基于深度学习的无人机状态监测方法及系统与流程

本发明实施例涉及无人机，具体而言，涉及基于深度学习的无人机状态监测方法及系统。

背景技术：

1、随着无人机技术的快速发展，无人机在航测、遥感等领域的应用越来越广泛。然而，无人机在执行航测任务时，其工作状态受到多种因素的影响，如环境因素、机械磨损等，这些都可能导致无人机出现异常状态。因此，对无人机进行实时、准确的状态监测显得尤为重要。

2、传统的无人机状态监测方法多依赖于预设的阈值和规则，这种方法在面对复杂多变的飞行环境时，往往难以准确识别所有的异常状态。此外，传统方法还缺乏自适应性，无法随着无人机使用状态的变化进行调整。

技术实现思路

1、本发明实施例至少提供基于深度学习的无人机状态监测方法及系统。

2、本发明实施例提供了一种基于深度学习的无人机状态监测方法，应用于无人机状态监测系统，所述方法包括：

3、获取针对无人机航测任务所关联的状态监测决策知识集，所述状态监测决策知识集中包括多个异常状态预警监测数据；

4、通过目标深度学习算法对所述状态监测决策知识集中的各个异常状态预警监测数据进行稠密状态知识挖掘，得到所述各个异常状态预警监测数据的稠密状态知识特征；

5、当获取到目标无人机传感监测数据时，通过所述目标深度学习算法对所述目标无人机传感监测数据进行稠密状态知识挖掘，得到所述目标无人机传感监测数据的稠密状态知识特征；

6、分别确定所述各个异常状态预警监测数据的稠密状态知识特征与所述目标无人机传感监测数据的稠密状态知识特征之间的状态特征共性权重，作为相应异常状态预警监测数据与所述目标无人机传感监测数据之间的异常监测匹配权重；

7、根据异常监测匹配权重降序的规则，依据所述各个异常状态预警监测数据与所述目标无人机传感监测数据之间的异常监测匹配权重，从所述状态监测决策知识集中抽选至少一个异常状态预警监测数据作为初筛异常状态预警监测数据；

8、基于抽选出的至少一个初筛异常状态预警监测数据，生成所述目标无人机传感监测数据的故障预警记录。

9、优选的，所述基于抽选出的至少一个初筛异常状态预警监测数据，生成所述目标无人机传感监测数据的故障预警记录，包括：

10、分别将抽选出的各个初筛异常状态预警监测数据与所述目标无人机传感监测数据进行组合，得到相应初筛异常状态预警监测数据对应的状态预警联动信息集；

11、分别通过第二深度学习算法依据所述各个初筛异常状态预警监测数据对应的状态预警联动信息集，识别出相应初筛异常状态预警监测数据与所述目标无人机传感监测数据之间的异常监测匹配权重；

12、根据异常监测匹配权重降序的规则，依据所述第二深度学习算法识别出的各个异常监测匹配权重，从抽选出的至少一个初筛异常状态预警监测数据中采样出前x个初筛异常状态预警监测数据作为目标异常状态预警监测数据，x为正整数；

13、采用采样出的x个目标异常状态预警监测数据，生成所述目标无人机传感监测数据的故障预警记录。

14、优选的，所述方法还包括：

15、获取第一深度学习算法和第二深度学习算法，所述第一深度学习算法和所述第二深度学习算法皆用于识别监测数据之间的异常监测匹配权重；所述第一深度学习算法的识别精度小于所述第二深度学习算法的识别精度，所述第一深度学习算法的识别时效性高于所述第二深度学习算法的识别时效性；

16、获取多个算法调试样例集，每个所述算法调试样例集包括原始监测数据样例和所述原始监测数据样例对应的扰动监测数据样例；不同的算法调试样例集中的扰动监测数据样例具有不同的训练等级，所述训练等级是指对所述原始监测数据样例和相应扰动监测数据样例进行分类的复杂性；

17、确定每个所述算法调试样例集的训练优先级，任一所述算法调试样例集的训练优先级与相应算法调试样例集中的扰动监测数据样例的训练等级具有第一量化关系；

18、根据训练优先级升序的规则，指示所述第一深度学习算法根据所述多个算法调试样例集和所述第二深度学习算法进行若干次迁移训练，得到目标深度学习算法。

19、优选的，所述获取多个算法调试样例集，包括：

20、获取原始监测数据样例以及状态监测数据样例集，所述状态监测数据样例集中包括多个异常状态预警样本数据；

21、通过初始深度学习算法，识别所述原始监测数据样例和所述状态监测数据样例集中的每个异常状态预警样本数据之间的异常监测匹配权重，得到所述每个异常状态预警样本数据对应的初始异常监测匹配权重；其中，任一异常状态预警样本数据对应的初始异常监测匹配权重与相应异常状态预警样本数据的训练等级呈正比；

22、根据所述每个异常状态预警样本数据对应的初始异常监测匹配权重降序的规则，从所述状态监测数据样例集中抽选y个异常状态预警样本数据作为所述原始监测数据样例对应的扰动监测数据样例， y为正整数；

23、采用所述原始监测数据样例和抽选出的l个扰动监测数据样例，生成多个算法调试样例集。

24、优选的，当所述初始深度学习算法为所述第一深度学习算法时，所述采用所述原始监测数据样例和抽选出的l个扰动监测数据样例，生成多个算法调试样例集，包括：

25、根据抽选出的l个扰动监测数据样例对应的初始异常监测匹配权重降序的规则，对所述l个扰动监测数据样例进行整理，得到原始监测数据样例链；

26、通过所述第二深度学习算法，识别所述原始监测数据样例和每个扰动监测数据样例之间的异常监测匹配权重，得到所述每个扰动监测数据样例对应的过往异常监测匹配权重；并根据所述每个扰动监测数据样例对应的过往异常监测匹配权重降序的规则，对所述l个扰动监测数据样例进行整理，得到过往扰动监测数据样例链；

27、分别在所述原始监测数据样例链和所述过往扰动监测数据样例链中，根据逆序进行多轮样例抽样处理；其中，一个算法调试样例集被设置为包括z个扰动监测数据样例，z为正整数，一轮样例抽样处理用于分别从所述原始监测数据样例链和所述过往扰动监测数据样例链中挑选出q个扰动监测数据样例，q大于等于z/2且小于y；

28、在执行第u轮样例抽样处理后，采用当前分别从所述原始监测数据样例链和所述过往扰动监测数据样例链中挑选出q个扰动监测数据样例，生成第u个训练优先级对应的扰动样例池；以及，采用所述原始监测数据样例和当前生成的扰动样例池，生成所述第u个训练优先级的算法调试样例集，u为正整数。

29、优选的，当q＞z/2时，所述采用当前分别从所述原始监测数据样例链和所述过往扰动监测数据样例链中挑选出q个扰动监测数据样例，生成第u个训练优先级对应的扰动样例池，包括：

30、在当前从所述原始监测数据样例链中挑选出的q个扰动监测数据样例中，随机抽选k个扰动监测数据样例；

31、在当前从所述过往扰动监测数据样例链中挑选出的q个扰动监测数据样例中，随机抽选l个扰动监测数据样例；其中，k和l均为正整数，且k+l=z；

32、采用所述k个扰动监测数据样例和所述l个扰动监测数据样例，生成第u个训练优先级对应的扰动样例池。

33、优选的，所述原始监测数据样例中包括认证监测数据样例；所述根据所述每个异常状态预警样本数据对应的初始异常监测匹配权重降序的规则，从所述状态监测数据样例集中抽选y个异常状态预警样本数据作为所述原始监测数据样例对应的扰动监测数据样例，包括：

34、采用所述原始监测数据样例对应的认证监测数据样例，对所述状态监测数据样例集进行优化处理，得到优化后的状态监测数据样例集；其中，所述优化处理包括：删除所述状态监测数据样例集中与所述认证监测数据样例相同的异常状态预警样本数据；

35、根据所述每个异常状态预警样本数据对应的初始异常监测匹配权重降序的规则，从所述优化后的状态监测数据样例集中抽选y个异常状态预警样本数据作为所述原始监测数据样例对应的扰动监测数据样例。

36、优选的，将训练优先级为u的算法调试样例集表示为第u个算法调试样例集，u为正整数；指示所述第一深度学习算法根据所述第u个算法调试样例集和所述第二深度学习算法进行第u轮迁移训练的步骤，包括：

37、通过所述第一深度学习算法，识别所述第u个算法调试样例集中的原始监测数据样例和扰动监测数据样例之间的异常监测匹配权重，得到第一异常监测匹配权重；

38、通过所述第二深度学习算法，识别所述第u个算法调试样例集中的原始监测数据样例和扰动监测数据样例之间的异常监测匹配权重，得到第二异常监测匹配权重；

39、依据所述第一异常监测匹配权重和所述第二异常监测匹配权重之间的比较结果，改进所述第一深度学习算法的算法变量。

40、优选的，所述第u个算法调试样例集中的扰动监测数据样例的个数为多个，所述第u个算法调试样例集中的每个扰动监测数据样例均对应一个第一异常监测匹配权重和一个第二异常监测匹配权重；所述依据所述第一异常监测匹配权重和所述第二异常监测匹配权重之间的比较结果，改进所述第一深度学习算法的算法变量，包括：

41、游走所述第u个算法调试样例集中的各个扰动监测数据样例，基于当前游走的第v个扰动监测数据样例的训练等级为相应扰动监测数据样例添加注意力系数，所述注意力系数与训练等级呈正比，v为正整数且小于或等于所述第u个算法调试样例集中的扰动监测数据样例的个数；

42、依据所述第v个扰动监测数据样例对应的第一异常监测匹配权重和第二异常监测匹配权重之间的比较结果，确定所述第v个扰动监测数据样例对应的迁移训练误差变量；

43、在所述各个扰动监测数据样例均被游走后，依据所述各个扰动监测数据样例的注意力系数以及相应的迁移训练误差变量，计算所述第一深度学习算法的算法质量评估指标；

44、根据最小化所述算法质量评估指标的规则，改进所述第一深度学习算法的算法变量。

45、优选的，在进行若干次迁移训练之前，所述方法还包括：

46、获取衍生调试样例集，所述衍生调试样例集中包括至少一个第一联合样例集群，每个第一联合样例集群中包括：第一历史监测数据、所述第一历史监测数据对应的第一积极样例以及所述第一历史监测数据对应的第一消极样例；其中，不同第一联合样例集群中的第一历史监测数据不同；

47、采用所述衍生调试样例集，对所述第一深度学习算法进行基于决策树的调试处理。

48、优选的，所述第一深度学习算法是通过分别挖掘两个监测数据中的每个监测数据的稠密状态知识特征，将识别出的两个稠密状态知识特征之间的状态特征共性权重作为所述两个监测数据之间的异常监测匹配权重的；所述第二深度学习算法是对两个监测数据进行组合以得到关联监测数据，识别所述关联监测数据的稠密状态知识特征，基于识别出的稠密状态知识特征生成所述两个监测数据之间的异常监测匹配权重的。

49、本发明实施例还提供了一种无人机状态监测系统，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述方法。

50、本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时实现上述的方法。

51、本发明实施例的实施例提供的技术方案可以包括以下有益效果：通过深度学习算法对无人机状态监测数据进行挖掘，提取稠密状态知识特征，实现异常状态的精准识别和预警。如此，不仅提高了状态监测的准确性和灵敏度，还具有自适应性，能够随着数据的更新不断优化模型，从而确保无人机在执行航测任务时的安全性和可靠性。

52、关于上述无人机状态监测系统、计算机可读存储介质的效果描述参见上述方法的说明。

53、为使本发明实施例的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。