一种基于集成孤立森林的无人机智能故障检测方法及系统

摘要

本发明涉及无人机故障检测技术领域，公开了一种基于集成孤立森林的无人机智能故障检测方法及系统，利用安全飞行状态下的无人机内外部多源原始飞行数据，研发了基于集成孤立森林的无人机智能故障检测模型，包括：采集无人机内外部多源原始飞行数据，利用原始无人机飞行日志提取基本特征，规格数字化无人机特征数据，综合多种机器学习技术形成集成孤立森林模型，通过安全飞行模式可检测无人机飞行状况，深入解析无人机在飞行中各时段发生的各类飞行数据特征间的内在关联关系，及时发现飞行中的异常状况。与现有技术相比，本发明实现直观、快速的捕获无人机故障的异常信息，为无人机安全飞行与低空空域安全提供保障。

权利要求

1.一种基于集成孤立森林的无人机智能故障检测方法，其特征在于，包括如下步骤：步骤1：获取无人机安全稳定状态下的内外部多源原始飞行数据，其中包括飞控参数、发动机参数、电气参数、定位参数和无线电参数，以此形成无人机数据样本集；

步骤2：对步骤1无人机数据样本集进行数字化处理和时间度量统一化，形成规格化的无人机飞行数据集；

步骤3：根据步骤2规格化的无人机飞行数据集训练集成孤立森林，构建基于无人机飞行数据的合规集成孤立森林模型，其具体过程为对于每一份无人机飞行数据子样本，分别使用三类不同的分枝准则建立合规模型树：

1)分枝准则1：利用具有随机斜率的超平面对数据进行切片，在训练阶段，根据分枝准则1，随机选择一个斜率切割分枝；

2)分枝准则2：从样本中随机选择两列特征，将两列特征值映射在一个超平面上形成为一列复合属性映射值，再根据此映射值建立合规孤立树；

3)分枝准则3：选取最小的信息熵H(X)所对应的超平面进行分割；

根据3类分枝准则对每一份子样本进行分枝操作，将无人机规格化数据样本中小于分割超平面的样本划到左分枝，样本中大于分割超平面的划到右分枝，然后在左右两个分枝重复这样的二叉分枝操作，直到达到满足一定条件；

步骤4：利用所述合规集成孤立森林模型完成对无人机飞行状态的安全性检测。

2.根据权利要求1所述的基于集成孤立森林的无人机智能故障检测方法，其特征在于，所述步骤2中分枝准则1的分枝公式规则如下：其中，为法向量，为随机截距向量。

3.根据权利要求1所述的基于集成孤立森林的无人机智能故障检测方法，其特征在于，所述步骤3中分枝准则2的分枝公式规则如下：其中，Q为所有无人机规格化数据所有特征属性，j为随机选出的无人机属性，cj为[‑1,

1]间随机选取的值，X′为无人机二次采样的样本集，Xj′为X′的第j个特征属性值，p为一个随机分割点，创建τ个候选超平面，再选取最大的S(Y)所对应的超平面进行分割，从候选超l r l平面中选择最优超平面，Y是X′通过f(x)投影得到的实值集，Y∪Y＝Y,随机分割点p将Y 和rY分开。

4.根据权利要求1所述的基于集成孤立森林的无人机智能故障检测方法，其特征在于，所述步骤3中分枝准则3的划分准则分枝公式规则如下：其中，p(xi)代表X为xi的概率。

5.根据权利要求2至4任一所述的基于集成孤立森林的无人机智能故障检测方法，其特征在于，所述步骤3中满足条件如下：条件1：无人机属性数据集合本身不可再分割；

条件2：合规模型树达到限定的最大深度，所限定的最大深度为8。

6.根据权利要求1所述的基于集成孤立森林的无人机智能故障检测方法，其特征在于，所述步骤2中对无人机飞行数据的规格化处理过程为：步骤2.1：对步骤1无人机飞行数据采集至少大于120小时的时间长度的无人机飞行数据，在确保该时长内无人机处于正常飞行状态下，通过对该时段无人机数据采集和处理，形成安全状态下的无人机飞行数据集，该数据集作为一个训练集，用来训练无人机安全飞行模式；

步骤2.2：对训练集安全飞行数据记录集合中的非数字化记录的数字化转换，转变为可被机器学习的数字记录集；

步骤2.3：对数字化后的训练集安全飞行数据记录集合进行时间度量统一化处理，形成规格化的无人机飞行数据集。

7.根据权利要求1所述的基于集成孤立森林的无人机智能故障检测方法，其特征在于，所述步骤2中获取无人机飞行数据子样本的过程为：对规格化的无人机飞行数据集通过Bagging技术进行100次随机选取无人机规格化数据子样本。

8.根据权利要求1所述的基于集成孤立森林的无人机智能故障检测方法，其特征在于，所述步骤3中合规集成孤立森林模型中的合规模型树的集合由300棵飞行合规模型树构成。

9.根据权利要求1所述的基于集成孤立森林的无人机智能故障检测方法，其特征在于，所述步骤4利用所述合规集成孤立森林模型完成对无人机飞行状态的安全性检测的具体过程为：对于检测的每一条无人机合规数据，遍历完建立起来的所有无人机合规模型树，得到遍历每棵树后产生的路径长度，接着通过运用统计学的方法计算得出每棵树的路径长度平均路径长度，当平均路径越短，异常程度越大，越会被判定为异常飞行状态数据，并且可以根据平均路径长短计算出每一条无人机合规数据的异常得分，根据异常得分判断无人机飞行状态是否出现异常。

10.一种基于集成孤立森林的无人机智能故障检测系统，所述系统基于权利要求1所述的无人机智能故障检测方法设置，其特征在于，包括：飞行数据获取模块，用于采集和处理无人机数据，形成安全状态下的无人机飞行数据集；

飞行数据规格化处理模块，用于对原始无人机飞行数据进行预处理，转变为可被机器学习的无人机规格化数据；

集成孤立森林算法训练模块，用于对无人机的安全飞行状态无监督自动学习，构造合规集成孤立森林模型；

故障检测模块，用于所述合规集成孤立森林模型完成对无人机飞行状态的安全性检测。

说明书

一种基于集成孤立森林的无人机智能故障检测方法及系统

技术领域

[0001] 本发明涉及无人机故障检测技术领域，具体涉及一种基于集成孤立森林的无人机智能故障检测方法及系统。

背景技术

[0002] 近年来，无人驾驶飞行器飞速发展，有望为社会创造巨大的利益，但由于无人机非常依赖于提供有关外部环境或内部系统状态信息的传感器、物理实现所需运动的执行器以及根据测量结果和需要完成的任务驱动执行器的控制器，使其容易受到各种攻击，如果通信信号被恶意攻击者侵入或是突发硬件故障，无人机将失去控制，导致无法在空中稳定身体，一旦无人机发生故障会造成巨大的破坏，包括商业和非商业损失。当无人机运行异常，在影响无人机自身安全的同时，更大的影响是波及公共安全，甚至干扰整个低空空域的管理。

[0003] 无人机系统主要由三部分组成，包含无人机、地面站以及传输信息的通信链路组成。无人机的异常，一般是指无人机失控、失联。一方面来自于无人机自身硬件故障或外部环境的干扰，此类异常可以通过更换无人机组件解决；另外一方面，包括对无人机通讯网络的攻击、GPS(Global Positioning System,全球定位系统)欺骗、GPS干扰等，一旦无人机受到入侵，将失去控制，导致无法在空中稳定机身，造成安全事故。因此，如何快速且准确地识别无人机的异常状态，成为提高无人机运行安全性的一项关键课题。

[0004] 由于真实环境下无人机所遭受的攻击是复杂的，针对无人机系统异常检测常常面临问题和挑战：攻击未知；人工标记成本高，数据缺少标签；在低计算负载操作下，实现对多异常类型的高精度检测等。目前，无人机故障检测方法可以分为基于模型的方法、基于知识的方法、基于数据驱动的方法以及基于离散事件四大类方法。其中离散事件方法正处于理论研究阶段，而前三类方法由于时间的积累已经发展并形成了较为系统的分枝，在飞行控制领域的研究和应用方面已经衍生出了一些新方法。

[0005] 基于模型解析方法，是通过构建复杂的模型检测无人机故障，存在计算繁冗、易产生误差导致系统误判或漏报的情况，针对噪声信号干扰、鲁棒性等问题也有待改进和解决。基于知识的方法很大程度上依赖于明确定义的特征和先验监督知识，其存在些无法避免的弊端，例如需要对训练数据集进行精细的标记，模型所能识别出的故障类型有限，无法识别未经过训练的故障类型，难以满足无人机飞行处理多类数据并且避免时延的连续操作的需求。

[0006] 本发明利用的是无监督机器学习，训练集数据无需人为标注的结果，其属于基于数据驱动的方法，利用从无人机原始飞行数据中提取特征信息进行有效判断，能够解决无人机系统的不确定性、强耦合等问题

发明内容

[0007] 发明目的：针对现有技术中存在的问题，本发明提供一种基于集成孤立森林的无人机智能故障检测方法及系统，通过采集某时间段的无人机正常飞行过程中机体内外部多源原始飞行数据，经过规格化数据处理后，利用特定的机器无监督学习技术，建立起无人机的正常状态下飞行特征属性的合规模型，实现对异于无人机正常飞行状态的飞行数据的故障状态检测。

[0008] 技术方案：本发明提供了一种基于集成孤立森林的无人机智能故障检测方法，包括如下步骤：

[0009] 步骤1：获取无人机安全稳定状态下的内外部多源原始飞行数据，其中包括飞控参数、发动机参数、电气参数、定位参数和无线电参数，以此形成无人机数据样本集；

[0010] 步骤2：对步骤1无人机数据样本集进行数字化处理和时间度量统一化，形成规格化的无人机飞行数据集；

[0011] 步骤3：根据步骤2规格化的无人机飞行数据集训练集成孤立森林，构建基于无人机飞行数据的合规集成孤立森林模型，其具体过程为对于每一份无人机飞行数据子样本，分别使用三类不同的分枝准则建立合规模型树：

[0012] 1)分枝准则1：利用具有随机斜率的超平面对数据进行切片，在训练阶段，根据分枝准则1，随机选择一个斜率切割分枝；

[0013] 2)分枝准则2：从样本中随机选择两列特征，将两列特征值映射在一个超平面上形成为一列复合属性映射值，再根据此映射值建立合规孤立树；

[0014] 3)分枝准则3：选取最小的H(X)所对应的超平面进行分割；

[0015] 根据3类分枝准则对每一份子样本进行分枝操作，将无人机规格化数据样本中小于分割超平面的样本划到左分枝，样本中大于分割超平面的划到右分枝，然后在左右两个分枝重复这样的二叉分枝操作，直到达到满足一定条件；

[0016] 步骤4：利用所述合规集成孤立森林模型完成对无人机飞行状态的安全性检测。

[0017] 进一步地，所述步骤2中分枝准则1的分枝公式规则如下：

[0018]

[0019] 其中，为法向量，为随机截距向量。

[0020] 进一步地，所述步骤3中分枝准则2的分枝公式规则如下：

[0021]

[0022]

[0023] 其中，Q为所有无人机规格化数据所有特征属性，j为随机选出的无人机属性，cj为[‑1,1]间随机选取的值，X′为无人机二次采样的样本集，Xj′为X′的第j个特征属性值，p为一个随机分割点，创建τ个候选超平面，再选取最大的S(Y)所对应的超平面进行分割，从候l r选超平面中选择最优超平面，Y是X′通过f(x)投影得到的实值集，Y∪Y＝Y,随机分割点p将l r
Y和Y分开。

[0024] 进一步地，所述步骤3中分枝准则3的划分准则分枝公式规则如下：

[0025]

[0026] 其中，p(xi)代表X为xi的概率。

[0027] 进一步地，所述步骤3中满足条件如下：

[0028] 条件1：无人机属性数据集合本身不可再分割；

[0029] 条件2：合规模型树达到限定的最大深度，所限定的最大深度为8。

[0030] 进一步地，所述步骤2中对无人机飞行数据的规格化处理过程为：

[0031] 步骤2.1：对步骤1无人机飞行数据采集至少大于120小时的时间长度的无人机飞行数据，在确保该时长内无人机处于正常飞行状态下，通过对该时段无人机数据采集和处理，形成安全状态下的无人机飞行数据集，该记录集作为一个训练集，用来训练无人机安全飞行模式；

[0032] 步骤2.2：对训练集安全飞行数据记录集合中的非数字化记录的数字化转换，转变为可被机器学习的数字记录集；

[0033] 步骤2.3：对数据化后的训练集安全飞行数据记录集合进行时间度量统一化处理，形成规格化的无人机飞行数据集。

[0034] 进一步地，所述步骤2中获取无人机飞行数据子样本的过程为：对规格化的无人机飞行数据集通过Bagging技术进行100次随机选取无人机规格化数据子样本。

[0035] 进一步地，所述步骤3中合规集成孤立森林模型中的合规模型树的集合由300棵飞行合规模型树构成。

[0036] 进一步地，所述步骤4利用所述合规集成孤立森林模型完成对无人机飞行状态的安全性检测的具体过程为：

[0037] 对于检测的每一条无人机合规数据，遍历完建立起来的所有无人机合规模型树，得到遍历每棵树后产生的路径长度，接着通过运用统计学的方法计算得出每棵树的路径长度平均路径长度，当平均路径越短，异常程度越大，越会被判定为异常飞行状态数据，并且可以根据平均路径长短计算出每一条无人机合规数据的异常得分，根据异常得分判断无人机飞行状态是否出现异常。

[0038] 本发明还公开一种基于集成孤立森林的无人机智能故障检测，包括：

[0039] 飞行数据获取模块，用于采集和处理无人机数据，形成安全状态下的无人机飞行数据集；

[0040] 飞行数据规格化处理模块，用于对原始无人机飞行数据进行预处理，转变为可被机器学习的无人机规格化数据；

[0041] 集成孤立森林算法训练模块，用于对无人机的安全飞行状态无监督自动学习，构造合规集成孤立森林模型；

[0042] 故障检测模块，用于所述合规集成孤立森林模型完成对无人机飞行状态的安全性检测。

[0043] 有益效果：

[0044] 1、本发明中利用的机器学习技术属于无监督机器学习，训练集数据无需人为标注的结果。针对无人机智能故障检测，存在故障状态不确定，人工标注困难的问题，相较于有监督的方法依赖于准确标注好的数据集进行模型训练，需要充足的正、负样本，无监督机器学习方法可以以更少的成本在无人机智能故障分析中进行落地。

[0045] 2、本发明提出的无人机异常检测方法根据无人机飞行数据的分布特点，围绕无人机安全四要素动力系统、主控制器、通讯链路模块和传感器，通过机器学习技术，建立基于无人机四要素的安全飞行状态模型，基于合规集成孤立森林模型，实现无人机系统异常检测，能够对无人机攻击行为及时发现、预警，阻止无人机违背指令的飞行，能够有效保护无人机运行安全。

[0046] 3、本发明设置飞行合规模型树的集合由300棵飞行合规模型树构成，由于无人机合规集成孤立森林模型里达到300棵树后，飞行合规模型树的数量再增加，异常检测的结果不会有进一步的提升，所以设置300棵飞行合规模型树，即能满足异常检测精度，不存在浪费能源的情况。

[0047] 4、本发明当无人机数据呈现多个数据分布簇团分布或是数据波浪曲线分布时，传统孤立森林模型的分枝准则存在异常掩盖，而本发明分枝准则1允许对数据进行切片以使用具有随机斜率的超平面，从说明书中的附图6，显然本发明分枝准则1检测出了传统孤立森林模型的分枝准则未检测出的异常。

[0048] 5、由于真实环境下无人机所遭受的攻击是复杂的，因此无人机异常可能是由不同的机制产生，面对无人机的集群异常可能有它们自己的分布。本发明由分枝准则2所建立的无人机合规模型树通过引入一个新的切割面来隔离离群因子，超越了随机拟合的树，能有效地将聚集异常与正常点分离。

[0049] 6、本发明的分枝准则3根据信息熵判断，即利用了决策树的信息增益准则分枝，其面对更接近无人机正常数据分布的有矫正措施的无人机数据时，异常分数表现会出现总体后移的现象，集成该分枝准则，其本质是对分枝准则1和分枝准则2的修正，即当检测有矫正措施的无人机数据时，根据分枝准则3所建立的无人机合规模型树会对分枝准则1和分枝准则2下建立的无人机合规模型树进行异常得分修正。综上，集成孤立森林结合三种分枝准则，弥补了传统孤立森林模型的缺陷并保持算法的低时间负载，满足无人机异常检测的要求。

附图说明

[0050] 图1为本发明提供的一种基于集成孤立森林的无人机智能故障检测模型步骤流程示意图；

[0051] 图2为本发明提供的飞行数据记录集合数字化处理示意图；

[0052] 图3为本发明提供的飞行数据记录集合时间度量统一化处理示意图；

[0053] 图4为本发明提供的构造合规集成孤立森林模型的具体步骤示意图；

[0054] 图5为本发明提供的合规集成孤立森林模型对无人机飞行状态的安全性检测过程示意图；

[0055] 图6为传统孤立森林模型的分枝准则和本发明分枝准则1在针对2种无人机数据分布的异常值切分示意图。

具体实施方式

[0056] 下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

[0057] 参见附图1至附图5，本发明公开一种基于集成孤立森林的无人机智能故障检测方法及系统。

[0058] 根据图1的基于集成孤立森林的无人机智能故障检测方法步骤流程示意图，本发明基于集成孤立森林的无人机智能故障检测方法的具体的步骤如下：

[0059] 步骤1：围绕无人机安全四要素动力系统、主控制器、通讯链路模块和传感器，利用嵌入式应用软件，连接地面ATE自动化测试系统完成对无人机的实时数据信息采集，以及地面数据传输与存储。其中数据采集程序，主要是从软件层面对CPU服务程序内核进行中断，对某一进程中的数字信号、模拟信号做出控制。例如，飞行航线、高度、速度、姿态、舵机位置等数据的采集由AD软中断负责，GPS等定位的数据采集由Uart中断负责，最后将采集完的数据打包存储至缓冲区，其中包括飞控参数、发动机参数、电气参数、定位参数和无线电参数等无人机内外部多源原始飞行数据，并由缓冲区写入移动存储器，形成层次化、结构化的无人机飞行数据。

[0060] 步骤2：对步骤1无人机数据样本集进行数字化处理和时间度量统一化，形成规格化的无人机飞行数据集。

[0061] 步骤2.1：对步骤1所数据采集，采集至少大于120小时的时间长度的无人机飞行数据，在确保该时长内无人机处于正常飞行状态下，通过对该时段无人机数据采集和处理，形成安全状态下的无人机飞行数据集，该记录集作为一个训练集，用来训练无人机安全飞行模式，以此建立该无人机基于规格化飞行数据的合规集成孤立森林模型。

[0062] 步骤2.2：对训练集安全飞行数据记录集合进行数字化处理，数字化处理是指对飞行数据中各特征属性值按照设定的转换规则完成相关特征属性值的从非数字到数字的转换工作(参见图2)。数字化规则为对非数字属性去重后，进行排序，每个非数字特征值映射为对应编号数字，保障每个特征值对应唯一数字值，以此构建特征属性数字化映射表，接着，通过数字化映射表将非数字的飞行数据转变为可被机器学习的数字记录集。

[0063] 步骤2.3：由于传感器数据相互独立，导致各类无人机特征属性在不同时段被分别记录，造成难以描述无人机在特定时间段内的状态，因此对数据化后的训练集安全飞行数据记录集合进行时间度量统一化处理，即分别从每个单位时间段内随机选出一个代表值，以使在同一时间窗口内，每个特征具有相同个数的值，形成规格化的无人机飞行数据集，例如，在同一时间窗口内，无人机特征1、特征2和特征3的每个特征的个数分别为7个、3个和5个，时间度量统一化处理分别从每个单位时间段内随机选出一个代表值，保证单个时间窗口内的特征值数量相同(参见图3)。

[0064] 步骤3：根据步骤2规格化的无人机飞行数据集训练集成孤立森林，构建基于无人机飞行数据的合规集成孤立森林模型。

[0065] 利用基于集成孤立森林算法完成对规格化的无人机飞行数据集的训练学习，训练的结果是根据各项飞行特征属性值建立飞行合规模型树，各个飞行合规模型树组成一个合规集成孤立森林模型，合规集成孤立森林模型中的每一个合规模型树用于异常飞行模式的检测。其中，利用基于集成孤立森林算法完成对合规行为事件数据集的训练学习的具体过程如下(参见图4)：

[0066] 1)对规格化的无人机飞行数据集通过Bagging技术进行100次随机选取无人机规格化数据子样本，每个无人机规格化数据子样本包括了235条无人机飞行数据；

[0067] 2)对于每一份子样本，分别使用三类不同的分枝准则建立合规模型树：

[0068] 分枝准则1：利用具有随机斜率的超平面对数据进行切片，在训练阶段，根据分枝准则1，随机选择一个斜率切割分枝，分枝准则1的分枝公式规则如下：

[0069]

[0070] 其中，为法向量， 为随机截距向量。

[0071] 分枝准则2：从样本中随机选择两列特征，将两列特征值映射在一个超平面上形成为一列复合属性映射值，再根据此映射值建立合规孤立树，分枝准则2的分枝公式规则如下：

[0072]

[0073]

[0074] 其中，Q为所有无人机规格化数据所有特征属性，j为随机选出的无人机属性，cj为[‑1,1]间随机选取的值，X′为无人机二次采样的样本集，Xj′为X′的第j个特征属性值，p为一个随机分割点，创建τ个候选超平面，再选取最大的S(Y)所对应的超平面进行分割，从候l r选超平面中选择最优超平面，Y是X′通过f(x)投影得到的实值集，Y∪Y＝Y,随机分割点p将l r
Y和Y分开。

[0075] 分枝准则3：划分准则如下所示，选取最小的H(X)所对应的超平面进行分割：

[0076]

[0077] 其中，p(xi)代表X为xi的概率。

[0078] 根据3类分枝准则对每一份子样本进行分枝操作，将无人机规格化数据样本中小于分割超平面的样本划到左分枝，样本中大于分割超平面的划到右分枝，然后在左右两个分枝重复这样的二叉分枝操作，直到达到满足如下条件：

[0079] 条件1：无人机属性数据集合本身不可再分割；

[0080] 条件2：合规模型树达到限定的最大深度，所限定的最大深度为8。

[0081] 无人机安全飞行状态的合规模型树的集合由300棵无人机合规集成孤立森林模型树构成。

[0082] 步骤3：利用所述合规集成孤立森林模型完成对无人机飞行状态的安全性检测。

[0083] 其中，利用所述合规集成孤立森林模型完成对无人机飞行状态的安全性检测的具体过程如下(参见图5)：

[0084] 步骤3.1：对于检测的每一条无人机合规数据，遍历完建立起来的所有无人机合规模型树，得到遍历每棵树后产生的路径长度，接着通过运用统计学的方法计算得出每棵树的路径长度平均路径长度，当平均路径越短，异常程度越大，越会被判定为异常飞行状态数据，并且可以根据平均路径长短计算出每一条无人机合规数据的异常得分，根据异常得分判断无人机飞行状态是否出现异常，异常得分低于异常阈值的飞行数据为无人机正常飞行数据，反之，异常得分高于异常阈值的飞行数据为无人机异常飞行数据；

[0085] 步骤3.2：对于异常飞行状态数据通知告警系统，完成告警操作。

[0086] 针对上述的基于集成孤立森林的无人机智能故障检测方法，本发明公开的基于集成孤立森林的无人机智能故障检测系统包括飞行数据获取模块，用于采集和处理无人机数据，形成安全状态下的无人机飞行数据集；飞行数据规格化处理模块，用于对原始无人机飞行数据进行预处理，转变为可被机器学习的无人机规格化数据；集成孤立森林算法训练模块，用于对无人机的安全飞行状态无监督自动学习，构造合规集成孤立森林模型；故障检测模块，用于所述合规集成孤立森林模型完成对无人机飞行状态的安全性检测。该系统只要用于执行上述的基于集成孤立森林的无人机智能故障检测方法。

[0087] 针对本发明公开的基于集成孤立森林的无人机智能故障检测方法，本发明分枝准则1允许对数据进行切片以使用具有随机斜率的超平面，图6为传统孤立森林模型的分枝准则和本发明分枝准则1在针对2种无人机数据分布的异常值切分示意图，其中，黑色点为异常数据点，灰色点为正常分布的数据点，图6(a)(b)为传统孤立森林模型的分枝准则生成的分枝切割，(c)(d)为本发明分枝准则1生成的分枝切割，显然本发明分枝准则1检测出了传统孤立森林模型的分枝准则未检测出的异常。

[0088] 另外，本发明分别对无矫正措施的无人机飞行异常(UA数据集)和有矫正措施的无人机飞行异常(ALFA数据集)进行检测，并且将本发明(IIF算法)与传统孤立森林(Isolation Forest，iForest)、分枝准则1、分枝准则2、分枝准则3以及传统无监督异常检测算法：局部异常值因子(Local Outlier Factor，LOF)、一类支持向量机(One‑Class SVM，OC SVM)进行对比，在实现了不同算法的对比结果，参见表1和表2：

[0089] 表1针对UA数据集的异常检测算法性能对比

[0090]

[0091] 从表1中不难发现，对无矫正措施的无人机飞行异常(UA数据集)，本发明对于GPS干扰、GPS欺骗以及混合异常的F‑measure值都保持在0.9以上。本发明算法精准度相较于传统LOF和One‑Class SVM分别提高了68％和12.6％。对于传统iForest，本发明算法精准度和召回率分别平均提升了1.3％和62.6％。

[0092] 表2针对ALFA数据集的异常检测算法性能对比

[0093]

[0094] 由表2可以看出，对于有矫正措施的无人机异常数据，传统无监督异常检测算法的F‑measure值在0.33至0.69之间。其余算法中，分枝准则3算法F‑measure值最高，分别达到了0.92、0.83、0.84和0.88，进一步分析其精确度和召回率可以发现，其检测四类异常所得的精确度都低于本发明算法，但反观其召回率都达到了100％。不难看出分枝准则3算法对于检测有矫正措施的无人机异常数据出现了过拟合的情况，即将所有检测集数据都归为了异常数据。本发明检测发动机异常、方向舵异常、升降舵异常和副翼异常的F‑measure值分别为0.86、0.76、0.75和0.75，其四类异常F‑measure值排在第二位。接着是iForest和分枝准则1，而分枝准则2性能排在最后。

[0095] 上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。