公开(公告)号：CN118627370A

公开(公告)日：2024-09-10

申请号：CN202311840972.7

申请日：2023-12-28

Applicant: 贵州大学 ,  中航贵州飞机有限责任公司

Inventor： 张安思 ,  郑洋 ,  张羽 ,  李少波 ,  武杰

IPC: G06F30/27 ,  G06N5/022 ,  G06N3/0455 ,  G06N3/084

Abstract: 本发明设计航空装备大数据技术领域，具体涉及了一种大数据航空装备设计制造知识构建方法。包括以下步骤：S100：获取航空装备设计数据以及航空装备制造数据，对航空装备设计与航空装备制造中的多模态数据的实体以及关系进行识别；S200：对多模态数据中的公共知识以及私有知识进行挖掘，建立航空装备设计与航空装备制造中的多模态数据与实体之间的统一关系；S300：航空装备设计与航空装备制造中的多模态数据与实体之间的统一关系，将多模态数据中的实体和关系表示为向量，建立航空装备设计与制造知识图通过知识图谱；S400：通过知识图谱将航空装备，将航空装备制造数据与航空装备设计数据形成关联。

公开(公告)号：CN117667511A

公开(公告)日：2024-03-08

申请号：CN202311609552.8

申请日：2023-11-28

Applicant: 贵州大学

Inventor： 杨磊 ,  李少波 ,  李传江 ,  张安思 ,  张羽

IPC: G06F11/14 ,  G06F18/25 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/096

Abstract: 本发明涉及无人机异常检测技术领域，公开了一种基于多源数据融合知识迁移的飞行数据异常检测恢复方法，包括以下步骤：步骤1，对无人机飞行数据集进行非标化处理和参数选择；步骤2，将处理后的无人机飞行数据集划分为多个源域和一个目标域；将多个源域融合为一个新的参考源域，基于参考源域对预设的检测模型进行预训练，以获得目标域的初始化参数；步骤3，使用目标域中的有限数据对检测模型进行微调，并使用目标域作为测试集进行测试；步骤4，获取检测模型的训练残差和测试残差；对检测模型的训练残差进行平滑处理，以获得异常检测阈值。本发明能够在有限样本下，达到较优的异常检测和预测恢复效果。

公开(公告)号：CN116821858A

公开(公告)日：2023-09-29

申请号：CN202310933522.6

申请日：2023-07-27

Applicant: 贵州大学

Inventor： 李少波 ,  杨磊 ,  张安思 ,  廖子豪 ,  张仪宗

IPC: G06F18/27 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/045 ,  G06F18/214 ,  G06F18/2413

Abstract: 本发明涉及无人机运行监测方法领域，具体涉及基于混合模型的无人机飞行数据异常检测和恢复方法，获取原始无人机飞行数据，并进行数据预处理，得到训练集和测试集；构建1D CNN‑LSTM回归模型；将预处理后的数据进行重构，将重构后的数据输入1D CNN‑LSTM回归模型得到预测值，将训练集和测试集，经过1D CNN‑LSTM回归模型的回归计算，得到训练集和测试集的预测值，基于训练集和测试集的预测值进行异常检测，以测试集的预测值作为1D CNN‑LSTM模型的恢复值。本发明能够在检测到飞行数据的异常时进行数据的准确恢复，以在异常发生后提供合理的恢复值。

公开(公告)号：CN115712833A

公开(公告)日：2023-02-24

申请号：CN202211449025.0

申请日：2022-11-18

Applicant: 贵州大学

Inventor： 杨磊 ,  李少波 ,  李传江 ,  张安思 ,  张仪宗

IPC: G06F18/214 ,  G06N3/049 ,  G06N3/08 ,  G06N3/0442

Abstract: 本发明涉及无人机异常检测技术领域，公开了一种基于时空相关性的多维无人机飞行数据的无监督异常检测方法，包括以下步骤：步骤1：采集原始数据集；步骤2：预处理原始数据集，并得到标准数据集；步骤3：采用MIC相关分析法处理标准数据集，并输出得到飞行数据参数之间的关联程度值；步骤4：自标准数据集中，提取关联程度值大于第一阈值的飞行数据参数，并组成特征子集；步骤5：将特征子集作为模型输入，输入至LSTM‑AE模型中；将LSTM‑AE模型损失函数作为异常分数；步骤6：若异常分数大于第二阈值，则判定为飞行数据存在异常。本发明能够准确检测数据异常，且能够有效减少数据分析对于先验知识的依赖性，异常检测较为方便，检测有效度高。

公开(公告)号：CN115690362A

公开(公告)日：2023-02-03

申请号：CN202211449634.6

申请日：2022-11-18

Applicant: 贵州大学

Inventor： 梁国强 ,  张安思 ,  张旭东 ,  张保 ,  王从宝

IPC: G06T17/20 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/774 ,  G06V10/82

Abstract: 本发明涉及特征信息识别技术领域，公开了一种基于少量训练数据的三维点云分类方法，包括以下步骤：建立目标点的三维点云模型，并随机获取多个三维点云样本数据，采用Siamese网络深度学习模型进行模型训练；改进PointNet++网络，利用卷积神经网络的思想进行层次化的特征学习，并添加两点间距离进行全局特征提取；将改进PointNet++网络作为Siamese网络的共享网络，建立三维点云分类模型；采集目标点内所有的三维点云数据，并利用三维点云分类模型对得到的三维点云数据进行分类。本发明具有实现少量样本数据下完成分类，提高在有限点云数据情况下的分类结果准确率的有益效果。

公开(公告)号：CN112356959A

公开(公告)日：2021-02-12

申请号：CN202011199473.0

申请日：2020-11-02

Applicant: 贵州大学

Inventor： 张钧星 ,  李少波 ,  张安思 ,  苏援农 ,  傅广

IPC: B62K5/027 ,  B62K21/02 ,  B62K25/04 ,  B62K25/08 ,  B60B35/12

Abstract: 本发明公开了一种电动三轮车，包括车轮、独臂减震前叉、前叉架、坐垫、车身支撑柱、车架底盘、减震机构、三轮车前舵和驱动机构，车轮采用三个，前侧一个，后侧对称布置两个，均旋转连接到车架底盘上，后侧的车轮处安装有减震机构，车架底盘前后分别设置有驾驶坐垫和乘客坐垫，后排的车轮连接有驱动机构，前侧的车轮旋转连接到独臂减震前叉下端，独臂减震前叉上端到三轮车前舵，独臂减震前叉旋转连接到前叉架，前叉架固定连接到车架底盘。本发明采用减震设备支撑整个车架底盘，减震机构和独臂减震前叉能够实现压缩，两端距离共同减少达到缓震的目的，可以面对更加颠簸的路面实现弹性缓冲，缓震效果更好，乘坐更加舒适，也延长三轮车使用寿命。

公开(公告)号：CN119885038A

公开(公告)日：2025-04-25

申请号：CN202510352273.0

申请日：2025-03-25

Applicant: 贵州大学

Inventor： 杨磊 ,  李少波 ,  朱才朝 ,  张仪宗 ,  张安思

IPC: G06F18/2433 ,  G06N3/0455

Abstract: 一种基于重构模型的多变量飞行数据异常检测和定位方法，包括以下步骤：数据预处理步骤：收集无人机飞行数据，将原始输入数据按预设比例划分为训练集和测试集，对数据进行归一化处理；模型构建步骤：构建基于DCANNs的神经网络重构模型；自动编码器模块通过编码器将输入数据压缩为潜在变量再由解码器将z解码回原始数据空间获得重建数据；自适应异常检测步骤：利用训练集重构残差计算异常阈值，通过比较测试集的异常分数与阈值实现异常检测；异常定位步骤：通过计算和分析残差的统计特征定位异常参数；本发明的目的解决了传统深度学习模型特征提取不充分、固定统计阈值无法适应飞行数据动态变化以及异常参数具体来源无法定位的问题。

公开(公告)号：CN119475198A

公开(公告)日：2025-02-18

申请号：CN202510053041.5

申请日：2025-01-14

Applicant: 贵州大学

Inventor： 杨磊 ,  李少波 ,  朱才朝 ,  张安思 ,  刘健

IPC: G06F18/2433 ,  G06N3/0464 ,  G06F18/213 ,  G06F18/27 ,  G06N3/084

Abstract: 本发明涉及无人机检测技术领域，具体涉及了一种无人机飞行数据高精度异常检测和数据恢复方法。包括以下步骤：S1、构建基于TCN‑KANs的多元回归模型，所述TCN‑KANs模型包括输入层、三个残差块以及一个KAN层，其中残差块通过卷积层以及残差连接提取特征，并对输入特征进行非线性变化，提取潜在模式并生成最终输出，KAN层作为TCN‑KANs最终的输出层；S2、最小化预测值和真实值之间的误差；S3、根据模型的预测结果计算残差，对残差进行平滑处理后，通过对残差的统计特性进行分析确定异常阈值；S4、无人机的飞行实时监控以及操作控制时，通过模型在检测到异常后生成恢复值进行数据恢复。

公开(公告)号：CN118468454A

公开(公告)日：2024-08-09

申请号：CN202410925609.3

申请日：2024-07-11

Applicant: 贵州大学

Inventor： 李少波 ,  王岩 ,  杨磊 ,  张仪宗 ,  安雪 ,  张安思

IPC: G06F30/15 ,  G06F18/2411 ,  G06F18/214

Abstract: 本发明涉及无人机异常检测技术领域，公开了一种无人机执行器数据异常程度检测与关键参数识别方法，构建SCAE无监督混合模型；获取无人机执行器数据并进行数据预处理，得到训练数据集、验证数据集和测试数据集；利用预处理后的训练数据集对模型进行训练，得到CAE模型；将验证数据集输入至CAE模型得到阈值；将不同异常程度的异常数据分别注入测试数据集，分别形成相应的待测数据；将待测数据输入至CAE模型，得到预测结果，计算待测数据残差，通过比较待测数据残差和阈值进行不同异常程度下的异常检测；根据待测数据残差，计算无人机执行器各参数的异常贡献度，进行造成异常的关键参数识别；实现无人机执行器数据不同异常程度下的异常检测与关键参数识别。

公开(公告)号：CN117708741A

公开(公告)日：2024-03-15

申请号：CN202311781202.X

申请日：2023-12-21

Applicant: 贵州大学

Inventor： 李少波 ,  王岩 ,  杨磊 ,  张羽 ,  张安思 ,  李传江

IPC: G06F18/2433 ,  G06F18/213 ,  G06N3/0442 ,  G06N3/084

Abstract: 本发明涉及无人机异常检测技术领域，公开了一种用于参数选择的无人机多维飞行数据异常检测的方法，包括以下步骤：步骤1，采集无人机飞行数据，并基于无人机飞行数据选取特征子集；步骤2，基于特征子集，构建无监督的异常检测模型以进行无人机飞行数据的异常检测；步骤3，在异常检测模型中输入未训练集X(t)并输出参考检测数据X′(t)，并计算得到X(t)与X′(t)的参考残差；采用3σ原则确定残差上限值；步骤4，比对参考残差与残差上限值，若参考残差小于残差上限值，则判定为正常数据；反之，则判定为异常数据。本发明能够实现针对多种异常类型的同步高效检测，检测效率较高且检测精准度较高。