无人机飞行数据异常检测算法综述

doi:10.11772/j.issn.1001-9081.2022060808

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (6): 1833-1841.DOI: 10.11772/j.issn.1001-9081.2022060808

所属专题：数据科学与技术；综述

无人机飞行数据异常检测算法综述

祁超帅¹, 何文思², 焦毅³, 马英红¹(), 蔡伟⁴, 任素萍⁴

^1.西安电子科技大学通信工程学院, 西安 710071
^2.中国航天科工集团第二研究院七〇六所, 北京 100854
^3.西安邮电大学通信与信息工程学院, 西安 710121
^4.中国航天空气动力技术研究院创新与应用中心, 北京 100074

收稿日期:2022-06-06 修回日期:2022-11-09 接受日期:2022-11-09 发布日期:2023-06-08 出版日期:2023-06-10
通讯作者: 马英红
作者简介:祁超帅（1998—），男，河南开封人，硕士研究生，主要研究方向：机器学习、数据挖掘
何文思（1987—），女，北京人，工程师，硕士，CCF会员，主要研究方向：人工智能、机器学习
焦毅（1980—），男，辽宁沈阳人，讲师，博士，主要研究方向：边缘计算、网络资源管理
马英红（1981—），女，河北衡水人，副教授，博士，主要研究方向：人工智能、边缘计算、云网融合、无线组网Email：yhma@xidian.edu.cn
蔡伟（1985—），男，江苏盐城人，高级工程师，硕士，主要研究方向：无人机测控、载荷应用
任素萍（1993—），女，河北唐山人，硕士，主要研究方向：无人机总体设计、电气系统设计、无人机建模仿真。
基金资助:
“十四五”国防基础科研计划项目(JCKY2020203XXXX);中央高校基本科研业务费专项(JB210106)

Survey on anomaly detection algorithms for unmanned aerial vehicle flight data

Chaoshuai QI¹, Wensi HE², Yi JIAO³, Yinghong MA¹(), Wei CAI⁴, Suping REN⁴

^1.School of Telecommunications Engineering，Xidian University，Xi’an Shaanxi 710071，China
^2.Institute 706，The Second Academy of China Aerospace Science and Industry Corporation，Beijing 100854，China
^3.School of Telecommunications and Information Engineering，Xi’an University of Posts and Telecommunications，Xi’an Shaanxi 710121，China
^4.Center of Innovation and Application，China Academy of Aerospace Aerodynamics，Beijing 100074，China

Received:2022-06-06 Revised:2022-11-09 Accepted:2022-11-09 Online:2023-06-08 Published:2023-06-10
Contact: Yinghong MA
About author:QI Chaoshuai， born in 1998， M. S. candidate. His research interests include machine learning， data mining.
HE Wensi， born in 1987， M. S.， engineer. Her research interests include artificial intelligence， machine learning.
JIAO Yi， born in 1980， Ph. D.， lecturer. His research interests include edge computing， network resource management.
CAI Wei， born in 1985， M. S.， senior engineer. His research interests include unmanned aerial vehicle measurement and control， payload application.
REN Suping， born in 1993， M. S. Her research interests include unmanned aerial vehicle overall design， electrical system design， unmanned aerial vehicle modeling and simulation.
Supported by:
National Defence Basic Scientific Research Program in “the 14th Five-Year Plan”(JCKY2020203XXXX);Fundamental Research Funds for Central Universities(JB210106)

摘要/Abstract

摘要：

针对无人机（UAV）机载健康状态监测领域的UAV飞行数据异常检测问题，首先阐述了UAV飞行数据的特点、常见的飞行数据异常类型及对异常检测算法的要求；然后梳理了UAV飞行数据异常检测算法的研究现状，并归为3大类：基于先验知识的定性异常检测算法、基于模型的定量异常检测算法和基于数据驱动的异常检测算法，同时分析了各类算法的应用场景和优缺点；最后总结了UAV飞行数据异常检测算法目前存在的问题和挑战，展望了未来UAV飞行数据异常检测领域的重点发展方向，为新的研究提供了参考思路。

关键词: 无人机, 机载健康监测, 飞行数据, 数据挖掘, 异常检测

Abstract:

Focused on the issue of anomaly detection for Unmanned Aerial Vehicle （UAV） flight data in the field of UAV airborne health monitoring， firstly， the characteristics of UAV flight data， the common flight data anomaly types and the corresponding demands on anomaly detection algorithms for UAV flight data were presented. Then， the existing research on UAV flight data anomaly detection algorithms was reviewed， and these algorithms were classified into three categories： prior-knowledge based algorithms for qualitative anomaly detection， model-based algorithms for quantitative anomaly detection， and data-driven anomaly detection algorithms. At the same time， the application scenarios， advantages and disadvantages of the above algorithms were analyzed. Finally， the current problems and challenges of UAV anomaly detection algorithms were summarized， and key development directions of the field of UAV anomaly detection were prospected， thereby providing reference ideas for future research.

Key words: Unmanned Aerial Vehicle (UAV), airborne health monitoring, flight data, data mining, anomaly detection

中图分类号:

TP277

祁超帅, 何文思, 焦毅, 马英红, 蔡伟, 任素萍. 无人机飞行数据异常检测算法综述[J]. 计算机应用, 2023, 43(6): 1833-1841.

Chaoshuai QI, Wensi HE, Yi JIAO, Yinghong MA, Wei CAI, Suping REN. Survey on anomaly detection algorithms for unmanned aerial vehicle flight data[J]. Journal of Computer Applications, 2023, 43(6): 1833-1841.

图/表 14

图1 点异常

Fig. 1 Point outliers

图2 上下文异常

Fig.2 Contextual outliers

图3 集合异常

Fig. 3 Collective outliers

表1 异常检测算法优劣对比

Tab. 1 Comparison of pros and cons of anomaly detection algorithms

类型	优点	缺点
基于先验知识的定性算法	无需严格的数据定量分析，实现简单	先验知识少，异常种类难以完全把握
基于模型的定量算法	模型准确度较高	模型建立困难，移植性差
基于数据驱动的算法	通用性强，先验知识需求小	大多数算法复杂度高，依赖数据的质量

图4 无人机异常检测专家系统

Fig. 4 Expert system for UAV anomaly detection

图5 基于解析模型的无人机异常检测系统

Fig. 5 Analytical model-based UAV anomaly detection system

表2 各基于数据驱动算法的特点

Tab. 2 Characteristics of different data-driven algorithms

算法类型	基本思想	优点	缺点
基于统计	异常点分布在低概率区域	数据处理速度快，能有效识别单维数据的离群点	很难确定概率分布假设，不适用于高维数据
基于分类	训练决策边界分离异常数据	适用于高维且标签明确的场景	过于依赖数据标签
基于相似性	根据数据间的相似度识别异常数据	检测准确度高	大多相似性算法计算复杂度高
基于预测	通过数据与预测值的残差判断异常	可较好地拟合数据的趋势性	对噪声数据敏感

图6 SVM示意图

Fig.6 Schematic diagram of SVM

图7 OCSVM示意图

Fig. 7 Schematic diagram of OCSVM

图8 S3VM示意图

Fig.8 Schematic diagram of S3VM

图9 朴素贝叶斯分类过程

Fig.9 Na?ve Bayesians classification process

图10 基于相似性的数据驱动异常检测算法

Fig.10 Data-driven anomaly detection algorithm based on similarity

图11 预测模型的检测流程

Fig. 11 Detection process of prediction model

图12 基于数据驱动的异常检测算法

Fig.12 Data-driven anomaly detection algorithm

参考文献 48

1	祁圣君，井立，王亚龙. 无人机系统及发展趋势综述［J］. 飞航导弹， 2018（4）：17-21. 10.21884/ijmter.2017.4120.y54mr
	QI S J， JING L， WANG Y L. Overview of unmanned aerial vehicle systems and development trends［J］. Aerodynamic Missile Journal， 2018（4）： 17-21. 10.21884/ijmter.2017.4120.y54mr
2	李磊，王彤，蒋琪. 从美军2042年无人系统路线图看无人系统关键技术发展动向［J］. 无人系统技术， 2018， 1（4）：79-84.
	LI L， WANG T， JIANG Q. Key technology develop trends of unmanned systems viewed from unmanned systems integrated roadmap 2017-2042 ［J］. Unmanned Systems Technology， 2018， 1（4）： 79-84.
3	CHANDOLA V， BANERJEE A， KUMAR V. Anomaly detection： a survey ［J］. ACM Computing Surveys， 2009， 41（3）： No.15. 10.1145/1541880.1541882
4	陈亚锋. 无人机飞行数据实时异常检测系统研制［D］. 哈尔滨：哈尔滨工业大学， 2017：3-3. 10.1109/phm.2017.8079160
	CHEN Y F. Real-time anomaly detection system for unmanned aerial vehicle flight data［D］. Harbin： Harbin Institute of Technology， 2017： 3-3. 10.1109/phm.2017.8079160
5	彭喜元，庞景月，彭宇，等. 航天器遥测数据异常检测综述［J］. 仪器仪表学报， 2016， 37（9）：1929-1945. 10.3969/j.issn.0254-3087.2016.09.003
	PENG X Y， PANG J Y， PENG Y， et al. Review on anomaly detection of spacecraft telemetry data ［J］. Chinese Journal of Scientific Instrument， 2016， 37（9）： 1929-1945. 10.3969/j.issn.0254-3087.2016.09.003
6	LU H M， LI Y J， MU S L， et al. Motor anomaly detection for unmanned aerial vehicles using reinforcement learning ［J］. IEEE Internet of Things Journal， 2018， 5（4）： 2315-2322. 10.1109/jiot.2017.2737479
7	黄可鸣. 专家系统导论［M］. 南京：东南大学出版社， 1988： 217-229.
	HUANG K M. An Introduction to Expert Systems［M］. Nanjing： Southeast University Press， 1988： 217-229.
8	孙学初. 无人机飞控系统故障诊断专家系统设计［D］. 成都：电子科技大学， 2012：14-24. 10.3969/j.issn.1672-545X.2012.02.023
	SUN X C. Design of UAV flight control system fault diagnosis expert system［D］. Chengdu： University of Electronic Science and Technology of China， 2012：14-24. 10.3969/j.issn.1672-545X.2012.02.023
9	刘瀚泽. 基于机器学习的无人机飞控故障智能诊断系统研究［D］. 成都：电子科技大学， 2019：20-25.
	LIU H Z. Research on intelligent diagnosis system of UAV flight control fault based on machine learning ［D］. Chengdu： University of Electronic Science and Technology of China， 2019： 20-25.
10	卿立勇. 基于飞行数据的飞机故障预测与故障诊断系统研究［D］. 南京：南京航空航天大学， 2007：30-50. 10.7666/d.d037712
	QING L Y. Research on airplane fault prognosis and diagnosis system based on flight data ［D］. Nanjing： Nanjing University of Aeronautics and Astronautics， 2007： 30-50. 10.7666/d.d037712
11	北京航空航天大学. 一种概率耦合关系下无人机系统多层级风险评估方法： 202010410327.1［P］. 2020-09-18.
	Beihang University. A multi-level risk assessment method for unmanned aerial vehicle system under probabilistic coupling relationship： 202010410327.1 ［P］. 2020-09-18.
12	GAO Z W， CECATI C， DING S X. A survey of fault diagnosis and fault-tolerant techniques — Part I： fault diagnosis with model-based and signal-based approaches［J］. IEEE Transactions on Industrial Electronics， 2015， 62（6）： 3757-3767. 10.1109/tie.2015.2417501
13	CHEN M J， PAN Z， CHI C Z， et al. Research on UAV wing structure health monitoring technology based on finite element simulation analysis［C］// Proceedings of the 11th International Conference on Prognostics and System Health Management. Piscataway： IEEE， 2020： 86-90. 10.1109/phm-jinan48558.2020.00022
14	BEARD R V. Failure accommodation in linear systems through self-reorganization ［R/OL］. ［2022-03-21］..
15	谈娟. 基于解析模型的飞控系统故障诊断技术研究［D］. 南京：南京航空航天大学， 2020：12-15.
	TAN J. Research on fault diagnosis technology of flight control system based on analytical model［D］. Nanjing： Nanjing University of Aeronautics and Astronautics， 2020： 12-15.
16	刘哲成，郭丽娟. 基于分层滤波算法的无人机控制系统故障检测技术［J］. 计算机测量与控制， 2020， 28（5）：23-26， 30.
	LIU Z C， GUO L J. Fault detection technology for UAV control system based on hierarchical filtering algorithm［J］. Computer Measurement and Control， 2020， 28（5）： 23-26， 30.
17	武宝军. 无人机飞行控制系统故障检测技术研究［D］. 西安：西北工业大学， 2007：21-31.
	WU B J. Research on fault detection technology of UAV flight control system ［D］. Xi’an： Northwestern Polytechnical University， 2007： 21-31.
18	贾庆贤，张迎春，管宇，等. 基于解析模型的非线性系统故障诊断方法综述［J］. 信息与控制， 2012， 41（3）：356-364.
	JIA Q X， ZHANG Y C， GUAN Y， et al. Fault diagnosis of nonlinear systems based on analytical models： a survey ［J］. Information and Control， 2012， 41（3）： 356-364.
19	刘剑慰. 基于模型的飞行控制系统故障诊断方法研究［D］. 南京：南京航空航天大学， 2014：23-78.
	LIU J W. Research of model based fault diagnosis for flight control systems［D］. Nanjing： Nanjing University of Aeronautics and Astronautics， 2014：23-78.
20	MELNYK I， MATTHEWS B， VALIZADEGAN H， et al. Vector autoregressive model-based anomaly detection in aviation systems［J］. Journal of Aerospace Information Systems， 2016， 13（4）： 161-173. 10.2514/1.i010394
21	PASCHALIDIS I C， CHEN Y. Statistical anomaly detection with sensor networks［J］. ACM Transactions on Sensor Networks， 2010， 7（2）： No.17. 10.1145/1824766.1824773
22	FREEMAN P， PANDITA R， SRIVASTAVA N， et al. Model-based and data-driven fault detection performance for a small UAV［J］. IEEE/ASME Transactions on Mechatronics， 2013， 18（4）： 1300-1309. 10.1109/tmech.2013.2258678
23	MELNYK I， YADAV P， STEINBACH M， et al. Detection of precursors to aviation safety incidents due to human factors ［C］// Proceedings of the IEEE 13th International Conference on Data Mining Workshops. Piscataway： IEEE， 2013： 407-412. 10.1109/icdmw.2013.55
24	CHOWDHARY G， SRINIVASAN S， JOHNSON E N. Frequency domain method for real-time detection of oscillations ［J］. Journal of Aerospace Computing， Information， and Communication， 2011， 8（2）： 42-52. 10.2514/1.52110
25	BRONZ M， BASKAYA E， DELAHAYE D， et al. Real-time fault detection on small fixed-wing UAVs using machine learning ［C］// Proceedings of the IEEE/AIAA 39th Digital Avionics Systems Conference. Piscataway： IEEE， 2020： 1-10. 10.1109/dasc50938.2020.9256800
26	YAMAN O， YOL F， ALTINORS A. A fault detection method based on embedded feature extraction and SVM classification for UAV motors ［J］. Microprocessors and Microsystems， 2022， 94： No.104683. 10.1016/j.micpro.2022.104683
27	DAS S， MATTHEWS B L， SRIVASTAVA A N， et al. Multiple kernel learning for heterogeneous anomaly detection： algorithm and aviation safety case study ［C］// Proceedings of the 16th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2010： 47-56. 10.1145/1835804.1835813
28	PURANIK T G， MAVRIS D N. Anomaly detection in general-aviation operations using energy metrics and flight-data records［J］. Journal of Aerospace Information Systems， 2018， 15（1）： 22-36. 10.2514/1.i010582
29	PAN D W. Hybrid data-driven anomaly detection method to improve UAV operating reliability ［C］// Proceedings of the 2017 Prognostics and System Health Management Conference. Piscataway： IEEE， 2017： 1-4. 10.1109/phm.2017.8079281
30	PAN D W， NIE L Q， KANG W X， et al. UAV anomaly detection using active learning and improved S3VM model ［C］// Proceedings of the 2020 International Conference on Sensing， Measurement and Data Analytics in the era of Artificial Intelligence. Piscataway： IEEE， 2020： 253-258. 10.1109/icsmd50554.2020.9261709
31	MACK D L C， BISWAS G， KOUTSOUKOS X D， et al. Learning Bayesian network structures to augment aircraft diagnostic reference models［J］. IEEE Transactions on Automation Science and Engineering， 2017， 14（1）： 358-369. 10.1109/tase.2016.2542186
32	LIU F T， TING K M， ZHOU Z H. Isolation-based anomaly detection［J］. ACM Transactions on Knowledge Discovery from Data， 2012， 6（1）： No.3. 10.1145/2133360.2133363
33	YU L， DING W R. A KNNS based anomaly detection method applied for UAV flight data stream ［C］// Proceedings of the 2015 Prognostics and System Health Management Conference. Piscataway： IEEE， 2015：1-8. 10.1109/phm.2015.7380051
34	LI L S， DAS S， HANSMAN R J， et al. Analysis of flight data using clustering techniques for detecting abnormal operations ［J］. Journal of Aerospace Information Systems， 2015， 12（9）： 587-598. 10.2514/1.i010329
35	KHAN S， LIEW C F， YAIRI T， et al. Unsupervised anomaly detection in unmanned aerial vehicles［J］. Applied Soft Computing， 2019， 83： No.105650. 10.1016/j.asoc.2019.105650
36	陈圣楠，钱红燕，李伟. 基于角度方差的多层次高维数据异常检测算法［J］. 计算机应用研究， 2016， 33（11）：3383-3386.
	CHEN S N， QIAN H Y， LI W. Hybrid outlier detection algorithm based on angle variance for high-dimensional data ［J］. Application Research of Computers， 2016， 33（11）： 3383-3386.
37	KRIEGEL H P， SCHUBERT M， ZIMEK A. Angle-based outlier detection in high-dimensional data ［C］// Proceedings of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2008： 444-452. 10.1145/1401890.1401946
38	何永福. 基于子空间学习的无人机飞行数据瞬时异常检测研究［D］. 哈尔滨：哈尔滨工业大学， 2019：50-70.
	HE Y F. UAV flight data instantaneous anomalies detection based on subspace learning［D］. Harbin： Harbin Institute of Technology， 2019：50-70.
39	WANG B K， LIU D T， PENG X Y， et al. Data-driven anomaly detection of UAV based on multimodal regression model［C］// Proceedings of the 2019 IEEE International Instrumentation and Measurement Technology Conference. Piscataway： IEEE， 2019： 1-6. 10.1109/i2mtc.2019.8827154
40	WANG B K， WANG Z Y， LIU L S， et al. Data-driven anomaly detection for UAV sensor data based on deep learning prediction model［C］// Proceedings of the 2019 Prognostics and System Health Management Conference. Piscataway： IEEE， 2019： 286-290. 10.1109/phm-paris.2019.00055
41	王泽洋. 基于LSTM的无人机异常检测方法研究［D］. 哈尔滨：哈尔滨工业大学， 2018：15-44.
	WANG Z Y. Unmanned aerial vehicle anomaly detection based on long short term memory ［D］. Harbin： Harbin Institute of Technology， 2018： 15-44.
42	ALOS A， DAHROUJ Z. Using MLSTM and multioutput convolutional LSTM algorithms for detecting anomalous patterns in streamed data of unmanned aerial vehicles［J］. IEEE Aerospace and Electronic Systems Magazine， 2022， 37（6）： 6-15. 10.1109/maes.2021.3053108
43	ZHONG J， ZHANG Y J， WANG J Y， et al. Unmanned aerial vehicle flight data anomaly detection and recovery prediction based on spatio-temporal correlation［J］. IEEE Transactions on Reliability， 2022， 71（1）： 457-468. 10.1109/tr.2021.3134369
44	DUDUKCU H V， TASKIRAN M， KAHRAMAN N. Unmanned Aerial Vehicles （UAVs） battery power anomaly detection using temporal convolutional network with simple moving average algorithm［C］// Proceedings of the 2022 International Conference on Innovations in Intelligent Systems and Applications. Piscataway： IEEE， 2022： 1-5. 10.1109/inista55318.2022.9894193
45	YOU J T， LIANG J， LIU D T. An adaptable UAV sensor data anomaly detection method based on TCN model transferring ［C］// Proceedings of the 2022 Prognostics and Health Management Conference. Piscataway： IEEE， 2022：73-76. 10.1109/phm2022-london52454.2022.00021
46	CHEN Y F， WANG B K， LIU W， et al. On-line and non-invasive anomaly detection system for unmanned aerial vehicle［C］// Proceedings of 2017 Prognostics and System Health Management Conference. Piscataway： IEEE， 2017： 1-7. 10.1109/phm.2017.8079160
47	李晨，王布宏，田继伟，等. 基于LSTM-OCSVM的无人机传感器数据异常检测［J］. 小型微型计算机系统， 2021， 42（4）：700-705. 10.3969/j.issn.1000-1220.2021.04.005
	LI C， WANG B H， TIAN J W， et al. Anomaly detection method for UAV sensor data based on LSTM-OCSVM ［J］. Journal of Chinese Computer Systems， 2021， 42（4）： 700-705. 10.3969/j.issn.1000-1220.2021.04.005
48	PANG G S， SHEN C H， CAO L B， et al. Deep learning for anomaly detection： a review ［J］. ACM Computing Surveys， 2022， 54（2）： No.38. 10.1145/3439950

[1]	穆凌霞, 周政君, 王斑, 张友民, 薛向宏, 宁凯凯. 多无人机编队避障和编队重构方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2938-2946.
[2]	陈廷伟, 张嘉诚, 王俊陆. 面向联邦学习的随机验证区块链构建[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2770-2776.
[3]	陈虹, 齐兵, 金海波, 武聪, 张立昂. 融合1D-CNN与BiGRU的类不平衡流量异常检测[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2493-2499.
[4]	刘禹含, 吉根林, 张红苹. 基于骨架图与混合注意力的视频行人异常检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2551-2557.
[5]	李欢欢, 黄添强, 丁雪梅, 罗海峰, 黄丽清. 基于多尺度时空图卷积网络的交通出行需求预测[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2065-2072.
[6]	林欣蕊, 王晓菲, 朱焱. 基于局部扩展社区发现的学术异常引用群体检测[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1855-1861.
[7]	董瑶, 付怡雪, 董永峰, 史进, 陈晨. 不完整多视图聚类综述[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1673-1682.
[8]	黄天宇, 李远兴, 陈昊, 郭紫佳, 魏明军. 地空协同场景下加权模糊聚类用户簇划分方法[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1555-1561.
[9]	孟凡, 杨群力, 霍静, 王新宽. 基于边缘异常候选集的迭代式主动多元时序异常检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1458-1463.
[10]	郑志强, 段海滨. 基于有限忍耐度鸽群优化的无人机近距空战机动决策[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1401-1407.
[11]	朱子蒙, 李志新, 郇战, 陈瑛, 梁久祯. 基于三元中心引导的弱监督视频异常检测[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1452-1457.
[12]	唐睿, 岳士博, 张睿智, 刘川, 庞川林. UAV协助下非正交多址接入使能的数据采集系统中能效优化机制[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1209-1218.
[13]	周景贤, 李希娜. 基于改进卷积神经网络和射频指纹的无人机检测与识别[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 876-882.
[14]	蔡美玉, 朱润哲, 吴飞, 张开昱, 李家乐. 基于注意力机制和多粒度特征融合的跨视角匹配模型[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 901-908.
[15]	杨克帅, 武优西, 耿萌, 刘靖宇, 李艳. 一次性条件下top-k高平均效用序列模式挖掘算法[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 477-484.

无人机飞行数据异常检测算法综述

Survey on anomaly detection algorithms for unmanned aerial vehicle flight data

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 48

相关文章 15

编辑推荐

Metrics