基于深度学习与高斯差分法的ADS-B异常数据检测模型

摘要

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 memory,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。