[发明专利]一种基于改进残差网络的无人机异常行为识别方法

权利要求书

1.一种基于改进残差网络的无人机异常行为识别方法，其特征在于，包括以下步骤：

步骤1，基于无人机不同类型的特征，建立改进残差网络训练的无人机种类图像集，将无人机种类图像集的90％作为训练集，10％作为测试集；对无人机的图像训练集进行图像预处理，图像预处理包括：图像增强、边缘检测、图像去噪、对称翻转、图像裁剪和旋转变化，最后组成训练图像集；

步骤2，基于传统的ResNet-50网络构建改进残差网络模型，模型主要由输入主干、四个后续卷积组以及最后的输出层组成；模型基于残差网络改进了小卷积核，采用深度可分离卷积和分组卷积进行卷积操作，增加卷积注意力模块，并将输出结果进行多尺度融合；

步骤3，设置网络训练的参数，将无人机训练集导入到改进残差网络模型中进行训练，使用不同类型无人机和不同功能无人机的图像集进行训练，保存训练后的网络模型；不同类型无人机包括：固定翼和旋翼无人机，不同功能无人机包括：普通航模、航拍无人机和运输无人机；

步骤4，训练完成后，输入三通道的无人机测试集图片数据，尺寸为224×224×3，通过改进残差网络进行卷积、池化和全连接操作，最终得到无人机的分类结果，检验改进残差网络对无人机图像分类的准确度；

步骤5，通过训练好的改进残差网络对无人机的图像进行分类，输出该种类无人机的威胁系数；其中对不同无人机在不同环境情况下的威胁系数，根据实际情况和需求自行赋予；输出无人机的类别和威胁系数j_s；将输出参数代入改进孤立森林算法中进行异常行为检测，识别判定无人机是否具有异常行为；

步骤6：进行无人机异常行为的识别；从最小的延迟识别飞行异常数据、提高判别的准确度两个方面入手；采用无人机的经度、纬度、高度作为无人机航迹特征参数；无人机的速度、偏航角、俯仰角作为无人机姿态特征参数；对于无人机非法闯入禁飞区的判定采用禁飞区角度差ε和速度差值ΔV作为特征参数，并结合无人机威胁系数j_s作为后续异常得分权重，公式如下：

ε＝γ-β

ΔV＝V_b-V_a

其中∠OAM＝β，∠OAB＝γ，ε为禁飞区角度差，R_i为禁飞区区域半径，ΔV为无人机速度差值；当ε≥0时，无人机判定为远离禁飞区域；当ε＜0无人机判定为有侵入禁飞区风险，此时若ΔV＜0时，无人机侵入禁飞区风险降低，若ΔV≥0，无人机侵入禁飞区风险增大；

步骤7：对步骤6中选取的无人机飞行数据进行预处理；预处理包括：数据的清洗、补全空缺和减少冗余，得到无人机飞行数据集X；

步骤8：对预处理之后的无人机飞行数据集X来构建孤立树iTree(X′,e,l)，通过随机采样生成t个孤立树iTrees，从而构建孤立森林iForest(X,t,Ψ)，具体子步骤如下：

81)从无人机飞行数据集X中随机挑选Ψ个数据点作为采样数据集X′；

82)在采样数据集X′中随机选取一个分支切割的随机斜率以及随机截距数据点根据下式中的条件来分割数据集；

如果满足该条件，则数据点将传递到左分支，否则它移动传递到右分支；

分割数据集，采用随机斜率和随机截距来构造随机斜率超平面来分割数据集；

83)递归进行流程82)，切割采样数据集，直到满足停止条件，即构建了一颗孤立树，满足停止条件为采样数据集不可再分或孤立树的高度到达上限；

84)建立t个孤立树之后，即构建了孤立森林iForest(X,t,Ψ)；

所述孤立树的构建方法，具体包括如下步骤：

11)初始化孤立树iTree(X′,e,l)，X′为对X数据集根据Ψ的大小进行采样的输入数据，e为当前生长高度，l为限制高度；

12)将孤立树的当前高度e与限制高度l进行对比，若e≥l或者输入数据|X′|≤1，则返回节点exNode{Size←|X′|}，否则进入流程13)；

13)随机选择一个法向量通过从标准高斯分布N(0,1)来绘制的每个坐标；

14)从X′可取的范围中，随机的选择一个截距向量

15)将X′数据集中的数据点放到树的左分支X_l，将的数据点放到树的右分支X_R，

16)构建节点

17)带入新的输入数据X′进入流程12)；

所述孤立森林iForest(X,t,Ψ)的构建方法，具体包括如下步骤：

21)初始化孤立森林iForest(X,t,Ψ)，X为输入数据集,t为生成孤立树iTree的数量,Ψ为子采样样本的大小，树的限制高度L＝ceiling(log2Ψ)；

22)对X数据集根据Ψ的大小进行采样，并将采样结果赋给X′，即X′←sample(X,Ψ)；

23)将X′数据集代入继续构建一棵新的孤立树iTree(X′,0,l)；

24)将新建的孤立树并入孤立森林，Forest←Forest∪iTree(X′,0,l)；

25)判断孤立森林中孤立树的数目i，若i≥t，则结束流程，否则返回流程22)；

步骤9：计算出样本点的异常得分情况：

在检测无人机航迹、姿态异常行为时，计算样本点x在每棵孤立树的异常分数s_i(x)；如下式：

其中，m(.)为叶子节点的数据质量；T_i(x)为x落在T_i的叶子节点；为T_i(x)的父子节点；为生成T_i的数据的大小，归一化处理；s_i(x)属于(0,1)这个区间中，分数越高，x成为异常的可能性就越高；

在判别无人机非法进入禁飞区时，对不同无人机在不同环境下赋予威胁系数权重，更加动态的判别是否有非法入侵的风险；采用下式计算样本点x在每棵孤立树的异常分数s_i(x)，如下式：

其中，j_s为无人机威胁系数；m(.)为叶子节点的数据质量；T_i(x)为x落在T_i的叶子节点；为T_i(x)的父子节点；为生成T_i的数据的大小，归一化处理；s_i(x)分数越高，x成为异常的可能性就越高；

最后求得样本点的异常得分，异常得分由t个孤立树异常分数取均值得到，通过下式：

步骤10：根据对异常得分情况，检测无人机飞行时航迹、姿态的是否异常，判断无人机是否有非法入侵禁飞区的风险。