供的资源受限条件下的无人机在线并行异常检测方法原理图。
63.图3是本发明实施例提供的资源受限条件下的无人机在线并行异常检测系统结构框图；
64.图中：1、异常检测训练模块构建模块；2、异常度量模型文件建立模块；3、异常判定模型文件建立模块；4、遥测飞行数据读取模块；5、异常分数计算模块；6、异常检测模型训练集更新模块；7、异常检测模型更新模块。
65.图4(a)和图4(b)是本发明实施例提供的资源受限条件下的无人机在线并行异常检测系统时延结果图。
具体实施方式
66.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
67.针对现有技术存在的问题，本发明提供了一种资源受限条件下的无人机在线并行异常检测方法及系统，下面结合附图对本发明作详细的描述。
68.如图1所示，本发明实施例提供的资源受限条件下的无人机在线并行异常检测方法包括以下步骤：
69.s101，构建异常检测训练模块；
70.s102，基于历史完备遥测飞行数据集进行孤立森林离线并行训练，建立异常度量模型文件并读取模型；
71.s103，基于初始历史异常分数集进行一类支持向量机离线训练，建立异常判定模型文件并读取模型；
72.s104，读取实时遥测飞行数据并进行归一化处理；
73.s105，利用异常度量模型计算归一化遥测飞行数据的异常分数；并利用异常判定模型对异常分数进行判定并输出判定结果；若判定结果为正常，则返回s104并执行s106；若判定结果为异常，则执行s107，并返回s104；
74.s106，更新异常检测模块的训练数据集，在线更新异常检测模型文件；
75.s107，读取异常度量模型文件，更新异常度量模型；读取异常判定模型文件，更新异常判定模型。
76.本发明实施例提供的资源受限条件下的无人机在线并行异常检测方法原理图如图2所示。
77.如图3所示，本发明实施例提供的资源受限条件下的无人机在线并行异常检测系统包括：
78.异常检测训练模块构建模块1，用于构建异常检测训练模块；
79.异常度量模型文件建立模块2，用于基于历史完备遥测飞行数据集进行孤立森林离线并行训练，建立异常度量模型文件并读取模型；
80.异常判定模型文件建立模块3，用于基于初始历史异常分数集进行一类支持向量机离线训练，建立异常判定模型文件并读取模型；
81.遥测飞行数据读取模块4，用于读取实时遥测飞行数据并进行归一化处理；
82.异常分数计算模块5，用于利用异常度量模型计算归一化遥测飞行数据的异常分数，并利用异常判定模型对异常分数进行判定并输出判定结果；
83.异常检测模型训练集更新模块6，用于更新异常检测模块的训练数据集，在线更新异常检测模型文件；
84.异常检测模型更新模块7，用于读取异常度量模型文件，更新异常度量模型；读取异常判定模型文件，更新异常判定模型。
85.下面结合具体实施例对本发明的技术方案作进一步描述。
86.实施例1
87.本发明的目的在于针对上述现有技术的不足，提出一种资源受限条件下的无人机在线并行异常检测方法，通过孤立森林算法与一类支持向量机算法相结合建立无人机在线异常检测模型，通过并行化训练异常检测模型来满足异常检测的时延要求，最终实现无人机数据在线异常检测。
88.需要说明的是，实现本发明目的的技术思路为：首先针对无人机数据高维，大数据量，机载计算节点资源受限且异常标签少，正负类样本分布不均的问题，选取具有线性时间复杂度的无监督的孤立森林算法来度量遥测飞行数据的异常程度；其次，考虑到无人机的模式切换可能会导致无人机数据的正常表现发生变化，本发明采用一定的规则对训练数据集进行更新，并且为了进一步缩短在线训练时延，并行化训练孤立森林模型；最后，采用一类支持向量机算法自适应学习训练数据集更新后的异常边界，从而提高在线异常检测模型的鲁棒性。
89.为了实现上述目的，本发明采用的技术方案如下：
90.本发明提供的资源受限条件下的无人机在线并行异常检测方法，具体包括构建异常检测训练模块，建立异常度量和异常判定模型，归一化处理无人机遥测飞行数据，并加入数据更新机制实现无人机数据在线并行异常检测。所述方法包括以下步骤：
91.(1)构建异常检测训练模块；
92.(1a)构建孤立森林训练模块。该模块基于遥测飞行数据训练集产生异常度量模型。由于孤立森林的个体学习器之间不存在强依赖关系，因此将孤立森林模型拆分为多个小森林模型并行训练；
93.(1b)构建一类支持向量机训练模块。该模块基于异常分数训练集产生异常判定模型。
94.(2)基于历史完备遥测飞行数据集进行孤立森林离线并行训练，建立异常度量模型文件并读取模型。
95.(3)基于初始历史异常分数集进行一类支持向量机离线训练，建立异常判定模型文件并读取模型。
96.(4)读取实时遥测飞行数据并进行归一化处理。
97.(5)利用异常度量模型计算归一化遥测飞行数据的异常分数；并利用异常判定模型对异常分数进行判定并输出判定结果。若判定结果为正常，则返回步骤(4)并执行步骤(6)；若判定结果为异常，则执行步骤(7)，然后返回步骤(4)。
98.(6)更新异常检测模块的训练数据集，在线更新异常检测模型文件；
99.(6a)将正常的归一化遥测飞行数据添加到异常度量模型的遥测飞行数据训练集,驱动孤立森林训练模块进行在线模型训练，训练结束后将各个小森林模型更新至异常度量模型文件；
100.(6b)将正常归一化遥测飞行数据对应的异常度量分数添加到异常判定模型的异常分数训练集，驱动一类支持向量机训练模块进行在线模型训练，训练结束后将一类支持向量机模型更新至异常判定模型文件。
101.(7)读取异常度量模型文件，更新异常度量模型；读取异常判定模型文件，更新异常判定模型。
102.需要说明的是，所述步骤(1a)中“遥测飞行数据”是指无人机执行任务期间的系统运行状态监测数据，包括无人机结构、功能组件、传感器、硬件以及软件等状态监测数据。“异常度量模型”目的在于为归一化遥测数据计算异常分数。
103.需要说明的是，所述步骤(1b)中“异常判定模型”目的在于判定异常分数的异常与否。
104.需要说明的是，所述步骤(2)中“历史完备遥测飞行数据集”为尽可能包含所有已知模式的正常飞行数据集合。
105.需要说明的是，所述步骤(3)中“历史异常分数集”为步骤(2)中训练的异常度量模型对历史完备遥测飞行数据集计算的异常分数集合。
106.需要说明的是，所述步骤(4)中“归一化”的目的在于消除不同维度数据之间可能存在的量纲差异，避免了数据在空间维度上的稀疏化，归一化方法可采用但不限于min-max、z-score等方法。
107.需要说明的是，所述步骤(6)中考虑机载计算节点资源受限，为遥测飞行数据训练集和异常分数训练集设置规模阈值，当遥测飞行数据训练集和异常分数训练集的规模达到阈值时，以fifo(先进先出)的方式剔除最早更新的遥测飞行数据和异常分数。
108.本发明选取了低复杂度的异常检测算法，能够在资源受限的机载计算节点上对无人机遥测飞行数据进行异常检测；本发明设计了无人机遥测飞行数据更新机制，能够有效对抗无人机模式切换可能引发的数据误检问题。
109.本发明并行化训练异常检测模型，缩短了在线训练时延，可实现无人机遥测飞行数据的在线异常检测；本发明采用一类支持向量机算法自适应学习训练数据集更新后的异常边界，提高了在线异常检测模型的鲁棒性。
110.实施例2
111.如图2所示为本发明采用容器技术实现无人机数据在线并行异常检测方法的具体过程，需要说明的是，本发明实施例不应理解为对本发明的限制。
112.本发明提供的资源受限条件下的无人机在线并行异常检测方法，具体包括构建异常检测训练模块，建立异常度量和异常判定模型，归一化处理无人机遥测飞行数据，并加入数据更新机制实现无人机数据在线并行异常检测。所述方法包括以下步骤：
113.(1)构建异常检测训练模块。
114.(1a)构建孤立森林训练模块。该模块基于遥测飞行数据训练集产生异常度量模型。由于孤立森林的个体学习器之间不存在强依赖关系，因此将孤立森林模型拆分为多个小森林模型并行训练；
115.本发明实施例中，将孤立森林训练模块放入孤立森林训练容器中，并将遥测飞行数据训练集分为两部分，分别是历史完备数据集complete data_set和遥测飞行数据更新集data_update。
116.(1b)构建一类支持向量机训练模块。该模块基于异常分数训练集产生异常判定模型；
117.本发明实施例中，将一类支持向量机训练模块放入一类支持向量机训练容器中，并将异常分数训练集分为两部分，分别是历史异常分数集score data_set和异常分数更新集score_update。
118.(2)基于历史完备遥测飞行数据集进行孤立森林离线并行训练，建立异常度量模型文件并读取模型。
119.(3)基于初始历史异常分数集进行一类支持向量机离线训练，建立异常判定模型文件并读取模型。
120.本发明实施例将离线训练好的异常度量模型和异常判定模型分别放入异常度量容器和异常判定容器中。
121.(4)读取实时遥测飞行数据并进行归一化处理；
122.本发明实施例利用通信端容器读取实时遥测飞行数据，并将归一化遥测数据存入归一化数据存储文件中。本发明实施例采用min-max归一化方法，此方法将遥测飞行数据等比例缩小，保留了数据在空间上的一般分布特征。
123.(5)利用异常度量容器计算归一化遥测飞行数据的异常分数，将异常分数写入异常分数存储文件中；利用异常判定容器从异常分数存储文件中读取异常分数进行判定，将判定结果写入异常标记文件。最后由训练集更新和模型重载容器从异常标记文件中读取异常标记，若标记为正常，则返回至步骤(4)中的通信端容器并执行步骤(6)以触发训练集更新，如图2实线箭头；若判定结果为异常，则执行步骤(7)触发异常度量容器和异常判定容器分别重新载入在线训练的孤立森林模型和一类支持向量机模型，然后返回步骤(4)中的通信端容器，如图2中虚线箭头。
124.(6)更新异常检测模块的训练数据集，在线更新异常检测模型文件；
125.(6a)将正常的归一化遥测飞行数据添加到遥测飞行数据更新集data_update,驱动孤立森林训练容器进行在线模型训练，训练结束后将各个小森林模型更新至异常度量模型文件forest中；
126.(6b)将正常归一化遥测飞行数据对应的异常度量分数添加到异常分数更新集score_update，驱动一类支持向量机(one-class support vector machine，ocsvm)训练容器进行在线模型训练，训练结束后将一类支持向量机模型更新至异常判定模型文件ocsvm
中。
127.(7)读取各个forest文件，并利用整合后的孤立森林模型来更新异常度量模型；读取ocsvm文件，更新异常判定模型。
128.需要说明的是，所述步骤(1a)中“遥测飞行数据”是指无人机执行任务期间的系统运行状态监测数据，包括无人机结构、功能组件、传感器、硬件以及软件等状态监测数据。“异常度量模型”目的在于为归一化遥测数据计算异常分数。
129.需要说明的是，所述步骤(1b)中“异常判定模型”目的在于判定异常分数的异常与否。
130.需要说明的是，所述步骤(2)中“历史完备遥测飞行数据集”为尽可能包含所有已知模式的正常飞行数据集合。
131.需要说明的是，所述步骤(3)中“历史异常分数集”为步骤(2)中训练的异常度量模型对历史完备遥测飞行数据集计算的异常分数集合。
132.需要说明的是，所述步骤(4)中“归一化”的目的在于消除不同维度数据之间可能存在的量纲差异，避免了数据在空间维度上的稀疏化，归一化方法可采用但不限于min-max、z-score等方法。
133.需要说明的是，所述步骤(6)中考虑机载计算节点资源受限，为data_update和score_update设置规模阈值，当data_update和score_update的规模达到阈值时，以fifo(先进先出)的方式剔除最早更新的遥测飞行数据和异常分数。
134.需要说明的是，各容器间采用数据卷挂载的方式进行数据共享，即将容器内的数据和模型文件挂载至主机。
135.本发明在机载计算节点资源受限的条件下，本发明并行化训练异常检测算法，加快无人机数据的处理和检测过程，自适应更新异常边界，有效对抗无人机模式切换问题，实现无人机数据的在线异常检测。
136.下面结合仿真对本发明的技术效果作详细的描述。
137.本仿真参数设置如下表所示：
138.表1实验参数设置
139.设置项取值孤立树总数200个小森林模型个数10个小森林模型平均孤立树个数20个核函数高斯核训练误差0.05核系数0.1
140.无人机遥测飞行数据测试集大小为5502，且含有训练数据集中未出现过的模式数据。如下表为本实施例的异常检测结果，结果表明，真正率约为99.24％。
141.表2异常检测结果
142.结果实际为正常实际为异常检测为正常54600检测为异常420
143.如图4(a)所示，为本测试集各个数据点的检测时延结果图，由于数据点过于密集，为方便分析，截取前100个数据点的检测时延结果，见图4(b)。如图4(b)所示，部分遥测飞行数据在孤立树中的深度较大，达到了树高限制，时延分布在0.016s左右；其他部分数据在孤立树的深度较小，未达到树高限制，时延分布在0s附近。检测时延结果表明，本实例完全可以满足无人机遥测飞行数据的采样频率要求。
144.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如软盘、硬盘、磁带)、光介质(例如dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
145.以上所述，仅为本发明的具体实施方式，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，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。