[发明专利]一种无人机飞行工况模式识别方法及系统

权利要求书

1.一种无人机飞行工况模式识别方法，其特征在于，包括无人机飞行工况训练数据采集、无人机工况模式离线分类和无人机工况模式在线匹配；

所述识别方法具体包括以下步骤：

S1、构建无人机飞行工况训练数据集；

S2、在无人机飞行工况训练数据集基础上构建无人机飞行工况训练数据网络，用于记录无人机飞行过程中不同时刻的工况状态以及它们之间的相关关系；

所述步骤S2包括以下具体步骤：

S21、遍历无人机飞行工况训练数据集，利用式(2)计算其中任意两个特征向量间的相似度：

其中，x_i和x_j分别表示飞行过程中i时刻和j时刻无人机的特征向量，||x_i-x_j||²为特征向量x_i和x_j间的欧几里得距离，γ为信号采集时的采样间隔，Sim_ij表示特征向量x_i和x_j间的相似度；

S22、以特征向量间的相似度为元素构建无人机飞行工况相关性矩阵A＝[Sim_ij]_T×T；

S23、利用无人机飞行工况训练数据集X和相关性矩阵A构建无人机飞行工况训练数据网络Net(X,A)，用于记录无人机飞行过程中不同时刻的工况状态以及它们之间的相关关系；

S3、基于步骤S2获得的无人机飞行工况训练数据网络，利用图变分自编码器构建无人机飞行工况模式分类模型；

所述步骤S3中的无人机飞行工况模式分类模型包含编码器、解码器、分类器三个部分，所述步骤S3包含以下步骤：

S31、编码器用于将无人机飞行工况训练数据网络Net(X,A)映射为低维特征空间中的嵌入向量构成的集合Z，其编码过程的形式化表示如式(3)所示：

其中，为全部嵌入向量构成的集合，z_t表示特征向量x_t在低维特征空间中对应的嵌入向量，由式(4)表示的分布中采样得到：

式中，μ_z,t和分别为嵌入向量z_t的期望和方差，并由两个结构相同的2层图卷积网络计算获得，即：

μ_z,t＝GCN_μ(x_t,A) (5)

logσ_z,t＝GCN_σ(x_t,A) (6)

其中，GCN_μ()和GCN_σ()分别表示计算嵌入向量分布的期望与方差的图卷积网络，它们具有相同的结构，由式(7)定义：

GCN(X,A)＝Gconv(ReLU(Gconv(A,X；W₀))；W₁) (7)

式中，Gconv()表示图卷积网络；W₀和W₁分别为第一层图卷积网络和第二层图卷积网络中的连接权重矩阵；ReLU()为激活函数，由式(8)定义：

S32、解码器用于将嵌入向量集合Z重构为网络关系即解码器定义如式(9)所示：

其中，σ()为狄拉克函数；

S33、分类器用于将无人机飞行工况特征向量对应的嵌入向量划分到相应模式类别当中，将分类器的类别划分结果记为C^*＝{C₁,C₂,…,C_K}，其中K为模式类别数量，该分类器由一个高斯混合模型构成，其形式化表示为π_k为模式类别C_k的先验分布概率，将各模式类别的先验分布概率构成的向量记作π＝[π₁,π₂,…,π_K]；为高斯混合模型中模式类别C_k对应的高斯分布分量，μ_k和分别为C_k对应的高斯分布分量的期望与方差；

S4、对于步骤S3构建的无人机飞行工况模式分类模型，通过迭代计算方式进行模型求解，确定模型的最优参数；

所述步骤S4包含以下具体步骤：

S41、基于S3建立的模式分类模型，构造无人机飞行工况的对数似然函数如式(10)所示：

其中，logp(x_t)为无人机特征向量x_t的对数似然函数；对于任意无人机特征向量x，利用Jensen不等式获得其对数似然函数logp(x)的证据下界如式(11)：

式中，为无人机特征向量x对数似然函数的证据下界，z为x在低维空间中对应的嵌入向量，a为x在邻接矩阵A中对应的邻接向量，p(a,z,C_k)由式(12)计算

p(a,z,C_k)＝p(a|z)p(z|C_k)p(C_k) (12)

其中，p(a|z)由式(13)定义

其中，μ_A和分别为重构关系的期望和方差，由式(9)的解码器求得；

p(z|C_k)由式(14)定义

式中，μ_k和分别由式(5)和式(6)计算；

p(C_k)由式(15)定义

p(C_k)＝Cat(C_k|π) (15)

式中，Cat(C_k|π)为无人机模式类别分布函数；式(11)中q(z,C_k|x,a)为真实后验分布p(z,C_k|x,a)的变分后验近似值；

S42、通过使用蒙特卡洛随机梯度下降变分贝叶斯算子，将式(11)的证据下界变换为式(16)

式中，M为蒙特卡洛随机梯度下降变分贝叶斯算子的采样数量，D为无人机特征向量的维度，R为嵌入向量的维度，x_d为无人机特征向量x的第d个分量，为μ_A的第m个采样中第d个分量，为的第r个分量，为的第r个分量，μ_z|_r为μ_z的第r个分量，μ_k|_r为μ_k的第r个分量；

S43、使用高斯分布初始化方式对步骤S3中的无人机飞行工况模式分类模型进行初始化；

给定迭代次数L，迭代执行步骤S44～S49，直到达到迭代次数，完成对无人机飞行工况模式分类模型的训练，获得模型的最优参数；

S44、利用式(5)和式(6)计算无人机飞行工况训练数据网络Net(X,A)中每个特征向量及其邻接向量在低维特征空间中对应的嵌入向量的期望和方差；

S45、由无人机飞行工况全部模式类别中随机选取一个模式类别，记作C_k，利用式(17)计算该次迭代中模型输出值：

S46、按式(18)从关于模式类别C_k的后验高斯分布中采样一个嵌入向量z_t；

S47、利用式(8)将低维特征空间中的嵌入向量重构为网络关系；

S48、利用式(16)计算无人机特征向量x的对数似然函数的证据下界

S49、利用梯度方法进行反向传播，对无人机飞行工况模式分类模型中的连接权重矩阵进行更新；

S5、利用步骤S3构建的无人机飞行工况模式分类模型，以及步骤S4确定的模型最优参数，基于无人机飞行工况训练数据网络进行无人机飞行工况模式分类；

S6、将在线采集的无人机飞行工况数据与无人机飞行工况模式分类结果进行匹配，确定无人机的实时飞行工况模式。