摘 要：為降低無人機測繪數(shù)據(jù)異常檢測的誤檢率、漏檢率，縮短檢測時間，文章提出一種基于數(shù)據(jù)篩選的無人機測繪數(shù)據(jù)異常檢測方法。采用支持向量機對無人機測繪數(shù)據(jù)進(jìn)行數(shù)據(jù)流分塊、豎向規(guī)范化處理及時間切片處理等預(yù)處理;基于卷積神經(jīng)網(wǎng)絡(luò)分析數(shù)據(jù)確定數(shù)據(jù)潛在規(guī)律;采用無監(jiān)督聚類算法對數(shù)據(jù)進(jìn)行聚類，利用滑動窗口處理得到數(shù)據(jù)流簇心因子并進(jìn)行聚類;根據(jù)判斷標(biāo)準(zhǔn)對異常數(shù)據(jù)分塊處理，確定是否存在異常因子;采用重疊累加值計算方法對異常數(shù)據(jù)點進(jìn)行篩選，完成無人機測繪數(shù)據(jù)異常檢測。實驗結(jié)果表明：與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)方法相比，采用該方法對異常數(shù)據(jù)檢測，其誤檢率降低了約 11%、漏檢率降低約 8.1%，并且檢測時間縮短了 11.3 min。

　　關(guān)鍵詞：無人機測繪;異常數(shù)據(jù);支持向量機;卷積神經(jīng)網(wǎng)絡(luò);簇心因子;滑動窗口

　　無人機測繪綜合了無人飛行器、遙感傳感器、通信和圖像處理等多種技術(shù)，以實時獲取目標(biāo)區(qū)域信息、快速進(jìn)行數(shù)據(jù)處理和繪圖為主要目的[1]。這種方法運行成本低、風(fēng)險小，且數(shù)據(jù)采集周期相對較短，已被廣泛應(yīng)用于相關(guān)領(lǐng)域。無人機測繪生成的飛行數(shù)據(jù)具有快速、實時等特點[2]。采用此技術(shù)獲取的單維特征流數(shù)據(jù)主要反映被測系統(tǒng)的某一狀態(tài)信息，然而多維數(shù)據(jù)庫中異常數(shù)據(jù)是各維度信息綜合作用的結(jié)果，能夠反映無人機(unmannedaerial vehicle，UAV)的實際情況，具有更高的參考價值[3]。

　　目前，基于無人機測繪的異常檢測算法已經(jīng)被廣泛應(yīng)用，但大多算法不能滿足無人機測繪的實時檢測需求。為此，本文提出一種基于數(shù)據(jù)篩選的無人機測繪數(shù)據(jù)異常檢測方法。實驗結(jié)果表明：與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)方法相比，該方法降低了檢測的漏檢率與誤檢率，并縮短了檢測時間。該檢測方法能夠滿足無人機測繪中的異常數(shù)據(jù)檢測需求，可實際應(yīng)用到異常數(shù)據(jù)檢測中。

　　1 無人機測繪過程中異常數(shù)據(jù)挖掘

　　在異常數(shù)據(jù)檢測過程中，須預(yù)先對無人機測繪過程中產(chǎn)生的相關(guān)數(shù)據(jù)進(jìn)行挖掘。與其他數(shù)據(jù)挖掘技術(shù)相比，支持向量機是一種監(jiān)督式的數(shù)據(jù)挖掘方法，其對樣本的依賴性較小，對小樣本、高維數(shù)據(jù)等分類具有較好的應(yīng)用效果[4]。為此，本文將支持向量機應(yīng)用到無人機測繪數(shù)據(jù)挖掘中。在上述數(shù)據(jù)分類的基礎(chǔ)上，對無人機測繪過程中產(chǎn)生的數(shù)據(jù)流進(jìn)行預(yù)處理。即對無人機測繪異常數(shù)據(jù)進(jìn)行數(shù)據(jù)流分塊、豎向規(guī)范化處理與時間切片處理，便于對無人機測繪數(shù)據(jù)潛在規(guī)律的分析。

　　1)數(shù)據(jù)流分塊。由于無人機測繪過程中產(chǎn)生的數(shù)據(jù)流可看作是一系列無限的點[6]，其存儲相對較難，為此將其劃分為數(shù)據(jù)塊的形式。將數(shù)據(jù)塊的大小定義為 ，將數(shù)據(jù)塊劃分為若干類，并對其進(jìn)行標(biāo)準(zhǔn)化處理。2)豎向規(guī)范化處理。由于采集的數(shù)據(jù)存在屬性差異，導(dǎo)致其屬性難以得到合理的調(diào)配。

　　2 無人機測繪中異常數(shù)據(jù)潛在規(guī)律分析

　　在上述預(yù)處理后，對數(shù)據(jù)潛在規(guī)律進(jìn)行分析。此部分采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分析處理。該方法的局部特征提取能力較強，能夠降低網(wǎng)絡(luò)的計算復(fù)雜度[12 − 13]。其挖掘過程如下。步驟 1，設(shè)置輸入層。輸入層是整個網(wǎng)絡(luò)的起始端[14]，是整個網(wǎng)絡(luò)的輸入部分，能夠?qū)σ痪S數(shù)據(jù)或者二維數(shù)據(jù)進(jìn)行挖掘。步驟 2，建立激勵層函數(shù)。步驟 3，建立池化層。通過該環(huán)節(jié)將數(shù)據(jù)進(jìn)行壓縮，利用池化窗口生成的值生成周圍區(qū)域的統(tǒng)計量。步驟 4，建立全連接層。該層主要在計算過程中提供輸送信號的功能，將數(shù)據(jù)的特征值進(jìn)行連接，并連接成一個長向量。步驟 5，反向傳播。

　　3 無人機測繪過程中異常數(shù)據(jù)檢測實現(xiàn)

　　3.1 異常數(shù)據(jù)分類

　　通過上述計算能夠獲取所有數(shù)據(jù)的潛在規(guī)律，在此基礎(chǔ)上，對異常數(shù)據(jù)進(jìn)行分類處理。在無人機測繪過程中，較多因素都會引起異常，從而產(chǎn)生異常數(shù)據(jù)[16]。為此，對異常數(shù)據(jù)進(jìn)行分類。由于無人飛行器內(nèi)有較多傳感器，因此產(chǎn)生異常數(shù)據(jù)的因素較多，不僅能產(chǎn)生異常數(shù)據(jù)，而且需要及時發(fā)現(xiàn)異常數(shù)據(jù)。為提高檢測效率，對所生成數(shù)據(jù)進(jìn)行聚類，本文采用無監(jiān)督聚類算法。當(dāng)數(shù)據(jù)流到達(dá)時，該算法能及時更新，并對數(shù)據(jù)進(jìn)行實時聚類。對數(shù)據(jù)進(jìn)行相似性分類，將相似的分類成數(shù)據(jù)簇[17]。在實際計算過程中，主要包括 2 個步驟：首先測量數(shù)據(jù)與數(shù)據(jù)之間相似性，然后利用準(zhǔn)則函數(shù)對結(jié)果進(jìn)行聚類分類[18]。

　　3.2 異常數(shù)據(jù)檢測實現(xiàn)在上述數(shù)據(jù)處理的基礎(chǔ)上，對異常數(shù)據(jù)檢測，具體步驟如下。步驟 1，由于無人飛行器測繪所產(chǎn)生的數(shù)據(jù)是飛行數(shù)據(jù)，即時間序列數(shù)據(jù)，因此需要對以上聚類后的數(shù)據(jù)進(jìn)行劃分，并將其劃分為時間序列數(shù)據(jù)，從而得到各時間序列變化情況，并將變化情況插入時間序列數(shù)據(jù)中，形成相應(yīng)編碼數(shù)。步驟 2，生成數(shù)據(jù)存儲在模式庫中。該模式庫將特定的生成模式與自體發(fā)生相匹配，并將其視為合成檢測器[19]。

　　4 實驗分析

　　本文通過實驗來驗證該方法是否符合設(shè)計要求。同時，為檢驗該方法的應(yīng)用效果，將該方法與傳統(tǒng)基于卷積神經(jīng)網(wǎng)絡(luò)的異常數(shù)據(jù)檢測方法進(jìn)行了比較。

　　4.1 實驗數(shù)據(jù)來源及實驗環(huán)境

　　實驗在 Windows7 操作系統(tǒng)下進(jìn)行，選用 Intel(R) Core (TM)i5 M 520 作為 CPU，其內(nèi)存頻率較快，可以達(dá)到 2.4 GHz，內(nèi)存 8 GB。所用實驗數(shù)據(jù)集通過高斯分布獲取，這些數(shù)據(jù)集共有 1600 個數(shù)據(jù)點，其中包含 1500 個正常數(shù)據(jù)點，100 個異常數(shù)據(jù)點。

　　4.2 實驗指標(biāo)

　　異常檢測的實時性也是對比檢測方法性能的一個重要指標(biāo)。

　　4.3 實驗結(jié)果分析

　　對比卷積神經(jīng)網(wǎng)絡(luò)方法與本文方法的誤檢率。本文的異常數(shù)據(jù)檢測方法的誤檢率相比卷積神經(jīng)網(wǎng)絡(luò)方法，平均降低了約 11%。本文方法誤檢率低是由于本文方法在數(shù)據(jù)流上進(jìn)行了分塊和分類處理，并對處理后的數(shù)據(jù)進(jìn)行了綜合聚類分析。常規(guī)檢測方法受數(shù)據(jù)集干擾的影響較大，有些異常數(shù)據(jù)點在正常數(shù)據(jù)波動范圍外，導(dǎo)致其誤檢率較高。對比卷積神經(jīng)網(wǎng)絡(luò)方法和本文方法的漏檢率。

　　本文方法的漏檢率相比卷積神經(jīng)網(wǎng)絡(luò)方法的平均降低了約 8.1%。常規(guī)卷積神經(jīng)網(wǎng)絡(luò)方法檢測漏檢率高的原因在于異常數(shù)據(jù)的幅度不在正確的數(shù)據(jù)范圍之內(nèi)，且往往以片斷形式出現(xiàn)，用常規(guī)方法進(jìn)行標(biāo)記時，存在較大的漏檢風(fēng)險。本文的異常數(shù)據(jù)檢測方法是通過詳細(xì)的檢測流程實現(xiàn)對異常樣本的有效檢測，從而降低了漏檢現(xiàn)象。最后，對比卷積神經(jīng)網(wǎng)絡(luò)方法與本文方法的檢測時間。可以看出，卷積神經(jīng)網(wǎng)絡(luò)方法在多個實驗中所需檢測時間均高于本文方法，最多相差 16 min。本文方法的整體檢測時間平均縮短了 11.3 min 左右。本文的異常數(shù)據(jù)檢測方法不僅可以降低誤檢率和漏檢率，而且可以提高檢測的實時性。

　　5 結(jié)束語

　　本文對無人機測繪過程中的異常數(shù)據(jù)檢測方法進(jìn)行了設(shè)計，并通過實驗對該方法進(jìn)行了驗證。該方法可為相關(guān)測繪領(lǐng)域的異常數(shù)據(jù)檢測提供實用的解決方案。盡管本次研究取得了一定成果，但無人機測繪的數(shù)據(jù)范圍比較廣泛，在未來工作中可強化分析數(shù)據(jù)與數(shù)據(jù)之間的關(guān)聯(lián)特征，選擇融合不同的檢測方法，從而實現(xiàn)多種異常檢測方法的優(yōu)勢互補。

　　參考文獻(xiàn)：

　　[1] 孫新博, 李英成, 王恩泉, 等. 一種無人機視頻影像快速配準(zhǔn)方法[J]. 測繪通報, 2019(6): 85 − 88.

　　[2] 任麗艷, 李英成, 肖金城, 等. 測繪無人機災(zāi)害現(xiàn)場多源數(shù)據(jù)集成與智能服務(wù)[J]. 測繪科學(xué), 2020, 45(12):143 − 148.

　　[3] 張欣欣, 王雙亭, 李英成, 等. 輕小型無人機飛控測姿數(shù)據(jù)輔助測圖精度分析[J]. 測繪科學(xué), 2019, 44(5):102 − 109.

　　[4] 梅御東, 陳旭, 孫毓忠, 等. 一種基于日志信息和CNN-text 的軟件系統(tǒng)異常檢測方法[J]. 計算機學(xué)報,2020, 43(2): 366 − 380.

　　[5] 連鴻飛, 張浩, 郭文忠. 一種數(shù)據(jù)增強與混合神經(jīng)網(wǎng)絡(luò)的異常流量檢測[J]. 小型微型計算機系統(tǒng), 2020,41(4): 116 − 123.

　　[6] 徐光南, 高智勇, 梁艷杰, 等. 采用壓縮感知的流程工業(yè)異常監(jiān)測數(shù)據(jù)檢驗與修復(fù)方法[J]. 西安交通大學(xué)學(xué)報, 2020, 54(2): 59 − 70.

　　選自期刊《西華大學(xué)學(xué)報(自然科學(xué)版)》第 41 卷第 4 期

　　作者信息：張振軍(青海漢圖測繪科技有限公司， 青海 西寧 810001)