基于单类三角全局对齐核极限学习机的无人机状态数据异常检测
人工智能
2023-02-21 v1
摘要
无人机（UAV）在军事和民用领域应用广泛，满足了众多需求。随着应用场景的不断丰富和广泛扩展，无人机的安全性不断受到挑战。为应对这一挑战，我们提出了检测从无人机收集的异常数据的算法，以提高无人机安全性。我们部署了单类核极限学习机（OCKELM）来检测无人机数据中的异常。默认情况下，OCKELM 使用径向基（RBF）核函数作为模型的核函数。为了提高 OCKELM 的性能，我们选择三角全局对齐核（TGAK）代替 RBF 核，并引入快速独立成分分析（FastICA）算法来重构无人机数据。基于以上改进，我们创建了一种新颖的异常检测策略 FastICA-TGAK-OCELM。该方法最终在 UCI 数据集上进行了验证，并在航空实验室故障与异常（ALFA）数据集上进行了检测。实验结果表明，与其他方法相比，该方法的准确率提高了 30% 以上，并且有效检测了点异常。
引用
@article{arxiv.2302.09320,
title = {Anomaly Detection of UAV State Data Based on Single-class Triangular Global Alignment Kernel Extreme Learning Machine},
author = {Feisha Hu and Qi Wang and Haijian Shao and Shang Gao and Hualong Yu},
journal= {arXiv preprint arXiv:2302.09320},
year = {2023}
}