[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

说明书

本发明公开了一种基于改进残差网络的无人机异常行为识别方法，包括：将无人机的图像分为训练集和测试集，构建改进的残差网络模型，对训练集进行特征提取、网络训练。通过测试集验证准确率后，进行无人机的图像分类，将提取后的信息特征代入改进孤立森林算法中进行异常行为识别。对飞行特征参数进行提取和预处理，通过随机斜率超平面来分割数据集构建孤立树，从而建立孤立森林。将样本数据遍历孤立树，通过基于相对质量的方法，并代入威胁系数作为权重，计算出样本的异常得分，从而判定出无人机异常行为。本发明的优点是：提高了准确率，缩短了训练时间，降低模型时间复杂度,加快判别时间。提高了检测数据集异常得分的鲁棒性。

技术领域

本发明涉及无人机异常行为识别技术领域，特别涉及一种基于改进残差网络的无人机异常行为识别方法。

背景技术

近年来，随着无人机技术的不断发展，无人机的应用领域不断扩张，在农业植保、航拍摄影和物流运输等领域已经有了广泛的应用。随着我国低空空域的不断开放，无人机运用的区域也变得越来越广泛，但是无人机快速发展的同时，无人机运行的安全问题也随之而来。无人机执行飞行任务的主要区域是低空空域，而低空空域环境复杂，以及无人机自身性能等问题，导致无人机在执行任务时会出现异常行为现象。如今，随着无人机的不断普及，越来越多的人使用无人机，但是相关的法规制度和无人机监管技术相对落后，无人机“黑飞”、“乱飞”、随意占用空域资源等无人机无序飞行的现象时有发生，例如干扰民航机场客机的运行、在人群密集区域飞行等严重威胁飞行安全和公共安全的行为。因此，识别无人机在飞行时的异常行为，以及预测无人机闯入禁飞区域的风险，是保障空域安全和未来无人机良好发展必将面临的重要问题。

现有技术一

张学军等人^[1]提出了一种基于卷积神经网络的无人机异常行为识别方法，通过将无人机的历史飞行数据导入到卷积神经网络中进行训练，训练完成后，将新获得的无人机飞行数据导入到卷积神经网络模型中，进行异常行为的检验预测，实现一种系统全自动化的识别方法。

现有技术一的缺点

该方法采用的是传统卷积神经网络模型，具有计算速度慢，图像分类准确率不高，不能在深层网络进行训练提取更多的特征等问题。比如：无人机的飞行是动态的过程，实际采集到的无人机图像是状态不一的，因此需要提取更精确的无人机图像特征，才能获得更准确的分类结果，所以在卷积神经网络对无人机图像训练时就需要庞大的数据集和在更深层的网络进行训练，但是传统的卷积神经网络在面对庞大的数据集训练时计算速度太慢，这样就会花费更多的时间在卷积神经网络的训练上。部分无人机的外形相似，为了保证图像分类的准确性，需要卷积神经网络进行更深层的学习，提取更多的信息特征，而传统的卷积神经网络在进行深层网络训练时会出现模型退化、梯度消失等问题，导致输出结果的准确率下降，不适合无人机图像分类的实际使用。

现有技术二

唐立^[2]等人提出一种基于孤立森林法的物流无人机异常行为智能识别方法。首先将无人机飞行数据进行离群值的计算和观测。根据输入数据构建孤立森林模型，求得样本的异常分数。根据异常分数的计算结果，对异常数据进行划分。将经度、纬度、仰角、爬升速度、异常分数数据带入模型，对准确率进行评估。

现有技术二的缺点

采用传统孤立森林算法计算数据的异常得分和利用所有数据的均方差来评估数据集的异常程度，使检测异常点都是基于全局来考量的，局部异常会被邻近的正常集群所掩盖，从而导致对局部异常点的漏判；传统孤立森林随机超平面平行于轴方向，致使面对数据呈现多个数据簇团分布或是数据呈螺线、波浪等曲线分布时存在异常点被掩盖和数据集异常得分图存在伪影的问题，大大降低了算法的鲁棒性。

缩略语和关键术语定义