基于深度学习与高斯差分法的ADS?B异常数据检测模型

基于深度学习与高斯差分法的ADS?B异常数据检测模型

TN279; 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 de?pendent 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...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:南京航空航天大学学报（英文版） 2020, Vol.37 (4), p.550-561
Hauptverfasser: 王尔申, 宋远上, 徐嵩, 郭婧, 宏晨, 曲萍萍, 庞涛, 张建通
Format: Artikel
Sprache:chi
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
container_end_page 561
container_issue 4
container_start_page 550
container_title 南京航空航天大学学报（英文版）
container_volume 37
creator 王尔申
宋远上
徐嵩
郭婧
宏晨
曲萍萍
庞涛
张建通
description TN279; 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 de?pendent 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 memo?ry,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.
format Article
fullrecord <record><control><sourceid>wanfang_jour</sourceid><recordid>TN_cdi_wanfang_journals_njhkhtdxxb_e202004007</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>njhkhtdxxb_e202004007</wanfj_id><sourcerecordid>njhkhtdxxb_e202004007</sourcerecordid><originalsourceid>FETCH-wanfang_journals_njhkhtdxxb_e2020040073</originalsourceid><addsrcrecordid>eNpjYeA0NDAw1TU0NDLgYOAtLs5MMjAwMzcwNrcw42RweTp_15Ndfc-2b3y6a9nTtcue7FzwZEffy9Uznk1b_3T7uqcdbc82T30-q8XRJdje6emepqc7djybuuFZ77pnixuebe1-tmLh03ndPAysaYk5xam8UJqbQdfNNcTZQ7c8MS8tMS89Piu_tCgPKBOfl5WRnVGSUlGRFJ9qZGBkYGBiYGBuTKp6AAxdWHI</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>基于深度学习与高斯差分法的ADS?B异常数据检测模型</title><source>Alma/SFX Local Collection</source><creator>王尔申 ; 宋远上 ; 徐嵩 ; 郭婧 ; 宏晨 ; 曲萍萍 ; 庞涛 ; 张建通</creator><creatorcontrib>王尔申 ; 宋远上 ; 徐嵩 ; 郭婧 ; 宏晨 ; 曲萍萍 ; 庞涛 ; 张建通</creatorcontrib><description>TN279; 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 de?pendent 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 memo?ry,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.</description><identifier>ISSN: 1005-1120</identifier><language>chi</language><publisher>沈阳航空航天大学电子信息工程学院,沈阳110136,中国%中国民航科学技术研究院,北京 100028,中国%北京联合大学机器人学院,北京100101,中国%中国交通通信信息中心,北京100011,中国</publisher><ispartof>南京航空航天大学学报（英文版）, 2020, Vol.37 (4), p.550-561</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/njhkhtdxxb-e/njhkhtdxxb-e.jpg</thumbnail><link.rule.ids>314,780,784,4022</link.rule.ids></links><search><creatorcontrib>王尔申</creatorcontrib><creatorcontrib>宋远上</creatorcontrib><creatorcontrib>徐嵩</creatorcontrib><creatorcontrib>郭婧</creatorcontrib><creatorcontrib>宏晨</creatorcontrib><creatorcontrib>曲萍萍</creatorcontrib><creatorcontrib>庞涛</creatorcontrib><creatorcontrib>张建通</creatorcontrib><title>基于深度学习与高斯差分法的ADS?B异常数据检测模型</title><title>南京航空航天大学学报（英文版）</title><description>TN279; 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 de?pendent 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 memo?ry,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.</description><issn>1005-1120</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2020</creationdate><recordtype>article</recordtype><recordid>eNpjYeA0NDAw1TU0NDLgYOAtLs5MMjAwMzcwNrcw42RweTp_15Ndfc-2b3y6a9nTtcue7FzwZEffy9Uznk1b_3T7uqcdbc82T30-q8XRJdje6emepqc7djybuuFZ77pnixuebe1-tmLh03ndPAysaYk5xam8UJqbQdfNNcTZQ7c8MS8tMS89Piu_tCgPKBOfl5WRnVGSUlGRFJ9qZGBkYGBiYGBuTKp6AAxdWHI</recordid><startdate>2020</startdate><enddate>2020</enddate><creator>王尔申</creator><creator>宋远上</creator><creator>徐嵩</creator><creator>郭婧</creator><creator>宏晨</creator><creator>曲萍萍</creator><creator>庞涛</creator><creator>张建通</creator><general>沈阳航空航天大学电子信息工程学院,沈阳110136,中国%中国民航科学技术研究院,北京 100028,中国%北京联合大学机器人学院,北京100101,中国%中国交通通信信息中心,北京100011,中国</general><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>2020</creationdate><title>基于深度学习与高斯差分法的ADS?B异常数据检测模型</title><author>王尔申 ; 宋远上 ; 徐嵩 ; 郭婧 ; 宏晨 ; 曲萍萍 ; 庞涛 ; 张建通</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-wanfang_journals_njhkhtdxxb_e2020040073</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2020</creationdate><toplevel>online_resources</toplevel><creatorcontrib>王尔申</creatorcontrib><creatorcontrib>宋远上</creatorcontrib><creatorcontrib>徐嵩</creatorcontrib><creatorcontrib>郭婧</creatorcontrib><creatorcontrib>宏晨</creatorcontrib><creatorcontrib>曲萍萍</creatorcontrib><creatorcontrib>庞涛</creatorcontrib><creatorcontrib>张建通</creatorcontrib><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>南京航空航天大学学报（英文版）</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>王尔申</au><au>宋远上</au><au>徐嵩</au><au>郭婧</au><au>宏晨</au><au>曲萍萍</au><au>庞涛</au><au>张建通</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>基于深度学习与高斯差分法的ADS?B异常数据检测模型</atitle><jtitle>南京航空航天大学学报（英文版）</jtitle><date>2020</date><risdate>2020</risdate><volume>37</volume><issue>4</issue><spage>550</spage><epage>561</epage><pages>550-561</pages><issn>1005-1120</issn><abstract>TN279; 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 de?pendent 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 memo?ry,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.</abstract><pub>沈阳航空航天大学电子信息工程学院,沈阳110136,中国%中国民航科学技术研究院,北京 100028,中国%北京联合大学机器人学院,北京100101,中国%中国交通通信信息中心,北京100011,中国</pub></addata></record>
fulltext fulltext
identifier ISSN: 1005-1120
ispartof 南京航空航天大学学报（英文版）, 2020, Vol.37 (4), p.550-561
issn 1005-1120
language chi
recordid cdi_wanfang_journals_njhkhtdxxb_e202004007
source Alma/SFX Local Collection
title 基于深度学习与高斯差分法的ADS?B异常数据检测模型
url https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-01-12T13%3A46%3A41IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8E%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E4%B8%8E%E9%AB%98%E6%96%AF%E5%B7%AE%E5%88%86%E6%B3%95%E7%9A%84ADS?B%E5%BC%82%E5%B8%B8%E6%95%B0%E6%8D%AE%E6%A3%80%E6%B5%8B%E6%A8%A1%E5%9E%8B&rft.jtitle=%E5%8D%97%E4%BA%AC%E8%88%AA%E7%A9%BA%E8%88%AA%E5%A4%A9%E5%A4%A7%E5%AD%A6%E5%AD%A6%E6%8A%A5%EF%BC%88%E8%8B%B1%E6%96%87%E7%89%88%EF%BC%89&rft.au=%E7%8E%8B%E5%B0%94%E7%94%B3&rft.date=2020&rft.volume=37&rft.issue=4&rft.spage=550&rft.epage=561&rft.pages=550-561&rft.issn=1005-1120&rft_id=info:doi/&rft_dat=%3Cwanfang_jour%3Enjhkhtdxxb_e202004007%3C/wanfang_jour%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_wanfj_id=njhkhtdxxb_e202004007&rfr_iscdi=true