Método de Detección de Anomalías en UAV Basado en Autoencoder Convolucional y Descripción de Datos de Soporte Vectorial con Pérdida de Margen Suave 0/1
Autores: Chen, Huakun; Lyu, Yongxi; Shi, Jingping; Zhang, Weiguo
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Método de Detección de Anomalías en UAV Basado en Autoencoder Convolucional y Descripción de Datos de Soporte Vectorial con Pérdida de Margen Suave 0/1
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Drones
Detección de anomalías
Datos de vuelo
Red neuronal convolucional
Descripción de datos de soporte vectorial
Características espaciotemporales
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Los vehículos aéreos no tripulados (VANT) están siendo utilizados cada vez más en diversas industrias, lo que genera crecientes preocupaciones sobre su seguridad y fiabilidad. Los datos de vuelo de los VANT pueden reflejar directamente su estado de salud en vuelo; sin embargo, la rareza de los datos de vuelo anormales y las características espaciotemporales de estos datos representan un desafío significativo para construir detectores de anomalías precisos y fiables. Para abordar esto, este estudio propone un marco de detección de anomalías que considera plenamente las correlaciones temporales y las características de distribución de los datos de vuelo. Este marco primero combina una red neuronal convolucional unidimensional (1DCNN) con un autoencoder (AE) para establecer un modelo de extracción de características. Este modelo aprovecha las capacidades de extracción de características de la 1DCNN y las capacidades de reconstrucción del AE para extraer a fondo las características espaciotemporales de los datos de vuelo de los VANT. Luego, para abordar el desafío de los umbrales de detección de anomalías adaptativos, esta investigación propone un modelo no lineal de descripción de datos de soporte vectorial (SVDD) utilizando una pérdida de margen suave 0/1, denominada L0/1-SVDD. Este modelo reemplaza la función de pérdida de bisagra tradicional en SVDD con una función de pérdida 0/1, con el objetivo de mejorar la precisión y robustez de la detección de anomalías. Dado que la función de pérdida 0/1 es una función acotada, no convexa y no continua, este artículo propone el algoritmo Bregman ADMM para resolver el L0/1-SVDD. Finalmente, la diferencia entre el valor reconstruido y el valor real se utiliza para entrenar el L0/1-SVDD, resultando en un clasificador de hiperesfera capaz de detectar datos anómalos de VANT. Los resultados experimentales utilizando datos de vuelo reales muestran que, en comparación con métodos como AE, LSTM y LSTM-AE, el método propuesto exhibe un rendimiento superior en cinco métricas de evaluación.
Descripción
Los vehículos aéreos no tripulados (VANT) están siendo utilizados cada vez más en diversas industrias, lo que genera crecientes preocupaciones sobre su seguridad y fiabilidad. Los datos de vuelo de los VANT pueden reflejar directamente su estado de salud en vuelo; sin embargo, la rareza de los datos de vuelo anormales y las características espaciotemporales de estos datos representan un desafío significativo para construir detectores de anomalías precisos y fiables. Para abordar esto, este estudio propone un marco de detección de anomalías que considera plenamente las correlaciones temporales y las características de distribución de los datos de vuelo. Este marco primero combina una red neuronal convolucional unidimensional (1DCNN) con un autoencoder (AE) para establecer un modelo de extracción de características. Este modelo aprovecha las capacidades de extracción de características de la 1DCNN y las capacidades de reconstrucción del AE para extraer a fondo las características espaciotemporales de los datos de vuelo de los VANT. Luego, para abordar el desafío de los umbrales de detección de anomalías adaptativos, esta investigación propone un modelo no lineal de descripción de datos de soporte vectorial (SVDD) utilizando una pérdida de margen suave 0/1, denominada L0/1-SVDD. Este modelo reemplaza la función de pérdida de bisagra tradicional en SVDD con una función de pérdida 0/1, con el objetivo de mejorar la precisión y robustez de la detección de anomalías. Dado que la función de pérdida 0/1 es una función acotada, no convexa y no continua, este artículo propone el algoritmo Bregman ADMM para resolver el L0/1-SVDD. Finalmente, la diferencia entre el valor reconstruido y el valor real se utiliza para entrenar el L0/1-SVDD, resultando en un clasificador de hiperesfera capaz de detectar datos anómalos de VANT. Los resultados experimentales utilizando datos de vuelo reales muestran que, en comparación con métodos como AE, LSTM y LSTM-AE, el método propuesto exhibe un rendimiento superior en cinco métricas de evaluación.