摘 要：隨著無人機（Ｕｎｍａｎｎｅｄ Ａｅｒｉａｌ Ｖｅｈｉｃｌｅ，ＵＡＶ） 集成化與智能化的不斷發(fā)展，ＵＡＶ 在軍事領域和民用領域得到廣泛應用。因此，對ＵＡＶ 的安全飛行提出更高的要求，而ＵＡＶ 異常檢測在保障安全飛行、減少經濟損失等方面有著重要作用。近年來，數(shù)據(jù)驅動的方法在特征提取、非線性問題求解和準確率等方面的優(yōu)勢，使其成為ＵＡＶ 異常檢測的主流算法。對ＵＡＶ 異常類型及異常數(shù)據(jù)特點進行分析與總結。梳理并總結國內外ＵＡＶ 數(shù)據(jù)驅動的異常檢測算法的研究現(xiàn)狀，從監(jiān)督學習、半監(jiān)督學習和無監(jiān)督學習三方面對ＵＡＶ 異常檢測進行了歸納與總結，并分析了各類算法的優(yōu)缺點。針對現(xiàn)有算法的研究現(xiàn)狀，展望了未來ＵＡＶ 異常檢測領域的發(fā)展趨勢，旨在為后續(xù)相關研究提供參考。

關鍵詞：異常檢測；無人機；監(jiān)督學習；半監(jiān)督學習；無監(jiān)督學習；數(shù)據(jù)挖掘

中圖分類號：ＴＰ２７７ 文獻標志碼：Ａ 開放科學（資源服務）標識碼（ＯＳＩＤ）：

文章編號：１００３－３１０６（２０２４）０６－１４０７－１４

０ 引言

近年來，隨著電子技術、傳感器和計算機技術的快速發(fā)展，無人機（Ｕｎｍａｎｎｅｄ Ａｅｒｉａｌ Ｖｅｈｉｃｌｅ，ＵＡＶ）已經在軍事［１］、應急搜救［２］、植物保護［３］、航空攝影［４］和新聞報道［５］等領域有了廣泛的應用。ＵＡＶ 具有質量輕、體積小、便于攜帶以及能夠在極端的環(huán)境中進行作業(yè)等優(yōu)點，可以幫助人類完成特定的任務。

典型的ＵＡＶ 系統(tǒng)主要由ＵＡＶ、地面站以及傳輸信息的通信鏈路組成。ＵＡＶ 的飛行過程主要包括起飛、懸停、巡航、俯仰、仰角、偏航和避障等動作。這些動作由飛行控制系統(tǒng)執(zhí)行，該系統(tǒng)控制發(fā)動機的工作狀態(tài)，ＵＡＶ 狀態(tài)的數(shù)據(jù)通過各種傳感器傳回飛行控制系統(tǒng)，飛行控制系統(tǒng)對數(shù)據(jù)進行分析，給出指令，執(zhí)行器根據(jù)指令調整飛行動作［６］。

ＵＡＶ 在執(zhí)行飛行任務時，具有很高的精密性和多樣性，因此這對ＵＡＶ 飛行過程中的穩(wěn)定性、可靠性和安全性提出了很高的要求［７］，但是ＵＡＶ 的可靠性和安全性相比于有駕駛員的飛機具有較大的差距［８］。僅２００１—２０１４ 年，美國已有４００ 多架ＵＡＶ發(fā)生事故并墜毀，據(jù)相關調查顯示，造成ＵＡＶ 墜毀的主要原因有天氣因素、人員操作、系統(tǒng)故障和ＵＡＶ 飛行時部件損壞［９］。天氣因素可參考相關預報從而避免，而系統(tǒng)故障和ＵＡＶ 飛行時部件損壞可由ＵＡＶ 飛行時自行檢測、預測進行避免。ＵＡＶ 事故的頻繁發(fā)生，造成了巨大的經濟損失，因此ＵＡＶ的異常檢測技術對減少ＵＡＶ 事故的發(fā)生、改善ＵＡＶ 系統(tǒng)運行的可靠性，具有十分重要的意義。

１ ＵＡＶ 異常檢測概述

１． １ 異常檢測

異常檢測涉及幾個不同的問題，例如如何描述輸入實例、如何獲取表示實例正常或異常的標簽、如何識別異常類型以及如何報告給定數(shù)據(jù)集中的異常［１０］。目前對于異常沒有明確的定義［１１］，異常檢測首先建立正常的行為數(shù)據(jù)，其次通過算法計算出與正常的行為數(shù)據(jù)的偏差，判斷是否超過所設定的閾值，判斷是否發(fā)生異常［１２］。

異常檢測是一個包括統(tǒng)計學、過程控制、信號處理和機器學習等不同技術聯(lián)合發(fā)展的領域，其主要任務是能夠在概率分布方面、時間序列中信號的形狀和振幅方面，識別出偏離或不符合預期的數(shù)據(jù)。異常檢測的主要挑戰(zhàn)之一是很難明確地分清正常數(shù)據(jù)與異常數(shù)據(jù)，因為二者之間的邊界通常是不明確的，并且在某些領域的飛行過程中，二者之間的邊界是不斷演變的，這無疑增加了檢測的困難性。

通常，異常發(fā)生是小概率事件，因此得到用于訓練和驗證模型的數(shù)據(jù)集較少，并且存在著數(shù)據(jù)集的比例失衡和不可用的風險。因此在ＵＡＶ 的異常檢測中，相比于監(jiān)督學習和半監(jiān)督學習，無監(jiān)督學習更常被使用。

１． ２ ＵＡＶ 異常類型

ＵＡＶ 在飛行時可能會遭遇各種預期之外的狀況，比如傳感器線路老化，磁場的干擾以及進入到計劃之外的任務環(huán)境中。因此異常的類型也是多種多樣的，ＵＡＶ 異常類型如表１ 所示。

（１）硬件異常

ＵＡＶ 屬于集成化、智能化的裝備，由各種零部件組成，每種零部件發(fā)生異常都有可能對ＵＡＶ 的安全飛行造成威脅，因此了解并清楚一些異常類型，對未來相關部件的異常檢測有著重要的意義。目前許多對ＵＡＶ 硬件異常檢測研究的類型有：葉片、傳感器、機翼、電池功率、電機、升降舵、方向舵和副翼等。

（２）軟件異常

ＵＡＶ 的安全飛行是由ＵＡＶ 本身零部件的可靠性以及飛行控制系統(tǒng)與地面通信站之間的信號傳遞所決定的。ＵＡＶ 在飛行時可能會受到來自網絡層面的攻擊，導致ＵＡＶ 接收到錯誤的信息及指令，導致ＵＡＶ 無法正確執(zhí)行相應的飛行動作，從而導致任務失敗，造成嚴重的損失。

１． ３ ＵＡＶ 異常數(shù)據(jù)特點

ＵＡＶ 數(shù)據(jù)是能夠體現(xiàn)異常檢測算法的重要數(shù)據(jù)特征，ＵＡＶ 數(shù)據(jù)類型如圖１ 所示。通過對ＵＡＶ數(shù)據(jù)的不斷分析，從而實現(xiàn)對ＵＡＶ 的異常檢測。異常數(shù)據(jù)是指在整個數(shù)據(jù)集中，出現(xiàn)的與其他數(shù)據(jù)有著不同的數(shù)據(jù)，或是某些數(shù)據(jù)與整體數(shù)據(jù)表現(xiàn)出不一樣的特征，而這些數(shù)據(jù)往往具有以下特點：

① 異常樣本稀少。ＵＡＶ 具有較高的可靠性，飛行時多為正常飛行狀態(tài)，因此能夠獲得異常數(shù)據(jù)較少。

② 樣本數(shù)據(jù)分布不平衡。由于異常發(fā)生的情況較少，因此獲取的數(shù)據(jù)中，存在著大量的正常數(shù)據(jù)，可能存在某個異常被大量的正常數(shù)據(jù)所包圍，從而在檢測中難以發(fā)現(xiàn)該異常［１６］。

③ 異常類型多樣［１７］。ＵＡＶ 在執(zhí)行復雜任務時，會遭遇各種復雜的情況，因此可能發(fā)生的異常種類較多，如機翼受損、傳感器故障、轉子受損和信號無法接收等。

④ 時空依賴性。ＵＡＶ 在時空中異常檢測，不僅要考慮到當前狀態(tài)與先前狀態(tài)、當前時間的關系，還要考慮到當前狀態(tài)與當前空間的關系，ＵＡＶ 位置發(fā)生改變，也可能出現(xiàn)異常［１８］。

⑤ 具有隱藏性。異常在低維數(shù)據(jù)空間中往往具有很好的特征表現(xiàn)能力，而在高維數(shù)據(jù)中的異常檢測表現(xiàn)不明顯，具有一定的隱藏性［１９］。

⑥ 信息密度低［２０］。ＵＡＶ 數(shù)據(jù)集中，存在著大量的冗余數(shù)據(jù)，而這些數(shù)據(jù)往往是不必要的，具有相關性的信息數(shù)據(jù)較少。

２ ＵＡＶ 異常檢測算法研究現(xiàn)狀

異常檢測算法的應用十分廣泛，包括民航飛行時的異常檢測［２１］、高光譜中的異常檢測［２２－２３］、網絡安全性的異常檢測［２４］等領域。近年來，隨著機器學習和神經網絡模型的不斷發(fā)展，研究者將異常檢測應用于各個領域當中。通過標簽的可用性，將ＵＡＶ異常檢測算法分為監(jiān)督學習、半監(jiān)督學習和無監(jiān)督學習，如圖２ 所示。監(jiān)督學習、無監(jiān)督與半監(jiān)督學習的異常檢測算法對比如表２ 所示。

２． １ 基于監(jiān)督的方法

監(jiān)督學習算法如圖３ 所示，主要通過將帶有標簽的數(shù)據(jù)在模型中進行訓練，之后利用訓練好的模型對某個給定的新數(shù)據(jù)利用模型預測它的標簽，模型輸出的結果與訓練時使用的數(shù)據(jù)和標簽有關。常見的算法有支持向量機（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ，ＳＶＭ）、最鄰近節(jié)點（Ｋ-Ｎｅａｒｅｓｔ Ｎｅｉｇｈｂｏｒ，ＫＮＮ）和決策樹（Ｄｅｃｉｓｉｏｎ Ｔｒｅｅ，ＤＴ）等。

２． １． １ 基于ＳＶＭ 的方法

ＳＶＭ 通過對低維數(shù)據(jù)進行映射成高維的數(shù)據(jù)，從而實現(xiàn)對數(shù)據(jù)的分類，因此ＳＶＭ 具有很好的處理非線性數(shù)據(jù)樣本的能力，對二分類問題異常檢測具有較高的準確率和較強的泛化能力，能夠處理正常數(shù)據(jù)和異常數(shù)據(jù)的樣本不平衡［２６］。ＳＶＭ 通過核函數(shù)來尋找非線性關系，即高維數(shù)據(jù)經過核函數(shù)映射成低維的數(shù)據(jù)［２７］，ＳＶＭ 如圖４ 所示。基于ＳＶＭ 良好的二分類性能以及分類的效率不依賴分類實體的特征數(shù)量，Ｆａｎ 等［２８］使用ＳＶＭ 對磁信號進行異常檢測。Ｄｉｎｇ 等［２９］使用ＳＶＭ 對ＵＡＶ 飛行數(shù)據(jù)進行異常檢測，并使用真實的數(shù)據(jù)進行了驗證。Ｄｕｏ 等［３０］基于ＳＶＭ 模型，結合粒子群優(yōu)化算法和遺傳算法，提出２ 種新的模型：粒子群優(yōu)化－ＳＶＭ 和遺傳算法－ＳＶＭ。通過２ 種優(yōu)化算法對ＳＶＭ 模型中的核函數(shù)進行優(yōu)化，從而提高異常檢測精度。

基于ＳＶＭ 的異常檢測方法雖然簡單易為實現(xiàn)，但是隨著ＵＡＶ 的不斷發(fā)展，執(zhí)行任務的多種多樣，發(fā)生的異常情況也越來越復雜，數(shù)據(jù)成本提高，很難用ＳＶＭ 訓練出具有很好魯棒性的分類器，因此基于ＳＶＭ 的算法逐漸不適用于如今的異常檢測。

２． １． ２ 基于ＫＮＮ 的方法

ＫＮＮ 算法如圖５ 所示，是非參數(shù)分類算法之一［３１］，其主要思想是通過使用數(shù)據(jù)集中的屬性和樣本，應用特征距離來預測即將到來的樣本與訓練集中的點的接近程度，它將要素距離最近的樣本分類到特定類別中［３２］。ＫＮＮ 算法通過從查詢的訓練數(shù)據(jù)集中查找最近的數(shù)據(jù)點或鄰居來發(fā)揮作用。根據(jù)與查詢點最近的距離找到最近的數(shù)據(jù)點。在找到ｋ 個最近的數(shù)據(jù)點后，它會執(zhí)行多數(shù)投票規(guī)則來查找出現(xiàn)最多的類。出現(xiàn)最多的類被裁定為查詢的最終分類［３３］。ＫＮＮ 算法的實現(xiàn)簡單、功能強大、具有很好的魯棒性、無需估計參數(shù)，但是需要較大的內存空間是該方法的缺點之一，并且隨著數(shù)據(jù)量的增加，處理負荷和計算成本會隨之增加，計算所需要的時間較長。

Ａｌｔｉｎｏｒｓ 等［３４］提出一種基于聲學的方法來檢測ＵＡＶ 的螺旋槳、偏心輪和軸承的異常。該方法首先對在不同情況下收集到的聲音數(shù)據(jù)進行歸一化處理，從而方便從聲音數(shù)據(jù)中提取特征，之后使用ＤＴ、ＳＶＭ、ＫＮＮ 算法進行異常檢測，并對３ 種方法進行比較，發(fā)現(xiàn)ＫＮＮ 和ＤＴ 方法更適合用于嵌入式系統(tǒng)中進行實時操作。相比于常規(guī)方法從傳感器、飛行日志等等的數(shù)據(jù)集中提取特征，本文從聲音角度來實現(xiàn)異常檢測，通過對正常的聲音進行處理，當出現(xiàn)異常時，聲音會發(fā)生變化，從而實現(xiàn)異常檢測。該方法為異常檢測提供了多元化的檢測方法，但是需要預先對正常狀態(tài)下的聲音進行標注，而在ＵＡＶ 飛行處于復雜飛行環(huán)境時，收集到的聲音可能會包含環(huán)境聲音，檢測準確度會大大降低。

ＵＡＶ 在飛行時，各個子系統(tǒng)和傳感器傳回的數(shù)據(jù)往往是不均衡的，針對飛行數(shù)據(jù)不均衡的問題，Ｂａｏ 等［３５］使用合成少數(shù)過采樣（Ｓｙｎｔｈｅｔｉｃ ＭｉｎｏｒｉｔｙＯｖｅｒ-ｓａｍｐｌｉｎｇ Ｔｅｃｈｎｉｑｕｅ，ＳＭＯＴＥ）算法對數(shù)據(jù)進行放大，解決數(shù)據(jù)不平衡導致的過擬合。由于ＳＭＯＴＥ算法會產生噪聲數(shù)據(jù)，因此使用長短期記憶（ＬｏｎｇＳｈｏｒｔ-Ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ）網絡進行篩選出有效樣本，使用ＫＮＮ 算法進行判別，從而有效提高性能和分類的準確性。該方法可以應用于傳統(tǒng)的機器學習模型，與各種混合策略相結合，具有相對較高的準確率和分類性能。但是其主要還是通過集成的方法，整體過程冗長，需要的數(shù)據(jù)集中帶有標簽，無法實現(xiàn)在線檢測。

２． １． ３ 基于ＤＴ 的方法

ＤＴ 模型如圖６ 所示。

ＤＴ 計算速度較快，能夠處理嘈雜的數(shù)據(jù)。ＤＴ算法通過對數(shù)據(jù)深度挖掘實現(xiàn)異常檢測，而且相對簡單，易于在系統(tǒng)中實現(xiàn)，不需要額外設備，成本相對較低，可以通過剪枝算法刪除節(jié)點的分支，實現(xiàn)更快的分類，提高ＤＴ 的正確選擇能力［３６］。

Ａｌｏｓ 等［３７］提出一種新穎的矩陣平臺，用于檢測ＵＡＶ 上下文異常。該算法由多個Ｃ４． ５ 決策樹組成，避免了在具有多屬性大型數(shù)據(jù)集的情況下，使用多個ＤＴ 時造成的算法冗長以及耗時的問題。首先考慮到先前數(shù)據(jù)對上下文故障的影響，在訓練階段和測試階段使用滑動窗口；之后對每個ＵＡＶ 的屬性分配一個ＤＴ，構建ＤＴ 矩陣；最后通過讀取滑動窗口的值，實現(xiàn)ＵＡＶ 上下文異常的檢測。

舒暢等［３８］提出一種基于小波特征提取和梯度提升決策數(shù)的ＵＡＶ 異常檢測，首先使用小波分析具有良好的時頻分析能力［３９］，以及良好的自適應能力提取特征向量。之后采用梯度提升ＤＴ 的智能算法訓練模型。最后將兩部分整合，從而達到ＵＡＶ 的異常檢測。該方法與其他方法進行集成，得到一個很好的異常檢測結果，但是由于是集成方式，實時性不高，尤其是在數(shù)據(jù)量多、數(shù)據(jù)維度高時很難在實際中達到一個及時準確的要求。Ｋｒａｉｅｍ 等［４０］提出了一種修改后的組合ＤＴ 算法，通過標簽組合生成異常檢測規(guī)則。使用不同的模式標記顯著點，根據(jù)這些標簽的組合構建ＤＴ。張洪海等［４１］提出一種基于隱馬爾可夫和ＤＴ 的一種ＵＡＶ 異常檢測方法，該算法結合２ 種模型的優(yōu)點，具有較低的時間復雜度，可以實時檢測ＵＡＶ 異常并識別異常類型，可適用于其他ＵＡＶ 型號具有較好的泛化性。該算法需要相應帶有標簽的數(shù)據(jù)，同時只適用于一些相對簡單的場景，不適用于數(shù)據(jù)的維數(shù)變高、數(shù)據(jù)量較多的情況。

由于監(jiān)督學習所要求的數(shù)據(jù)集具有標簽，部分算法的精確度不高，應用場景較為簡單，不適合ＵＡＶ 復雜場景的變換，因此基于監(jiān)督學習的ＵＡＶ異常檢測并不流行。相比于監(jiān)督學習的異常檢測，無監(jiān)督學習方法的異常檢測使用更多［４２］。監(jiān)督學習異常檢測算法如表３ 所示。

２． ２ 基于半監(jiān)督學習的方法

在實際中，采集到的ＵＡＶ 數(shù)據(jù)量和種類繁多，對其進行標注需要專家人員和專門的設備，會耗費大量的時間與精力。對收集到的數(shù)據(jù)進行少量打標，所需設備和人力并不多。因此可以考慮帶有標簽的數(shù)據(jù)和無標簽數(shù)據(jù)的協(xié)同訓練模型———半監(jiān)督學習［４３］。半監(jiān)督學習理論最早在１９９２ 年提出［４４］。

半監(jiān)督學習是另一種旨在減輕注釋負擔的學習方法［４５］，在多年以前被廣泛研究，大多數(shù)方法是基于假設，例如平滑度、一致性、密度和聚類等。最近一些研究表明，通過在數(shù)據(jù)集上添加少量的標簽，可以很好地提高算法性能［４６－４７］、加快模型的收斂速度［４８］。但是由于沒有從帶有標簽的數(shù)據(jù)集中完全捕獲信息，因此，此類解決方案與其監(jiān)督學習的算法之間存在性能差異。半監(jiān)督學習的一個潛在問題是將學習的模型過度擬合到一小組標記的目標數(shù)據(jù)中，因此需要改進模型泛化［４５］，同時也存在訓練期間的可靠性有限的問題：由于真實標簽僅提供給其配對的標記圖像，未標記的數(shù)據(jù)無法從明確的專家檢查監(jiān)督中受益［４９］。

半監(jiān)督學習是無監(jiān)督學習和監(jiān)督學習的混合體，使用標記數(shù)據(jù)和未標記實例的信息來學習分類。因此半監(jiān)督學習方法的目標函數(shù)具有兩部分。第一是監(jiān)督部分：數(shù)據(jù)集中帶有標簽數(shù)據(jù)的最小化經驗誤差。第二是無監(jiān)督部分：最小化特征空間中所有數(shù)據(jù)點的平滑誤差［５０］。其學習思路可以概括為３ 步：第一步是標記數(shù)據(jù)的集中增強；第二步是未標記數(shù)據(jù)集合的自我探索；第三步是從標記集到未標記集的知識轉換［５１］。在ＵＡＶ 異常檢測方面，半監(jiān)督學習算法與監(jiān)督學習和無監(jiān)督學習類似，但是由于在獲?。眨粒?相關數(shù)據(jù)方面的特殊性，因此在ＵＡＶ 異常檢測方面使用半監(jiān)督學習較少，目前主流的ＵＡＶ 異常檢測算法為無監(jiān)督學習。

Ｐａｎ 等［５２］針對ＵＡＶ 傳感器標記數(shù)據(jù)少以及未標記的信息無法很好地表示時序序列的分布的問題，提出一種結合主動學習與半監(jiān)督學習的異常檢測算法。Ｆｅｎｇ 等［５３］針對數(shù)據(jù)樣本不平衡問題，利用樣本不平衡數(shù)據(jù)訓練生成對抗網絡，當異常數(shù)據(jù)與正常數(shù)據(jù)達到平衡時，異常檢測準確率最高，該方法具有較好的抗噪性能。針對大多數(shù)異常檢測中難以找到最佳閾值的問題，汪子璇等［５４］提出一種無需閾值的半監(jiān)督異常檢測方法，該方法是基于自編碼的異常檢測方法，通過設置２ 個解碼器，對未標記數(shù)據(jù)的損失大小做比較，從而判斷是否發(fā)生異常。Ｚｈａｎｇ 等［５５］提出一種用于系統(tǒng)日志數(shù)據(jù)中的半監(jiān)督異常檢測方法，該方法主要從日志中挖掘數(shù)值關系，當訓練集較小時，也可以獲得與現(xiàn)有監(jiān)督和無監(jiān)督方法相當?shù)慕Y果。

２． ３ 基于無監(jiān)督的方法

由于監(jiān)督學習的不可預測性和獲取異常樣本的困難，其在異常檢測領域使用有限，而近年來無監(jiān)督算法在異常檢測領域取得了很好的效果，因此使用越來越廣泛，無監(jiān)督異常檢測算法如圖７ 所示。常見的無監(jiān)督方法有：自編碼器（ＡｕｔｏＥｎｃｏｄｅｒ，ＡＥ）、生成式對抗網絡（Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ，ＧＡＮ）、ＬＳＴＭ 網絡等，其優(yōu)缺點如表４ 所示。

２． ３． １ 基于ＡＥ 的異常檢測

如圖８ 所示，ＡＥ 是一種典型的無監(jiān)督特征提取器，是由一個輸入層、一個輸出層和幾個隱藏層組成的對稱神經網絡［５７］，輸入層為編碼器網絡，輸出層為解碼器網絡，通常隱藏層比輸入層和輸出層的神經元要少［５８］。其主要目標是最小化模型輸入與輸出之間的損失［５９］，在編碼階段應用數(shù)據(jù)的變換降低了維度，解碼階段將數(shù)據(jù)恢復為原始維度，因此具有良好的重建數(shù)據(jù)的能力。

Ｂｅｌｌ 等［６０］提出一種基于ＬＳＴＭ 深度學習ＡＥ 的方法，在編碼階段與解碼階段均與ＬＳＴＭ 模型相結合。之后提出一種新的動態(tài)閾值算法和加權損失函數(shù)，通過從先前的數(shù)據(jù)當中確定當前數(shù)據(jù)的閾值，對不同部分的損失分別賦予不同的權重，從而確定最后的損失函數(shù)。Ａｚｚａｌｉｎｉ 等［６１］提出一種新的變分自編碼器（Ｖａｒｉａｔｉｏｎａｌ ＡｕｔｏＥｎｃｏｄｅｒ，ＶＡＥ）和一種新的訓練方法，首先將一維的卷積神經網絡和雙向ＬＳＴＭ 網絡與編碼層和解碼層相結合；之后使用基于增強訓練集的增量方式進行訓練，并通過引入一個基于進度的潛在空間；最后實現(xiàn)在線與離線的檢測。

Ｃｈｅｎｇ 等［６２］針對ＡＥ 在有噪聲污染的數(shù)據(jù)中和在數(shù)據(jù)重建過程中最小化重建誤差并不一定是最大化異常檢測性能的問題，提出一種用于無監(jiān)督學習的改進ＡＥ，將深度支持向量數(shù)據(jù)描述的損失合并到自動編碼器框架中，而２ 個進程可以相互協(xié)商以完成學習任務，該方法用到特征空間中質心的距離作為一種新的異常評分策略，從而獲得更好的異常檢測性能和很好的穩(wěn)定性，但是該方法在一些較為復雜的數(shù)據(jù)集上沒有明顯的準確率提升。

ＡＥ 異常檢測準確率與數(shù)據(jù)重建情況和數(shù)據(jù)有關，因此采用其他方法對數(shù)據(jù)先一步處理，并將編碼階段和解碼階段與其他算法相結合可以得到很好的結果，但是其訓練時間較長，未來應在保證準確率的情況下，提升訓練效率。

２． ３． ２ 基于ＧＡＮ 的異常檢測

ＧＡＮ［６３］在２０１４ 年被提出。如圖９ 所示，ＧＡＮ同時訓練２ 個深度神經網絡模型：生成模型Ｇ 捕獲數(shù)據(jù)分布，判別模型Ｄ 估計樣本來自于訓練數(shù)據(jù)而不是Ｇ 的概率。Ｇ 的訓練過程是最大限度地提高Ｄ出錯的概率，ＧＡＮ 通過生成器與判別器之間的相互博弈來獲得一個很好的結果輸出。近年來因ＧＡＮ有很好的時間序列性，因此被用來做異常檢測。

Ｗａｎｇ 等［６４］提出基于異常檢測與異常累積的兩階段異常檢測方法，首先通過ＧＡＮ 生成具有標簽的樣本，在生成器中用卷積神經網絡提取全局特征、局部特征，使用ＡＥ 將時間序列重構，判別器根據(jù)多個變量之間的相關性和時間依賴性對多元時間序列進行分類；其次通過異常檢測累積將ＣＴＧＡＮ 中得到的異常分數(shù)進行累計；最后使用ＬＳＴＭ，對不同時間的異常分數(shù)進行賦權。該方法提供了很好的異常檢測的可解釋性，同時將多個變量之間的相關性和時間序列的時間依賴性考慮在內。Ｘｕ 等［６５］針對數(shù)據(jù)中缺乏定義與標簽、計算成本高等問題，提出一種基于Ｔｒａｎｓｆｏｒｍｅｒ 的ＧＡＮ 的異常檢測框架，通過Ｔｒａｎｓ-ｆｏｒｍｅｒ 關注到數(shù)據(jù)中的上下文特征，從而實現(xiàn)高精度的異常檢測，但是沒有考慮到真實的數(shù)據(jù)中含有噪聲數(shù)據(jù)，會對檢測結果造成影響。王鳳芹等［６６］提出一種ＬＳＴＭＧＡＮ 的ＵＡＶ 異常檢測算法，結合２ 種算法的優(yōu)點來實現(xiàn)異常檢測。利用ＧＡＮ 來處理數(shù)據(jù)，從而減少ＬＳＴＭ 對數(shù)據(jù)的敏感性和過擬合問題；使用ＬＳＴＭ 網絡來捕獲數(shù)據(jù)之間的事件相關性和交互作用。該算法所需檢測時間較長，無法實現(xiàn)實時在線檢測。

ＧＡＮ 通過相互博弈提供了一種新的獲取數(shù)據(jù)間標簽的方法，但是會受到其他微弱的信號影響，因此需要提高ＧＡＮ 運行時的穩(wěn)定性。

２． ３． ３ 基于ｉＦｏｒｅｓｔ 的異常檢測

ｉＦｏｒｅｓｔ 算法如圖１０ 所示，不依靠距離和密度的方式來檢測異常，同時其具有線性時間復雜度、較小的常數(shù)和較小的內存需求［６７］。ｉＦｏｒｅｓｔ 通過隨機超平面拆分數(shù)據(jù)空間來隔離異常值，反映異常值易于被孤立的特征［６８］。該算法通常包括２ 個階段：訓練階段和孤立階段［６９］。ｉＦｏｒｅｓｔ 算法對數(shù)據(jù)的時間復雜度反應非?？欤蛊淠軌蛴行У靥幚泶髷?shù)據(jù)集［７０］，但是無法檢測到局部數(shù)據(jù)的異常，當相關屬性較少時，所提取的子集無法被用來異常檢測以及當異常數(shù)據(jù)被正常數(shù)據(jù)所包圍時，異常數(shù)據(jù)會被歸為正常數(shù)據(jù)。該算法在高維海量數(shù)據(jù)集中局部異常檢測精度會降低［７１］。

呂少嵐等［７２］針對ｉＦｏｒｅｓｔ 算法所具有的不足提出集成ｉＦｏｒｅｓｔ 算法，將擴展ｉＦｏｒｅｓｔ、分片選擇準則ｉＦｏｒｅｓｔ 和公平分割森林相結合，以滿足對ＵＡＶ 異常檢測的要求。但是由于該算法集成了多種算法，導致整個算法與單個算法相比更為冗長。

Ｚｈａｏ 等［７３］提出一種基于ｉＦｏｒｅｓｔ 的異常檢測算法，實現(xiàn)了高精度的異常檢測。Ｚｈａｎｇ 等［７４］提出一種特征融合和ｉＦｏｒｅｓｔ 算法的異常檢測方法。首先通過滑動窗口將數(shù)據(jù)進行劃分，并提取樣本中的所需的各種特征；之后使用主成分分析法進行特征降維；最后，把降維后的數(shù)據(jù)輸入到ｉＦｏｒｅｓｔ 中從而實現(xiàn)異常檢測，在具有噪聲干擾的數(shù)據(jù)中具有很好的抗干擾性。針對ＵＡＶ 各種飛行姿態(tài)特征復雜的問題，唐立等［７５］提出一種基于改進ｉＦｏｒｅｓｔ 算法的ＵＡＶ 異常檢測，首先對合作型與非合作型的ＵＡＶ 運行參數(shù)進行分析，隨后提出基于索貝爾算子與卷積神經網絡的ＵＡＶ 類型判定方法，最后提出動態(tài)最大生長高度的改進ｉＦｏｒｅｓｔ 算法，通過數(shù)據(jù)節(jié)點判斷ＵＡＶ 的異常類型。

使用基本的ｉＦｏｒｅｓｔ 算法不能得到很好的檢測精度，因此目前使用的ｉＦｏｒｅｓｔ 算法均是改進后或是集成后，從而可以改進算法中的不足，更好地應對各種數(shù)據(jù)情況，實現(xiàn)異常檢測精度的提高。

２． ３． ４ 基于ＬＳＴＭ 網絡的異常檢測

ＬＳＴＭ 網絡在１９９７ 年首次被提出，是基于循環(huán)神經網絡（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＲＮＮ）而提出的一種時間遞歸神經網絡。一個ＬＳＴＭ 網絡單元由輸入門、輸出門和遺忘門組成［７６］。ＬＳＴＭ 通過引入常量傳遞誤差單元來解決ＲＮＮ 算法中方向傳播算法存在的梯度爆炸和梯度消失的現(xiàn)象［７７］。因其獨特的設計結構，ＬＳＴＭ 很適合用于處理時間序列數(shù)據(jù)的異常檢測。ＵＡＶ 運行過程中產生的傳感器數(shù)據(jù)是典型的時間序列，包含有關ＵＡＶ 運行狀態(tài)和異常狀態(tài)的信息?；跁r間序列預測的異常檢測算法可以根據(jù)歷史信息提前給出下一次預測結果，如果結果與實際傳感器數(shù)據(jù)偏差較大，此時ＵＡＶ 可能出現(xiàn)異常［７８］。ＬＳＴＭ 的異常檢測流程如圖１１ 所示。

李晨等［７９］提出一種將ＬＳＴＭ 與一類支持向量機（Ｏｎｅ Ｃｌａｓｓ ＳＶＭ，ＯＣＳＶＭ）結合的ＵＡＶ 傳感器數(shù)據(jù)異常檢測。首先使用ＬＳＴＭ 對輸入的傳感器時間序列數(shù)據(jù)進行預測，并與真實值作差。將得到差值序列的數(shù)據(jù)輸入到ＯＣＳＶＭ 中，之后計算差值序列到超平面的距離，從而實現(xiàn)ＵＡＶ 傳感器的異常檢測。但是該方法對微小變化不易察覺，同時由于操作指令的改變，可能會造成錯誤檢測，且只能離線檢測，不能做到實時檢測。

Ｗａｎｇ 等［８０］提出基于改進的ＬＳＴＭ 的模型，用于實現(xiàn)對分布多樣的時間序列數(shù)據(jù)的精確預測。首先使用非參數(shù)無監(jiān)督學習從數(shù)據(jù)中確定異常檢測的錯誤閾值，在ＬＳＴＭ 模型中將輸入門與遺忘門進行耦合；之后使用改進的ＬＳＴＭ 模型，得到預測值；最后將得到的預測值與設備傳感器測量的實際值進行比較，生成誤差值，與閾值進行比較，從而確定異常是否發(fā)生。這方法均只使用了ＬＳＴＭ 模型進行異常檢測，相比于其他集成方式，大大減少了異常檢測的時間，并且閾值是從數(shù)據(jù)中得到的，因此閾值具有很好的客觀性。

無監(jiān)督學習的異常檢測方法不需要標簽，成本低，利用算法本身從數(shù)據(jù)集中找到隱藏的模式和見解，但是會受到數(shù)據(jù)中噪聲的影響，從而造成檢測精度的下降。由于無監(jiān)督算法往往是網絡結構，需要訓練網絡，所需要時間較長、實時性較差。無監(jiān)督異常檢測算法對比如表５ 所示。

３ 發(fā)展趨勢

近年來隨著機器學習和數(shù)據(jù)發(fā)掘的不斷發(fā)展，基于監(jiān)督學習的方法已經逐漸不適用于ＵＡＶ 的異常檢測。ＵＡＶ 異常檢測的發(fā)展趨勢是要與無監(jiān)督的方法相結合，更加注重于從沒有標簽的數(shù)據(jù)集中挖掘更多的屬性。未來的發(fā)展也是面臨著許多的挑戰(zhàn)。

① 小樣本學習在ＵＡＶ 異常檢測方面的應用。由于在真實環(huán)境下絕大部分ＵＡＶ 是正常飛行的，因此獲得的ＵＡＶ 數(shù)據(jù)是分布不均衡的，異常數(shù)據(jù)往往只占少部分；同時獲得的數(shù)據(jù)缺少標簽，人工標注成本高。而小樣本學習可以通過相對較少的樣本，實現(xiàn)高精度的檢測［８７］。未來發(fā)展方向也可以是無監(jiān)督學習，用于解決數(shù)據(jù)中標簽缺少、標簽標記困難等。

② 提高異常檢測算法的抗噪性能。由于ＵＡＶ在執(zhí)行任務時，其所屬環(huán)境是多變的；當ＵＡＶ 遇到特殊情況時，獲得的信息繁多、信息數(shù)據(jù)大，噪聲難以避免，會在一定程度上影響異常檢測算法的準確性。因此，ＵＡＶ 異常檢測在未來發(fā)展方向可以針對復雜工況，通過及時處理數(shù)據(jù)以及異常之間的關系［２０］，實現(xiàn)高精度的異常檢測。

③ 提高異常檢測算法的實時性，實現(xiàn)在線監(jiān)測。目前ＵＡＶ 的飛行狀態(tài)依賴于地面控制站，無法滿足自主和安全飛行的時間要求［８８］。許多算法是離線檢測，而真正的ＵＡＶ 飛行時的異常檢測系統(tǒng)則需要能夠實時進行異常檢測，以便及時采取相應的措施。目前大多數(shù)算法，在具有高精度異常檢測能力的同時，計算過程較為復雜，所需時間較長，無法實現(xiàn)實時的檢測。而具有實時檢測的算法異常檢測的精度不高，可能造成錯誤檢測。因此未來發(fā)展方向應是輕量化、高精度的算法，在實現(xiàn)高精度異常檢測時，具有較好的實時性。

④ 提高ＵＡＶ 異常檢測算法的泛化性能。如今大多數(shù)算法是只對ＵＡＶ 某一種異常進行檢測，而ＵＡＶ 可能發(fā)生的異常類型較多，因此要提高算法的泛化性能，可以實現(xiàn)對ＵＡＶ 多類型的異常檢測。

⑤ 探索更深程度數(shù)據(jù)與數(shù)據(jù)間的信息。如今可獲得的ＵＡＶ 數(shù)據(jù)以及ＵＡＶ 數(shù)據(jù)種類越來越多，因此從不同數(shù)據(jù)類型中探索更深程度的信息，可以實現(xiàn)ＵＡＶ 異常檢測，提高異常檢測的準確率。

４ 結束語

隨著ＵＡＶ 執(zhí)行任務的復雜性和困難性的提高，其安全飛行面臨著巨大挑戰(zhàn)。ＵＡＶ 的異常檢測技術在降低故障異常、減少經濟損失和確保任務完成等方面起到了重要的作用。因此，本文首先從ＵＡＶ故障異常的特性進行分析和歸類，并闡述了異常數(shù)據(jù)的特點；其次，總結了國內外異常檢測算法的研究現(xiàn)狀，辨析了各種異常檢測算法的優(yōu)缺點；最后，從數(shù)據(jù)可用性、算法的抗噪性、實時性和泛化性等方面，指出了未來的發(fā)展趨勢。旨在為進一步開展相關研究提供參考。

參考文獻

［１］ 張帥，張鑫，李志華． 系留多旋翼無人機及其軍事應用［Ｊ］． 中國軍轉民，２０２１（９）：６７－７０．

［２］ 杜夢瑤，許凱，張淼，等． 基于區(qū)塊鏈的無人機群可靠應急搜救模型［Ｊ］． 系統(tǒng)仿真學報，２０２３，３５ （１２ ）：２５３７－２５４９．

［３］ 王軍志． 植保無人機在玉米病蟲害防治中的應用［Ｊ］．農業(yè)開發(fā)與裝備，２０２２（９）：２８－３０．

［４］ 何復亮，李國橋． 礦區(qū)測量中無人機航空攝影測量技術的應用［Ｊ］． 世界有色金屬，２０２２（１３）：２２－２４．

［５］ 周勛． 無人機拍攝在電視新聞節(jié)目中的應用［Ｊ］． 數(shù)字技術與應用，２０２２，４０（２）：１３－１５．

［６］ ＤＵ Ｃ Ｙ，ＺＨＡＮＧ Ｘ Ｙ，ＺＨＯＮＧ Ｒ，ｅｔ ａｌ． ＵｎｍａｎｎｅｄＡｅｒｉａｌ Ｖｅｈｉｃｌｅ Ｒｏｔｏｒ Ｆａｕｌｔ Ｄｉａｇｎｏｓｉｓ Ｂａｓｅｄ ｏｎ ＩｎｔｅｒｖａｌＳａｍｐｌｉｎｇ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ ｏｆ Ｖｉｂｒａｔｉｏｎ Ｓｉｇｎａｌｓ ａｎｄ ａ Ｏｎｅｄｉｍｅｎｓｉｏｎａｌ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｄｅｅｐ ＬｅａｒｎｉｎｇＭｅｔｈｏｄ［Ｊ］． Ｍｅａｓｕｒｅｍｅｎｔ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，２０２２，３３（６）：０６５００３．

［７］ ＺＨＡＮＧ Ｙ Ｍ，ＣＨＡＭＳＥＤＤＩＮＥ Ａ，ＲＡＢＢＡＴＨ Ｃ Ａ，ｅｔ ａｌ．Ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ Ａｄｖａｎｃｅｄ ＦＤＤ ａｎｄ ＦＴＣ Ｔｅｃｈｎｉｑｕｅｓ ｗｉｔｈＡｐｐｌｉｃａｔｉｏｎ ｔｏ ａｎ Ｕｎｍａｎｎｅｄ Ｑｕａｄｒｏｔｏｒ ＨｅｌｉｃｏｐｔｅｒＴｅｓｔｂｅｄ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ｆｒａｎｋｌｉｎ Ｉｎｓｔｉｔｕｔｅ，２０１３，３５０（９）：２３９６－２４２２．

［８］ ＧＡＯ Ｙ Ｐ，ＺＨＡＯ Ｄ，ＬＩ Ｙ Ｂ． ＵＡＶ Ｓｅｎｓｏｒ Ｆａｕｌｔ ＤｉａｇｎｏｓｉｓＴｅｃｈｎｏｌｏｇｙ：Ａ Ｓｕｒｖｅｙ［Ｊ］． Ａｐｐｌｉｅｄ Ｍｅｃｈａｎｉｃｓ ａｎｄ Ｍａｔｅｒｉａｌｓ，２０１２，２２０－２２３：１８３３－１８３７．

［９］ 祁超帥，何文思，焦毅，等． 無人機飛行數(shù)據(jù)異常檢測算法綜述［Ｊ］． 計算機應用，２０２３，４３（６）：１８３３－１８４１．

［１０］ ＺＨＡＯ Ｍ，ＣＨＥＮ Ｊ Ｃ． Ａ Ｒｅｖｉｅｗ ｏｆ Ｍｅｔｈｏｄｓ ｆｏｒ ＤｅｔｅｃｔｉｎｇＰｏｉｎｔ Ａｎｏｍａｌｉｅｓ ｏｎ Ｎｕｍｅｒｉｃａｌ Ｄａｔａｓｅｔ［Ｃ］∥２０２０ ＩＥＥＥ４ｔｈ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ，Ｎｅｔｗｏｒｋｉｎｇ，Ｅｌｅｃｔｒｏｎｉｃ ａｎｄＡｕｔｏｍａｔｉｏｎ Ｃｏｎｔｒｏｌ Ｃｏｎｆｅｒｅｎｃｅ （ＩＴＮＥＣ ）． Ｃｈｏｎｇｑｉｎｇ：ＩＥＥＥ，２０２０：５５９－５６５．

［１１］ 彭喜元，龐景月，彭宇，等． 航天器遙測數(shù)據(jù)異常檢測綜述［Ｊ］． 儀器儀表學報，２０１６，３７（９）：１９２９－１９４５．

［１２］ 蔡穎，陳偉榮． 基于改進主動學習的異常檢測算法［Ｊ］． 計算機工程與設計，２０２２，４３（１１）：３０５７－３０６２．

［１３］ ＫＥＩＰＯＵＲ Ａ，ＭＯＵＳＡＥＩ Ｍ，ＳＣＨＥＲＥＲ Ｓ． ＡＬＦＡ：ＡＤａｔａｓｅｔ ｆｏｒ ＵＡＶ Ｆａｕｌｔ ａｎｄ Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ ［Ｊ］． ＴｈｅＩｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｒｏｂｏｔｉｃｓ Ｒｅｓｅａｒｃｈ，２０２１，４０ （２ ／３）：５１５－５２０．

［１４］ ＴＡＹＬＯＲ Ｂ． Ｔｈｏｒ Ｆｌｉｇｈｔ １１１［ＤＢ ／ ＯＬ］． （２０１４ －０５ －０４）［２０２３－０７－３１］． ｈｔｔｐｓ：∥ｃｏｎｓｅｒｖａｎｃｙ． ｕｍｎ． ｅｄｕ ／ ｈａｎｄｌｅ ／１１２９９ ／ １７４２３６．

［１５］ ＷＨＥＬＡＮ Ｊ． ＵＡＶ Ａｔｔａｃｋ Ｄａｔａｓｅｔ［ＤＢ ／ ＯＬ］． ［２０２３－０７－３１］． ｈｔｔｐｓ：∥ ｉｅｅｅｄａｔａｐｏｒｔ． ｏｒｇ ／ ｏｐｅｎａｃｃｅｓｓ ／ ｕａｖａｔｔａｃｋｄａｔａｓｅｔ．

［１６］ ＲＡＺＡ Ｓ Ｎ，ＭＡＵＤ Ａ Ｒ Ｍ，ＢＨＡＴＴＩ Ｆ Ａ，ｅｔ ａｌ． Ｈｙｐｅｒｓｐｅｃｔｒａｌ Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ：Ａ Ｐｅｒｆｏｒｍａｎｃｅ Ｃｏｍｐａｒｉｓｏｎ ｏｆＥｘｉｓｔｉｎｇ Ｔｅｃｈｎｉｑｕｅｓ ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ ＤｉｇｉｔａｌＥａｒｔｈ，２０２２，１５（１）：２０７８－２１２５．

［１７］ 賈統(tǒng)，李影，吳中海． 基于日志數(shù)據(jù)的分布式軟件系統(tǒng)故障診斷綜述［Ｊ］． 軟件學報，２０２０，３１（７）：１９９７－２０１８．

［１８］ ＣＨＯＩ Ｋ，ＹＩ Ｊ，ＰＡＲＫ Ｃ，ｅｔ ａｌ． Ｄｅｅｐ Ｌｅａｒｎｉｎｇ ｆｏｒ ＡｎｏｍａｌｙＤｅｔｅｃｔｉｏｎ ｉｎ Ｔｉｍｅｓｅｒｉｅｓ Ｄａｔａ：Ｒｅｖｉｅｗ，Ａｎａｌｙｓｉｓ，ａｎｄＧｕｉｄｅｌｉｎｅｓ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２１，９：１２００４３－１２００６５．

［１９］ ＰＡＮＧ Ｇ Ｓ，ＳＨＥＮ Ｃ Ｈ，ＣＡＯ Ｌ Ｂ，ｅｔ ａｌ． Ｄｅｅｐ Ｌｅａｒｎｉｎｇｆｏｒ Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ：Ａ Ｒｅｖｉｅｗ ［Ｊ］． ＡＣＭ ＣｏｍｐｕｔｉｎｇＳｕｒｖｅｙｓ，２０２１，５４（２）：１－３８．

［２０］ 苗建國，王劍宇，張恒，等． 無人機故障診斷技術研究進展概述［Ｊ］． 儀器儀表學報，２０２０，４１（９）：５６－６９．

［２１］ 張鵬，田子都，王浩． 基于改進生成對抗網絡的飛參數(shù)據(jù)異常檢測方法［Ｊ］． 浙江大學學報（工學版），２０２２，５６（１０）：１９６７－１９７６．

［２２］ ＣＨＡＮＧ Ｃ Ｉ． Ｔａｒｇｅｔｔｏａｎｏｍａｌｙ Ｃｏｎｖｅｒｓｉｏｎ ｆｏｒ Ｈｙｐｅｒｓｐｅｃｔｒａｌ Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０２２，６０：１－２８．

［２３］ 樊港輝，馬泳，梅曉光，等． 空域協(xié)同自編碼器的高光譜異常檢測［Ｊ］． 中國圖象圖形學報，２０２２，２７ （１０）：３１１６－３１２６．

［２４］ ＫＵＮＪＵＭＯＮ Ａ，ＭＡＤＨＵ Ａ，ＫＩＺＨＡＫＫＥＴＨＯＴＴＡＭ Ｊ Ｊ．Ｃｏｍｐａｒｉｓｏｎ ｏｆ Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ Ｔｅｃｈｎｉｑｕｅｓ Ｉｎ Ｎｅｔｗｏｒｋｓ［Ｃ ］∥ ２０１５ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＳｏｆｔＣｏｍｐｕｔｉｎｇ ａｎｄ Ｎｅｔｗｏｒｋｓ Ｓｅｃｕｒｉｔｙ （ＩＣＳＮＳ ２０１５）． Ｃｏｉｍｂａｔｏｒｅ：ＩＥＥＥ，２０１５：１－３．

［２５］ ＬＯＶＥ Ｂ Ｃ． Ｃｏｍｐａｒｉｎｇ Ｓｕｐｅｒｖｉｓｅｄ ａｎｄ Ｕｎｓｕｐｅｒｖｉｓｅｄ Ｃａｔｅｇｏｒｙ Ｌｅａｒｎｉｎｇ［Ｊ］． Ｐｓｙｃｈｏｎｏｍｉｃ Ｂｕｌｌｅｔｉｎ ＆ Ｒｅｖｉｅｗ，２００２，９（４）：８２９－８３５．

［２６］ ＰＬＡＴＴ Ｊ Ｃ，ＰＬＡＴＴ Ｊ，ＰＬＡＴＴ Ｊ Ｐ，ｅｔ ａｌ． ＰｒｏｂａｂｉｌｉｓｔｉｃＯｕｔｐｕｔｓ ｆｏｒ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅｓ ａｎｄ Ｃｏｍｐａｒｉｓｏｎｓ ｔｏＲｅｇｕｌａｒｉｚｅｄ Ｌｉｋｅｌｉｈｏｏｄ Ｍｅｔｈｏｄｓ ［Ｊ］． Ａｄｖａｎｃｅｓ ｉｎ ＬａｒｇｅＭａｒｇｉｎ Ｃｌａｓｓｉｆｉｅｒｓ，１９９９，１０（３）：６１－７４．

［２７］ ＲＡＳＨＩＤＩ Ｈ Ｈ，ＴＲＡＮ Ｎ Ｋ，ＢＥＴＴＳ Ｅ Ｖ，ｅｔ ａｌ． ＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ ａｎｄ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ ｉｎ Ｐａｔｈｏｌｏｇｙ：ＴｈｅＰｒｅｓｅｎｔ Ｌａｎｄｓｃａｐｅ ｏｆ Ｓｕｐｅｒｖｉｓｅｄ Ｍｅｔｈｏｄｓ［Ｊ］． ＡｃａｄｅｍｉｃＰａｔｈｏｌｏｇｙ，２０１９，６：２３７４２８９５１９８７３０８８．

［２８］ ＦＡＮ Ｌ Ｍ，ＫＡＮＧ Ｃ，ＷＡＮＧ Ｈ Ｇ，ｅｔ ａｌ． ＡｄａｐｔｉｖｅＭａｇｎｅｔｉｃ Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ Ｍｅｔｈｏｄ Ｕｓｉｎｇ ＳｕｐｐｏｒｔＶｅｃｔｏｒ Ｍａｃｈｉｎｅ ［Ｊ ］． ＩＥＥＥ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ ＲｅｍｏｔｅＳｅｎｓｉｎｇ Ｌｅｔｔｅｒｓ，２０２０，９９：１－５．

［２９］ ＤＩＮＧ Ｎ，ＭＡ Ｈ Ｘ，ＧＡＯ Ｈ Ｂ，ｅｔ ａｌ． Ｒｅａｌｔｉｍｅ ＡｎｏｍａｌｙＤｅｔｅｃｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｌｏｎｇ ＳｈｏｒｔＴｅｒｍ Ｍｅｍｏｒｙ ａｎｄＧａｕｓｓｉａｎ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌ ［Ｊ］． Ｃｏｍｐｕｔｅｒｓ ａｎｄ ＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，２０１９，７９：１０６４５８．

［３０］ ＤＵＯ Ｒ Ｆ，ＮＩＥ Ｘ Ｂ，ＹＡＮＧ Ｎ，ｅｔ ａｌ． Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎａｎｄ Ａｔｔａｃｋ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｆｏｒ Ｔｒａｉｎ Ｒｅａｌｔｉｍｅ Ｅｔｈｅｒｎｅｔ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２１，９：２２５２８－２２５４１．

［３１］ ＨＡＮ Ｙ，ＺＯＵ Ｚ Ｑ，ＬＩ Ｎ，ｅｔ ａｌ． Ｉｄｅｎｔｉｆｙｉｎｇ Ｏｕｔｌｉｅｒｓ ｉｎ Ａｓｔｒｏｎｏｍｉｃａｌ Ｉｍａｇｅｓ ｗｉｔｈ Ｕｎｓｕｐｅｒｖｉｓｅｄ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ［Ｊ］． Ｒｅｓｅａｒｃｈ ｉｎ Ａｓｔｒｏｎｏｍｙ ａｎｄ Ａｓｔｒｏｐｈｙｓｉｃｓ，２０２２，２２（８）：０８５００６．

［３２］ ＬＩＵ Ｚ Ｙ，ＬＩ Ｓ Ｘ，ＨＡＯ Ｊ Ｌ，ｅｔ ａｌ． Ａｎ Ｅｆｆｉｃｉｅｎｔ ａｎｄ ＦａｓｔＭｏｄｅｌ Ｒｅｄｕｃｅｄ Ｋｅｒｎｅｌ ＫＮＮ ｆｏｒ Ｈｕｍａｎ Ａｃｔｉｖｉｔｙ Ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ａｄｖａｎｃｅｄ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ，２０２１，２０２１：１－９．

［３３］ ＵＤＤＩＮ Ｓ，ＨＡＱＵＥ Ｉ，ＬＵ Ｈ Ｈ，ｅｔ ａｌ． Ｃｏｍｐａｒａｔｉｖｅ Ｐｅｒｆｏｒｍａｎｃｅ Ａｎａｌｙｓｉｓ ｏｆ Ｋｎｅａｒｅｓｔ Ｎｅｉｇｈｂｏｕｒ （ＫＮＮ）Ａｌｇｏｒｉｔｈｍ ａｎｄ Ｉｔｓ Ｄｉｆｆｅｒｅｎｔ Ｖａｒｉａｎｔｓ ｆｏｒ Ｄｉｓｅａｓｅ Ｐｒｅｄｉｃｔｉｏｎ［Ｊ］． Ｓｃｉｅｎｔｉｆｉｃ Ｒｅｐｏｒｔｓ，２０２２，１２（１）：６２５６．

［３４］ ＡＬＴＩＮＯＲＳ Ａ，ＹＯＬ Ｆ，ＹＡＭＡＮ Ｏ． Ａ Ｓｏｕｎｄ ＢａｓｅｄＭｅｔｈｏｄ ｆｏｒ Ｆａｕｌｔ Ｄｅｔｅｃｔｉｏｎ ｗｉｔｈ Ｓｔａｔｉｓｔｉｃａｌ Ｆｅａｔｕｒｅ Ｅｘｔｒａｃｔｉｏｎ ｉｎ ＵＡＶ Ｍｏｔｏｒｓ ［Ｊ ］． Ａｐｐｌｉｅｄ Ａｃｏｕｓｔｉｃｓ，２０２１，１８３：１０８３２５．

［３５］ ＢＡＯ Ｆ Ｇ，ＷＵ Ｙ Ｑ，ＬＩ Ｚ Ｇ，ｅｔ ａｌ． Ｅｆｆｅｃｔ Ｉｍｐｒｏｖｅｄ ｆｏｒＨｉｇｈｄｉｍｅｎｓｉｏｎａｌ ａｎｄ Ｕｎｂａｌａｎｃｅｄ Ｄａｔａ ＡｎｏｍａｌｙＤｅｔｅｃｔｉｏｎ Ｍｏｄｅｌ Ｂａｓｅｄ ｏｎ ＫＮＮＳＭＯＴＥＬＳＴＭ［Ｊ］． Ｃｏｍｐｌｅｘｉｔｙ，２０２０，２０２０：９０８４７０４.

［３６］ ＺＨＯＵ Ｆ，ＣＨＥＮＧ Ｙ Ｙ，ＤＵ Ｊ，ｅｔ ａｌ． Ｃｏｎｓｔｒｕｃｔｉｏｎ ｏｆ Ｍｕｌｔｉｄｉｍｅｎｓｉｏｎａｌ Ｅｌｅｃｔｒｉｃ Ｅｎｅｒｇｙ Ｍｅｔｅｒ Ａｂｎｏｒｍａｌ ＤｉａｇｎｏｓｉｓＭｏｄｅｌ Ｂａｓｅｄ ｏｎ Ｄｅｃｉｓｉｏｎ Ｔｒｅｅ Ｇｒｏｕｐ ［Ｃ］∥２０１９ ＩＥＥＥ８ｔｈ Ｊｏｉｎｔ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄＡｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ Ｃｏｎｆｅｒｅｎｃｅ （ＩＴＡＩＣ）． Ｃｈｏｎｇｑｉｎｇ：ＩＥＥＥ，２０１９：１６８７－１６９１．

［３７］ ＡＬＯＳ Ａ，ＤＡＨＲＯＵＪ Ｚ． Ｄｅｃｉｓｉｏｎ Ｔｒｅｅ Ｍａｔｒｉｘ Ａｌｇｏｒｉｔｈｍｆｏｒ Ｄｅｔｅｃｔｉｎｇ Ｃｏｎｔｅｘｔｕａｌ Ｆａｕｌｔｓ ｉｎ Ｕｎｍａｎｎｅｄ Ａｅｒｉａｌ Ｖｅｈｉｃｌｅｓ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ ＆ Ｆｕｚｚｙ Ｓｙｓｔｅｍｓ，２０２０，３８（４）：４９２９－４９３９．

［３８］ 舒暢，李輝． 基于小波與ＧＢＤＴ 的無人機傳感器故障診斷［Ｊ］． 測控技術，２０１７，３６（８）：４１－４６．

［３９］ 徐志成，王宏，徐長英，等． 基于優(yōu)選小波基和模糊ＳＯＭ 網絡的模擬電路故障診斷［Ｊ］． 測控技術，２０１６，３５（１１）：５－８．

［４０］ ＫＲＡＩＥＭ Ｉ Ｂ，ＧＨＯＺＺＩ Ｆ，ＰＥＮＩＮＯＵ Ａ，ｅｔ ａｌ． ＡｕｔｏｍａｔｉｃＣｌａｓｓｉｆｉｃａｔｉｏｎ Ｒｕｌｅｓ ｆｏｒ Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ ｉｎ Ｔｉｍｅｓｅｒｉｅｓ［Ｃ］∥１４ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ． Ｌｉｍａｓｏｌ：Ｓｐｒｉｎｇｅｒ，２０２０：３２１－３３７．

［４１］ 張洪海，周錦倫，于文娟，等． 基于ＨＭＭ 和ＤＴ 的無人機異常檢測方法［Ｊ］． 中國安全生產科學技術，２０２２，１８（３）：１９３－１９８．

［４２］ ＮＡＳＳＩＦ Ａ Ｂ，ＴＡＬＩＢ Ｍ Ａ，ＮＡＳＩＲ Ｑ，ｅｔ ａｌ． ＭａｃｈｉｎｅＬｅａｒｎｉｎｇ ｆｏｒ Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ：Ａ Ｓｙｓｔｅｍａｔｉｃ Ｒｅｖｉｅｗ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２１，９：７８６５８－７８７００．

［４３］ ＢＬＵＭ Ａ，ＭＩＴＣＨＥＬＬ Ｔ． Ｃｏｍｂｉｎｉｎｇ Ｌａｂｅｌｅｄ ａｎｄ ＵｎｌａｂｅｌｅｄＤａｔａ ｗｉｔｈ Ｃｏｔｒａｉｎｉｎｇ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １１ｔｈ ＡｎｎｕａｌＣｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｌｅａｒｎｉｎｇ Ｔｈｅｏｒｙ． Ｎｅｗ Ｙｏｒｋ：ＡＣＭ，１９９８：９２－１００．

［４４］ ＭＥＲＺ Ｃ Ｊ，ＣＬＡＩＲ Ｄ Ｃ，ＢＯＮＤ Ｗ Ｅ． ＳｅＭｉｓｕｐｅｒｖｉｓｅｄＡｄａｐｔｉｖｅ Ｒｅｓｏｎａｎｃｅ Ｔｈｅｏｒｙ （ＳＭＡＲＴ２ ） ［Ｃ ］ ∥Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｉｎｔ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ． Ｂａｌｔｉｍｏｒｅ：ＩＥＥＥ，１９９２：８５１－８５６．

［４５］ ＣＨＥＮ Ｙ，ＯＵＹＡＮＧ Ｘ，ＺＨＵ Ｋ Ｙ，ｅｔ ａｌ． ＳｅｍｉｓｕｐｅｒｖｉｓｅｄＤｕａｌｄｏｍａｉｎ Ａｄａｐｔａｔｉｏｎ ｆｏｒ Ｓｅｍａｎｔｉｃ Ｓｅｇｍｅｎｔａｔｉｏｎ［Ｃ］∥２０２２ ２６ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ（ＩＣＰＲ）． Ｎｅｗ Ｙｏｒｋ：ＬＥＥＥ，２０２２：２３０－２３７．

［４６］ ＫＩＭ Ｔ，ＫＩＭ Ｃ． Ａｔｔｒａｃｔ，Ｐｅｒｔｕｒｂ，ａｎｄ Ｅｘｐｌｏｒｅ：Ｌｅａｒｎｉｎｇ ａＦｅａｔｕｒｅ Ａｌｉｇｎｍｅｎｔ Ｎｅｔｗｏｒｋ ｆｏｒ Ｓｅｍｉｓｕｐｅｒｖｉｓｅｄ ＤｏｍａｉｎＡｄａｐｔａｔｉｏｎ ［Ｃ］∥ １６ｔｈ Ｅｕｒｏｐｅａｎ Ｃｏｎｆｅｒｅｎｃｅ． Ｇｌａｓｇｏｗ：ＡＣＭ，２０２０：５９１－６０７．

［４７］ ＹＡＮＧ Ｌ Ｙ，ＷＡＮＧ Ｙ，ＧＡＯ Ｍ Ｆ，ｅｔ ａｌ． Ｄｅｅｐ Ｃｏｔｒａｉｎｉｎｇｗｉｔｈ Ｔａｓｋ Ｄｅｃｏｍｐｏｓｉｔｉｏｎ ｆｏｒ Ｓｅｍｉｓｕｐｅｒｖｉｓｅｄ Ｄｏｍａｉｎ Ａｄａｐｔａｔｉｏｎ［Ｃ］∥２０２１ ＩＥＥＥ ／ ＣＶＦ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ． Ｍｏｎｔｒｅａｌ：ＩＥＥＥ，２０２１：８８８６－８８９６．

［４８］ ＳＰＵＲＲ Ａ，ＡＫＳＡＮ Ｅ，ＨＩＬＬＩＧＥＳ Ｏ． Ｇｕｉｄｉｎｇ ＩｎｆｏＧＡＮｗｉｔｈ Ｓｅｍｉｓｕｐｅｒｖｉｓｉｏｎ ［Ｃ ］∥ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ ａｎｄＫｎｏｗｌｅｄｇｅ Ｄｉｓｃｏｖｅｒｙ ｉｎ Ｄａｔａｂａｓｅｓ． Ｓｋｏｐｊｅ：Ｓｐｒｉｎｇｅｒ，２０１７：１１９－１３４．

［４９］ ＸＵ Ｚ，ＷＡＮＧ Ｙ Ｘ，ＬＵ Ｄ Ｈ，ｅｔ ａｌ． Ａｌｌａｒｏｕｎｄ Ｒｅａｌ ＬａｂｅｌＳｕｐｅｒｖｉｓｉｏｎ：Ｃｙｃｌｉｃ Ｐｒｏｔｏｔｙｐｅ Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｅａｒｎｉｎｇ ｆｏｒＳｅｍｉｓｕｐｅｒｖｉｓｅｄ Ｍｅｄｉｃａｌ Ｉｍａｇｅ Ｓｅｇｍｅｎｔａｔｉｏｎ ［Ｊ］． ＩＥＥＥＪｏｕｒｎａｌ ｏｆ Ｂｉｏｍｅｄｉｃａｌ ａｎｄ Ｈｅａｌｔｈ Ｉｎｆｏｒｍａｔｉｃｓ，２０２２，２６（７）：３１７４－３１８４．

［５０］ ＮＵＮＮＡ Ｓ Ｋ，ＢＨＡＴＴＵ Ｓ Ｎ，ＳＯＭＡＹＡＪＵＬＵ Ｄ Ｖ Ｌ Ｎ，ｅｔ ａｌ． Ｓｔｒｕｃｔｕｒｅｓｅｎｓｉｔｉｖｅ Ｇｒａｐｈｂａｓｅｄ ＭｕｌｔｉｐｌｅｉｎｓｔａｎｃｅＳｅｍｉｓｕｐｅｒｖｉｓｅｄ Ｌｅａｒｎｉｎｇ ［Ｊ ］． ＳａｄｈａｎａＡｃａｄｅｍｙ Ｐｒｏｃｅｅｄｉｎｇｓ ｉｎ Ｅｎｇｉｎｅｅｒｉｎｇ Ｓｃｉｅｎｃｅｓ，２０２１，４６（３）：１５６．

［５１］ ＷＡＮＧ Ｙ Ｄ，ＺＨＡＮＧ Ｊ，ＫＡＮ Ｍ Ｎ，ｅｔ ａｌ． Ｌｅａｒｎｉｎｇ ＰｓｅｕｄｏＬａｂｅｌｓ ｆｏｒ Ｓｅｍｉａｎｄｗｅａｋｌｙ Ｓｕｐｅｒｖｉｓｅｄ Ｓｅｍａｎｔｉｃ Ｓｅｇｍｅｎｔａｔｉｏｎ［Ｊ］． Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ，２０２２，１３２：１０８９２５．

［５２］ ＰＡＮ Ｄ Ｗ，ＮＩＥ Ｌ Ｑ，ＫＡＮＧ Ｗ Ｘ，ｅｔ ａｌ． ＵＡＶ ＡｎｏｍａｌｙＤｅｔｅｃｔｉｏｎ Ｕｓｉｎｇ Ａｃｔｉｖｅ Ｌｅａｒｎｉｎｇ ａｎｄ Ｉｍｐｒｏｖｅｄ Ｓ３ＶＭＭｏｄｅｌ［Ｃ］∥２０２０ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｓｅｎｓｉｎｇ，Ｍｅａｓｕｒｅｍｅｎｔ ＆ Ｄａｔａ Ａｎａｌｙｔｉｃｓ ｉｎ ｔｈｅ Ｅｒａ ｏｆ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ （ＩＣＳＭＤ）． Ｘｉ’ａｎ：ＩＥＥＥ，２０２０：２５３－２５８．

［５３］ ＦＥＮＧ Ｙ，ＬＩＵ Ｚ Ｊ，ＣＨＥＮ Ｊ，ｅｔ ａｌ． Ｍａｋｅ ｔｈｅ Ｒｏｃｋｅｔ Ｉｎｔｅｌｌｉｇｅｎｔ ａｔ ＩｏＴ Ｅｄｇｅ：Ｓｔｅｐｗｉｓｅ ＧＡＮ ｆｏｒ Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎｏｆ ＬＲＥ ｗｉｔｈ Ｍｕｌｔｉｓｏｕｒｃｅ Ｆｕｓｉｏｎ ［Ｊ］． ＩＥＥＥ Ｉｎｔｅｒｎｅｔ ｏｆＴｈｉｎｇｓ Ｊｏｕｒｎａｌ，２０２２，９（４）：３１３５－３１４９．

［５４］ 汪子璇，關東海，湯麗君，等． 一種競爭自編碼器的半監(jiān)督異常檢測方法［Ｊ］． 小型微型計算機系統(tǒng)，２０２３，４４（２）：３１９－３２５．

［５５］ ＺＨＡＮＧ Ｂ，ＺＨＡＮＧ Ｈ Ｙ，ＬＥ Ｖ Ｈ，ｅｔ ａｌ． Ｓｅｍｉｓｕｐｅｒｖｉｓｅｄａｎｄ Ｕｎｓｕｐｅｒｖｉｓｅｄ Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ ｂｙ ＭｉｎｉｎｇＮｕｍｅｒｉｃａｌ Ｗｏｒｋｆｌｏｗ Ｒｅｌａｔｉｏｎｓ ｆｒｏｍ Ｓｙｓｔｅｍ Ｌｏｇｓ［Ｊ］． Ａｕｔｏｍａｔｅｄ Ｓｏｆｔｗａｒｅ Ｅｎｇｉｎｅｅｒｉｎｇ，２０２３，３０（１）：００３７０．

［５６］ ＳＡＢＵＨＩ Ｍ，ＺＨＯＵ Ｍ，ＢＥＺＥＭＥＲ Ｃ Ｐ，ｅｔ ａｌ． Ａｐｐｌｉｃａｔｉｏｎｓｏｆ Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ ｉｎ ＡｎｏｍａｌｙＤｅｔｅｃｔｉｏｎ：Ａ Ｓｙｓｔｅｍａｔｉｃ Ｌｉｔｅｒａｔｕｒｅ Ｒｅｖｉｅｗ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２１，９：１６１００３－１６１０２９．

［５７］ ＦＡＮ Ｇ Ｈ，ＭＡ Ｙ，ＭＥＩ Ｘ Ｇ，ｅｔ ａｌ． Ｈｙｐｅｒｓｐｅｃｔｒａｌ ＡｎｏｍａｌｙＤｅｔｅｃｔｉｏｎ ｗｉｔｈ Ｒｏｂｕｓｔ Ｇｒａｐｈ Ａｕｔｏｅｎｃｏｄｅｒｓ ［Ｊ ］． ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０２２，６０：１－１４．

［５8］ ＸＵ Ｗ，ＪＵＬＩＡＮ Ｊ Ｊ，ＳＩＮＧＨ Ａ，ｅｔ ａｌ． ＩｍｐｒｏｖｉｎｇＰｅｒｆｏｒｍａｎｃｅ ｏｆ Ａｕｔｏｅｎｃｏｄｅｒｂａｓｅｄ Ｎｅｔｗｏｒｋ Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ ｏｎ ＮＳＬＫＤＤ Ｄａｔａｓｅｔ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２１，９：１４０１３６－１４０１４６．

［５９］ ＷＡＮＧ Ｈ Ｔ，ＬＩＵ Ｘ Ｗ，ＭＡ Ｌ Ｙ，ｅｔ ａｌ． Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎｆｏｒ Ｈｙｄｒｏｐｏｗｅｒ Ｔｕｒｂｉｎｅ Ｕｎｉｔ Ｂａｓｅｄ ｏｎ Ｖａｒｉａｔｉｏｎａｌ ＭｏｄａｌＤｅｃｏｍｐｏｓｉｔｉｏｎ ａｎｄ Ｄｅｅｐ Ａｕｔｏｅｎｃｏｄｅｒ ［Ｊ ］． ＥｎｅｒｇｙＲｅｐｏｒｔｓ，２０２１，７（Ｓ７）：９３８－９４６．

［６０］ ＢＥＬＬ Ｖ，ＡＲＣＥ Ｉ Ｍ，ＭＡＳＥ Ｊ Ｍ，ｅｔ ａｌ． Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎｆｏｒ Ｕｎｍａｎｎｅｄ Ａｅｒｉａｌ Ｖｅｈｉｃｌｅ Ｓｅｎｓｏｒ Ｄａｔａ Ｕｓｉｎｇ ａ ＳｔａｃｋｅｄＲｅｃｕｒｒｅｎｔ Ａｕｔｏｅｎｃｏｄｅｒ Ｍｅｔｈｏｄ ｗｉｔｈ Ｄｙｎａｍｉｃ Ｔｈｒｅｓｈｏｌｄｉｎｇ［Ｊ］． ＳＡＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ａｅｒｏｓｐａｃｅ，２０２２，１５（２）：２１９－２２９．

［６１］ ＡＺＺＡＬＩＮＩ Ｄ，ＢＯＮＡＬＩ Ｌ Ｃ，ＡＭＩＧＯＮＩ Ｆ． Ａ ＭｉｎｉｍａｌｌｙＳｕｐｅｒｖｉｓｅｄ Ａｐｐｒｏａｃｈ Ｂａｓｅｄ ｏｎ Ｖａｒｉａｔｉｏｎａｌ Ａｕｔｏｅｎｃｏｄｅｒｓｆｏｒ Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ ｉｎ Ａｕｔｏｎｏｍｏｕｓ Ｒｏｂｏｔｓ ［Ｊ］． ＩＥＥＥＲｏｂｏｔｉｃｓ ａｎｄ Ａｕｔｏｍａｔｉｏｎ Ｌｅｔｔｅｒｓ，２０２１，６（２）：２９８５－２９９２．

［６２］ ＣＨＥＮＧ Ｚ，ＷＡＮＧ Ｓ Ｗ，ＺＨＡＮＧ Ｐ，ｅｔ ａｌ． Ｉｍｐｒｏｖｅｄ Ａｕｔｏｅｎｃｏｄｅｒ ｆｏｒ Ｕｎｓｕｐｅｒｖｉｓｅｄ Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ，２０２１，３６ （１２ ）：７１０３－７１２５．

［６３］ ＧＯＯＤＦＥＬＬＯＷ Ｉ Ｊ，ＰＯＵＧＥＴＡＢＡＤＩＥ Ｊ，ＭＩＲＺＡ Ｍ，ｅｔａｌ． Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｓ［Ｃ］∥ Ｎｅｕｒａｌ ＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓ． Ｍｏｎｔｒｅａｌ：ＡＣＭ，２０１４：２６７２－２６８０．

［６４］ ＷＡＮＧ Ｗ Ｌ，ＰＥＮＧ Ｚ Ｈ，ＷＡＮＧ Ｓ Ｚ，ｅｔ ａｌ． ＩＦＰＡＤＡＣ：ＡＴｗｏｓｔａｇｅ Ｉｎｔｅｒｐｒｅｔａｂｌｅ Ｆａｕｌｔ Ｐｒｅｄｉｃｔｉｏｎ Ｍｏｄｅｌ ｆｏｒ Ｍｕｌｔｉｖａｒｉａｔｅ Ｔｉｍｅ Ｓｅｒｉｅｓ［Ｃ］∥２０２１ ２２ｎｄ ＩＥＥＥ ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｏｂｉｌｅ Ｄａｔａ Ｍａｎａｇｅｍｅｎｔ （ＭＤＭ ２０２１）．Ｌｏｓ Ａｌａｍｉｔｏｓ：ＩＥＥＥ，２０２１：２９－３８．

［６５］ ＸＵ Ｌ Ｙ，ＸＵ Ｋ，ＱＩＮ Ｙ Ｃ，ｅｔ ａｌ． ＴＧＡＮＡＤ：Ｔｒａｎｓｆｏｒｍｅｒｂａｓｅｄ ＧＡＮ ｆｏｒ Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ ｏｆ Ｔｉｍｅ Ｓｅｒｉｅｓ Ｄａｔａ［Ｊ］． Ａｐｐｌｉｅｄ Ｓｃｉｅｎｃｅｓ，２０２２，１２（１６）：８０８５．

［６６］ 王鳳芹，高龍，徐廷學，等． 基于ＬＳＴＭＧＡＮ 的無人機飛行數(shù)據(jù)異常檢測算法［Ｊ］． 中國慣性技術學報，２０２２，３０（２）：２６４－２７１．

［６７］ ＬＩＵ Ｆ Ｔ，ＴＩＮＧ Ｋ Ｍ，ＺＨＯＵ Ｚ Ｈ． Ｉｓｏｌａｔｉｏｎｂａｓｅｄ ＡｎｏｍａｌｙＤｅｔｅｃｔｉｏｎ［Ｊ］． ＡＣＭ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｃｏｖｅｒｙｆｒｏｍ Ｄａｔａ，２０１２，６（１）：１－３９．

［６8］ ＳＨＡＯ Ｃ，ＤＵ Ｘ Ｓ，ＹＵ Ｊ，ｅｔ ａｌ． Ｃｌｕｓｔｅｒｂａｓｅｄ ＩｍｐｒｏｖｅｄＩｓｏｌａｔｉｏｎ Ｆｏｒｅｓｔ［Ｊ］． Ｅｎｔｒｏｐｙ，２０２２，２４（５）：６１１．

［６９］ ＺＨＡＮＧ Ｙ Ｘ，ＤＯＮＧ Ｙ Ｎ，ＷＵ Ｋ，ｅｔ ａｌ． ＨｙｐｅｒｓｐｅｃｔｒａｌＡｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ ｗｉｔｈ Ｏｔｓｕｂａｓｅｄ Ｉｓｏｌａｔｉｏｎ Ｆｏｒｅｓｔ［Ｊ］．ＩＥＥＥ Ｊｏｕｒｎａｌ ｏｆ Ｓｅｌｅｃｔｅｄ Ｔｏｐｉｃｓ ｉｎ Ａｐｐｌｉｅｄ Ｅａｒｔｈ Ｏｂｓｅｒｖａｔｉｏｎｓ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０２１，１４：９０７９－９０８８．

［７０］ ＺＨＡＮＧ Ｘ Ｙ，ＤＯＵ Ｗ Ｃ，ＨＥ Ｑ，ｅｔ ａｌ． ＬＳＨｉＦｏｒｅｓｔ：Ａ Ｇｅｎｅｒｉｃ Ｆｒａｍｅｗｏｒｋ ｆｏｒ Ｆａｓｔ Ｔｒｅｅ Ｉｓｏｌａｔｉｏｎ ｂａｓｅｄ ＥｎｓｅｍｂｌｅＡｎｏｍａｌｙ Ａｎａｌｙｓｉｓ ［Ｃ］∥ ２０１７ ＬＥＥＥ ３３ｒｄ ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ ｏｎ Ｄａｔａ Ｅｎｇｉｎｅｅｒｉｎｇ． Ｎｅｗ Ｙｏｒｋ：ＩＥＥＥ，２０１７：９８３－９９４．

［７１］ ＱＵ Ｈ Ｃ，ＬＩ Ｚ Ｌ，ＷＵ Ｊ Ｊ． Ｉｎｔｅｇｒａｔｅｄ Ｌｅａｒｎｉｎｇ Ｍｅｔｈｏｄ ｆｏｒＡｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ Ｃｏｍｂｉｎｉｎｇ ＫＬＳＨ ａｎｄ Ｉｓｏｌａｔｉｏｎ Ｐｒｉｎｃｉｐｌｅｓ［Ｃ］∥２０２０ ＩＥＥＥ Ｃｏｎｇｒｅｓｓ ｏｎ Ｅｖｏｌｕｔｉｏｎａｒｙ Ｃｏｍｐｕｔａｔｉｏｎ （ｃｅｃ）． Ｎｅｗ Ｙｏｒｋ：ＩＥＥＥ，２０２０：１－６．

［７２］ 呂少嵐，王華偉，侯召國，等． 基于集成孤立森林的無人機異常檢測算法［Ｊ］． 無線電工程，２０２２，５２ （８）：１３７５－１３８５．

［７３］ ＺＨＡＯ Ｗ Ｊ，ＺＨＡＮＧ Ｙ Ｓ，ＺＨＵ Ｙ，ｅｔ ａｌ． ＡｎｏｍａｌｙＤｅｔｅｃｔｉｏｎ ｏｆ Ａｉｒｃｒａｆｔ Ｌｅａｄａｃｉｄ Ｂａｔｔｅｒｙ ［Ｊ］． Ｑｕａｌｉｔｙ ａｎｄＲｅｌｉａｂｉｌｉｔｙ Ｅｎｇｉｎｅｅｒｉｎｇ Ｉｎｔｅｒｎａｔｉｏｎａｌ，２０２０，３７ （３ ）：１１８６－１１９７．

［７４］ ＺＨＡＮＧ Ｎ，ＬＩＵ Ｙ Ｆ，ＸＵ Ｌ，ｅｔ ａｌ． Ｍａｇｎｅｔｉｃ Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ Ｍｅｔｈｏｄ Ｂａｓｅｄ ｏｎ Ｆｅａｔｕｒｅ Ｆｕｓｉｏｎ ａｎｄ Ｉｓｏｌａｔｉｏｎ Ｆｏｒｅｓｔ Ａｌｇｏｒｉｔｈｍ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２２，１０：８４４４４－８４４５７．

［７５］ 唐立，郝鵬，任沛閣，等． 基于改進孤立森林算法的無人機異常行為檢測［Ｊ］． 航空學報，２０２２，４３ （８ ）：５８４－５９３．

［７６］ ＧＥＲＳ Ｆ Ａ，ＳＣＨＭＩＤＨＵＢＥＲ Ｊ，ＣＵＭＭＩＮＳ Ｆ． Ｌｅａｒｎｉｎｇ ｔｏＦｏｒｇｅｔ：Ｃｏｎｔｉｎｕａｌ Ｐｒｅｄｉｃｔｉｏｎ ｗｉｔｈ ＬＳＴＭ［Ｊ］． Ｎｅｕｒａｌ Ｃｏｍｐｕｔａｔｉｏｎ，２０００，１２（１０）：２４５１－２４７１．

［７７］ ＨＯＣＨＲＥＩＴＥＲ Ｓ，ＳＣＨＭＩＤＨＵＢＥＲ Ｊ． Ｌｏｎｇ ＳｈｏｒｔＴｅｒｍＭｅｍｏｒｙ［Ｊ］． Ｎｅｕｒａｌ Ｃｏｍｐｕｔａｔｉｏｎ，１９９７，９（８）：１７３５－１７８０．

［７８］ ＷＡＮＧ Ｂ Ｋ，ＷＡＮＧ Ｚ Ｙ，ＬＩＵ Ｌ Ｓ，ｅｔ ａｌ． ＤａｔａｄｒｉｖｅｎＡｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ ｆｏｒ ＵＡＶ Ｓｅｎｓｏｒ Ｄａｔａ Ｂａｓｅｄ ｏｎ ＤｅｅｐＬｅａｒｎｉｎｇ Ｐｒｅｄｉｃｔｉｏｎ Ｍｏｄｅｌ ［Ｃ］∥ ２０１９ Ｐｒｏｇｎｏｓｔｉｃｓ ａｎｄＳｙｓｔｅｍ Ｈｅａｌｔｈ Ｍａｎａｇｅｍｅｎｔ Ｃｏｎｆｅｒｅｎｃｅ （ＰＨＭＰａｒｉｓ）．Ｐａｒｉｓ：ＩＥＥＥ，２０１９：２８６－２９０．

［７９］ 李晨，王布宏，田繼偉，等． 基于ＬＳＴＭＯＣＳＶＭ 的無人機傳感器數(shù)據(jù)異常檢測［Ｊ］． 小型微型計算機系統(tǒng)，２０２１，４２（４）：７００－７０５．

［８０］ ＷＡＮＧ Ｙ Ｊ，ＤＵ Ｘ，ＬＵ Ｚ Ｈ，ｅｔ ａｌ． Ｉｍｐｒｏｖｅｄ ＬＳＴＭｂａｓｅｄＴｉｍｅｓｅｒｉｅｓ Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ ｉｎ Ｒａｉｌ Ｔｒａｎｓｉｔ ＯｐｅｒａｔｉｏｎＥｎｖｉｒｏｎｍｅｎｔｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｄｕｓｔｒｉａｌ Ｉｎｆｏｒｍａｔｉｃｓ，２０２２，１８（１２）：９０２７－９０３６．

［８１］ ＰＡＲＫ Ｋ Ｈ，ＰＡＲＫ Ｅ，ＫＩＭ Ｈ Ｋ． Ｕｎｓｕｐｅｒｖｉｓｅｄ Ｆａｕｌｔ Ｄｅｔｅｃｔｉｏｎ ｏｎ Ｕｎｍａｎｎｅｄ Ａｅｒｉａｌ Ｖｅｈｉｃｌｅｓ：Ｅｎｃｏｄｉｎｇ ａｎｄＴｈｒｅｓｈｏｌｄｉｎｇ Ａｐｐｒｏａｃｈ［Ｊ］． Ｓｅｎｓｏｒｓ，２０２１，２１（６）：２２０８．

［８２］ ＸＵ Ｙ Ｑ，ＬＩＡＮＧ Ｊ，ＷＡＮＧ Ｂ Ｋ，ｅｔ ａｌ． ＵＡＶ Ｆｌｉｇｈｔ ＳｔａｔｅＲｅｃｏｇｎｉｔｉｏｎ Ｕｓｉｎｇ ＡＣＧＡＮ Ｂａｓｅｄ Ｍｅｔｈｏｄ ［Ｃ］∥ ２０１９Ｐｒｏｇｎｏｓｔｉｃｓ ａｎｄ Ｓｙｓｔｅｍ Ｈｅａｌｔｈ Ｍａｎａｇｅｍｅｎｔ Ｃｏｎｆｅｒｅｎｃｅ．Ｑｉｎｇｄａｏ：ＩＥＥＥ，２０１９：１－６．

［８３］ ＢＡＥ Ｇ，ＪＯＥ Ｉ． ＵＡＶ Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ ｗｉｔｈ ＤｉｓｔｒｉｂｕｔｅｄＡｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ Ｂａｓｅｄ ｏｎ ＬＳＴＭＡＥ ａｎｄ ＡＥ［Ｃ］∥Ａｄｖａｎｃｅｄ Ｍｕｌｔｉｍｅｄｉａ ａｎｄ Ｕｂｉｑｕｉｔｏｕｓ Ｅｎｇｉｎｅｅｒｉｎｇ． Ｘｉ’ａｎ：Ｓｐｒｉｎｇｅｒ，２０１９：３０５－３１０．

［８４］ ＡＬＯＳ Ａ，ＤＡＨＲＯＵＪ Ｚ． Ｕｓｉｎｇ ＭＬＳＴＭ ａｎｄ ＭｕｌｔｉｏｕｔｐｕｔＣｏｎｖｏｌｕｔｉｏｎａｌ ＬＳＴＭ Ａｌｇｏｒｉｔｈｍｓ ｆｏｒ Ｄｅｔｅｃｔｉｎｇ ＡｎｏｍａｌｏｕｓＰａｔｔｅｒｎｓ ｉｎ Ｓｔｒｅａｍｅｄ Ｄａｔａ ｏｆ Ｕｎｍａｎｎｅｄ Ａｅｒｉａｌ Ｖｅｈｉｃｌｅｓ［Ｊ］． ＩＥＥＥ Ａｅｒｏｓｐａｃｅ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃ Ｓｙｓｔｅｍｓ Ｍａｇａｚｉｎｅ，２０２２，３７（６）：６－１５．

［８５］ ＰＡＲＫ Ｊ Ｈ，ＳＨＡＮＢＨＡＧ Ｓ，ＣＨＡＮＧ Ｄ Ｅ． Ｍｏｄｅｌｆｒｅｅ Ｕｎｓｕｐｅｒｖｉｓｅｄ Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ ｏｆ ａ Ｇｅｎｅｒａｌ ＲｏｂｏｔｉｃＳｙｓｔｅｍ Ｕｓｉｎｇ ａ Ｓｔａｃｋｅｄ ＬＳＴＭ ａｎｄ Ｉｔｓ Ａｐｐｌｉｃａｔｉｏｎ ｔｏ ａＦｉｘｅｄｗｉｎｇ Ｕｎｍａｎｎｅｄ Ａｅｒｉａｌ Ｖｅｈｉｃｌｅ［Ｃ］∥２０２２ ＩＥＥＥ ／ＲＳＪ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｒｏｂｏｔｓ ａｎｄＳｙｓｔｅｍｓ （ＩＲＯＳ）． Ｋｙｏｔｏ：ＩＥＥＥ，２０２２：４２８７－４２９３．

［８６］ ＹＡＮＧ Ｌ，ＬＩ Ｓ Ｂ，ＬＩ Ｃ Ｊ，ｅｔ ａｌ． Ｄａｔａｄｒｉｖｅｎ ＵｎｓｕｐｅｒｖｉｓｅｄＡｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｒｅｃｏｖｅｒｙ ｏｆ Ｕｎｍａｎｎｅｄ Ａｅｒｉａｌ Ｖｅｈｉｃｌｅ Ｆｌｉｇｈｔ Ｄａｔａ Ｂａｓｅｄ ｏｎ Ｓｐａｔｉｏｔｅｍｐｏｒａｌ Ｃｏｒｒｅｌａｔｉｏｎ［Ｊ ］． Ｓｃｉｅｎｃｅ Ｃｈｉｎａ Ｔｅｃｈｎｏｌｏｇｉｃａｌ Ｓｃｉｅｎｃｅｓ，２０２３，６６（５）：１３０４－１３１６．

［８７］ ＬＩ Ｃ Ｊ，ＬＩ Ｓ Ｂ，ＺＨＡＮＧ Ａ Ｓ，ｅｔ ａｌ． Ａ Ｓｉａｍｅｓｅ ＨｙｂｒｉｄＮｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｆｒａｍｅｗｏｒｋ Ｆｏｒ Ｆｅｗｓｈｏｔ Ｆａｕｌｔ Ｄｉａｇｎｏｓｉｓｏｆ Ｆｉｘｅｄｗｉｎｇ Ｕｎｍａｎｎｅｄ Ａｅｒｉａｌ Ｖｅｈｉｃｌｅｓ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆＣｏｍｐｕｔａｔｉｏｎａｌ Ｄｅｓｉｇｎ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ，２０２２，９ （４ ）：１５１１－１５２４．

［８８］ ＷＡＮＧ Ｂ Ｋ，ＣＨＥＮ Ｙ Ｆ，ＬＩＵ Ｄ Ｔ，ｅｔ ａｌ． Ａｎ ＥｍｂｅｄｄｅｄＩｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍ ｆｏｒ Ｏｎｌｉｎｅ Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ ｏｆ Ｕｎｍａｎｎｅｄ Ａｅｒｉａｌ Ｖｅｈｉｃｌｅ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ ＆ ＦｕｚｚｙＳｙｓｔｅｍｓ，２０１８，３４（６）：３５３５－３５４５．

作者簡介

王 巖 男，（１９９９—），碩士研究生。主要研究方向：無人機、異常檢測。

（*通信作者）李少波 男，（１９７３—），博士，教授。主要研究方向：大數(shù)據(jù)、智能制造等。

張儀宗 男，（１９９６—），博士研究生。主要研究方向：機械設備智能故障診斷。

張 羽 男，（１９８３—），碩士，高級工程師。主要研究方向：無人機試驗試飛、導航制導、智能制造、故障診斷與健康管理。

張安思 男，（１９９１—），博士，講師。主要研究方向：工業(yè)大數(shù)據(jù)。