典型文献
基于LSTM-GAN的无人机飞行数据异常检测算法
文献摘要：
飞行数据的异常检测是保障无人机飞行安全的关键.为了提升异常检测的准确率,以更好地构建无人机飞行数据正常样本的数据模式,提出了一种基于长短时记忆网络(LSTM)和生成对抗网络(GAN)的异常检测算法.设计了由生成网络、判别网络和重构网络组成的循环学习网络,同时为了避免网络学习产生梯度爆炸的风险,设计了一种由两个判别损失函数与一个重构损失函数相结合的目标损失函数.实验结果表明,LSTM-GAN异常检测算法均优于K-means、单类支持向量机、LSTM和Auto-Encoder算法的异常检测性能.LSTM-GAN比LSTM异常检测的准确率提高2.2％.
文献关键词：
无人机飞行数据分析;异常检测;无监督学习;生成对抗网络;长短时记忆网络
中图分类号：
作者姓名：
王凤芹;高龙;徐廷学;王丽娜
作者机构：
海军航空大学 航空基础学院,烟台 264001;海军航空大学 作战勤务学院,烟台 264001
文献出处：
引用格式：
[1]王凤芹;高龙;徐廷学;王丽娜-.基于LSTM-GAN的无人机飞行数据异常检测算法)[J].中国惯性技术学报,2022(02):264-271
A类：
判别损失,无人机飞行数据分析
B类：
GAN,数据异常检测,检测算法,无人机飞行安全,数据模式,长短时记忆网络,生成对抗网络,生成网络,判别网络,学习网络,网络学习,损失函数,means,单类支持向量机,Auto,Encoder,检测性能,无监督学习
AB值：
0.21371
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
