技术特征：
1.基于lstm
‑
vae深度学习网络的ads
‑
b报文异常监测方法，其特征在于，包括以下步骤：数据获取步骤：获取ads
‑
b数据，分为训练数据和测试数据；数据预处理步骤：分别对训练数据和测试数据进行预处理；lstm
‑
vae模型建立步骤：将vae网络的编码器和解码器设置为包括lstmcell和相关激活函数，得到lstm
‑
vae模型，初始化lstm
‑
vae模型的编码器参数φ和解码器参数θ；参数更新步骤：将预处理后的训练数据输入lstm
‑
vae模型中，计算最小化损失函数，更新lstm
‑
vae模型的编码器参数φ和解码器参数θ；异常监测模型获取步骤：当训练达到最大次数后，结束训练，得到异常监测模型；异常数据判断步骤：将数据预处理步骤中预处理后的测试数据输入异常监测模型，计算测试数据的异常分数值f，并与预设阈值α进行比较，若异常分数值f＞α，则数据为异常数据，否则，数据为正常数据。2.根据权利要求1所述的基于lstm
‑
vae深度学习网络的ads
‑
b报文异常监测方法，其特征在于，数据获取步骤中的ads
‑
b数据为ads
‑
b地面站接收航空器广播的射频信号进行处理后输出的ads
‑
b报文数据，定义为窗口长度为t的ads
‑
b报文窗口序列x＝{x1,x2,
…
,x
t
}，其中，t表示窗口的长度；x
i
＝[x1,x2,
…
,x
n
](1≤i≤t)是长度为n的向量，每一个向量对应一条ads
‑
b报文信息。3.根据权利要求1所述的基于lstm
‑
vae深度学习网络的ads
‑
b报文异常监测方法，其特征在于，数据预处理步骤的具体内容为：对训练数据进行归一化处理，对测试数据依次进行加工处理、归一化处理。4.根据权利要求3所述的基于lstm
‑
vae深度学习网络的ads
‑
b报文异常监测方法，其特征在于，数据预处理步骤中，测试数据进行加工处理为对测试数据添加异常数据，具体方法为随机噪声干扰、报文替换、高度跳变和/或速度跳变的一种或多种。5.根据权利要求1所述的基于lstm
‑
vae深度学习网络的ads
‑
b报文异常监测方法，其特征在于，参数更新步骤中，最小化损失函数如下：其中，q
φ
和p
θ
分别表示lstm
‑
vae模型的编码器网络和解码器网络；φ和θ对应编码器和解码器网络的参数；公式(1)的第一部分为kl正则项，q
φ
(z
i
|x
i
)是根据x
i
推导出z
i
的一个后验概率，p(z
i
)为z
i
的先验概率；公式(1)的第二部分，是数据重构的损失函数。6.根据权利要求1所述的基于lstm
‑
vae深度学习网络的ads
‑
b报文异常监测方法，其特征在于，异常数据判断步骤中异常分数值的计算公式如下：其中，q
φ
和p
θ
分别表示lstm
‑
vae模型的编码器网络和解码器网络；φ和θ对应编码器和
解码器网络的参数；和对应解码器网络重构测试数据的均值和方差。7.根据权利要求1所述的基于lstm
‑
vae深度学习网络的ads
‑
b报文异常监测方法，其特征在于，异常数据判断步骤中的预设阈值α设定为训练集97％的异常分数值小于该值。8.基于lstm
‑
vae深度学习网络的ads
‑
b报文异常监测系统，其特征在于，包括：数据获取模块、数据划分模块、第一数据处理模块、第二数据处理模块、lstm
‑
vae模型训练模块、异常数据监测模块和数据判断模块；数据获取模块，与数据划分模块的输入端连接，用于获取ads
‑
b数据，定义为窗口长度为t的ads
‑
b窗口序列x＝{x1,x2,
…
,x
t
}，其中，t表示窗口的长度；x
i
＝[x1,x2,
…
,x
n
](1≤i≤t)是长度为n的向量，每一个向量对应一条ads
‑
b报文信息；数据划分模块，用于将获取数据分为测试数据和训练数据，数据划分模块的第一输出端输出训练数据，数据划分模块的第二输出端输出测试数据；第一数据处理模块，与数据划分模块的第一输出端连接，接收训练数据，并对数据进行归一化处理；第二数据处理模块，与数据划分模块的第二输出端连接，接收测试数据，并对测试数据依次进行加工处理、归一化处理；lstm
‑
vae模型训练模块，与第一数据处理模块的输出端连接，接收处理后的训练数据，对lstm
‑
vae模型进行训练，得到异常数据检测模型；异常数据监测模块的第一输入端与lstm
‑
vae模型训练模块的输出端连接，异常数据监测模块的第二输入端与第二数据处理模块的输出端连接，用于对测试数据进行异常监测；数据判断模块，与异常数据监测模块的输出端连接，用于计算测试数据的异常分数值f，并与预设阈值α进行比较，若异常分数值f＞α，则数据为异常数据，否则，数据为正常数据。9.根据权利要求8所述的基于lstm
‑
vae深度学习网络的ads
‑
b报文异常监测系统，其特征在于，数据获取模块，用于将获取ads
‑
b数据，定义为窗口长度为t的ads
‑
b窗口序列x＝{x1,x2,
…
,x
t
}，其中，t表示窗口的长度；x
i
＝[x1,x2,
…
,x
n
](1≤i≤t)是长度为n的向量，每一个向量对应一条ads
‑
b报文信息。10.根据权利要求8所述的基于lstm
‑
vae深度学习网络的ads
‑
b报文异常监测系统，其特征在于，数据判断模块中，预设阈值α设定为训练集97％的异常分数值小于该值。
技术总结
本发明公开了一种ADS
技术研发人员：郭歆莹 朱春华 杨静 肖岩
受保护的技术使用者：河南工业大学
技术研发日：2021.06.23
技术公布日：2021/9/21