基于深度学习的风洞天平测力试验数据异常检测方法研究

风洞天平测力试验数据异常检测有助于分析试验异常原因、排查设备故障、改进试验方案,为解决目前人工检测时间成本高、效率低的问题,提出一种基于深度学习的异常检测框架。首先针对异常零样本问题,对风洞试验常见的异常类型及规律进行总结;然后为解决不同车次数据维度不同的问题,提出基于统计特征的标准化特征表示方案;最后利用神经网络学习异常特征,完成异常检测。试验结果表明:基于深度学习的异常检测方法对风洞异常数据检测的准确率和检出率分别达到了81.7%和72.6%,能够较好地识别孤立跳点异常和多点异常。     

基于深度学习与高斯差分法的ADS-B异常数据检测模型（英文）

受地形结构、气象条件等多种因素的影响,用于低空通航飞行器定位的广播式自动相关监视(Automatic dependent surveillance-broadcast,ADS-B)设备获取的位置信息存在异常数据。为检测异常数据,提出一种基于深度学习与高斯差分法的ADS-B异常数据检测模型。首先,依据ADS-B位置数据的特点,将ADS-B位置数据转换到以起飞点为原点的坐标系中,利用运动学原理去除ADS-B位置数据中的离群点。然后,利用高斯差分法(Difference of Gaussian,DoG)获取位置数据的细节信息。最后,利用长短期记忆单元(Long short-term memory,LSTM)神经网络优化在ADS-B位置数据中梯度减小严重的循环神经网络(Recurrent neural network,RNN)。通过LSTM神经网络构成的seq2seq(Sequence to sequence)模型对位置数据进行重构,利用重构误差检测异常数据。通过实际数据对模型进行验证和对比分析表明:利用seq2seq模型对ADS-B位置数据重构的方法能有效地检测异常数据,运行时间得到减少,而且相较于RNN神经网络,检测的平均准确率提高了近2.7%,相较于传统的异常检测模型具有更高的准确率。     

基于“北斗”的低空空域通航飞机导航监视技术研究

针对目前ADS-B发射机定位信息主要取自GPS以及自身传输链路距离受限的问题,研究了基于"北斗"的ADS-B监视技术,在深入研究ADS-B报文协议的基础上,将"北斗"通信作为ADS-B传输链路的补充,研究了通航飞机的无缝导航监视技术,设计了基于"北斗"定位源的多网融合的机载监视终端系统。利用锐翔电动飞机RX1E和搭建的监视中心系统对机载终端的ADS-B和"北斗"传输进行测试验证,实验结果表明:数据传输链路实现了对低空空域通航飞机的广域监视,机载终端发送的飞行态势信息实现了监视中心对低空通航飞机的在线态势感知。研究结果为服务我国通航飞机作业安全以及提高低空空域管理的信息化水平提供了技术参考。     

基于深度卷积网络的海洋涡旋检测模型

传统的利用遥感数据检测涡旋的方法通常是基于物理参数、几何特征、手工特征或专家知识。本文重点研究了基于深度学习技术从海表面高度图中识别海洋涡旋的方法。针对海洋卫星拍摄的海洋表面高度图中的涡旋检测问题,提出了一种基于卷积神经网络的多涡旋检测模型,该模型能够准确提取涡旋的特征信息,拟合语义信息与海面高度之间的关系。同时,在用于涡旋检测的最新公开数据集SCSE-Eddy上进行模型训练,以评估基于人工智能的涡旋检测方法性能,该数据集涵盖了15年来位于中国南海及其东部部分海域的每日卫星遥感海表面高度数据。实验结果表明,与现有的方法相比,本文模型取得了更好的检测结果,能够更好地区分相距较近的涡旋。