买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国人民解放军海军工程大学申请的专利基于LSTM-GBSVDD模型的飞行轨迹异常检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119848536B 。

龙图腾网通过国家知识产权局官网在2026-05-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411753623.6，技术领域涉及：G06F18/214；该发明授权基于LSTM-GBSVDD模型的飞行轨迹异常检测方法是由曾雅琴;李琳;朱惠民;孙世岩;梁伟阁设计研发完成，并于2024-12-02向国家知识产权局提交的专利申请。

本基于LSTM-GBSVDD模型的飞行轨迹异常检测方法在说明书摘要公布了：本发明涉及一种基于LSTM‑GBSVDD模型的飞行轨迹异常检测方法，为了应对飞行轨迹数据的长度变化问题，本发明利用LSTM提取时间序列中的关键特征，将可变长度的轨迹数据转换为定长表示，使得异常检测能够在固定长度的特征空间中进行，提高了模型的普适性。在特征提取基础上，引入SVDD算法构建多维超球分类器，对正常飞行轨迹进行建模。通过该模型，可以在无监督的框架下识别潜在的异常轨迹，避免了对数据标签的依赖，解决了在无监督环境下无法识别异常的瓶颈。本发明首次实现了LSTM网络参数和SVDD评分函数的联合优化，提出了一种基于梯度的训练方法。这一方法显著提高了异常检测的精度和计算效率，提升了检测性能。

本发明授权基于LSTM-GBSVDD模型的飞行轨迹异常检测方法在权利要求书中公布了：1.一种基于LSTM-GBSVDD模型的飞行轨迹异常检测方法，其特征在于，包括以下步骤： 步骤1、建立飞行轨迹训练集，将飞行轨迹训练集中的飞行轨迹序列样本输入LSTM模型； 步骤2、LSTM模型整合样本各时间步特征，并进行特征均值池化，生成固定长度特征向量，将特征向量输入SVDD模型； 步骤3、SVDD分类器构建超球体，并基于梯度进行联合训练，更新LSTM模型参数和SVDD分类器构建的超球体半径和中心，通过最小化损失函数最终得到训练好的LSTM模型和SVDD模型； 所述步骤3中，基于梯度的训练算法的具体内容如下： 步骤3.1、对于LSTM模型，计算目标函数相对于LSTM参数的梯度： ； 对于SVDD分类器，计算目标函数相对于超球体的中心和半径R的梯度： ； ； 式中，目标函数，为平滑函数； 步骤3.2：对于LSTM权重W和偏置B参数、SVDD分类器的中心和半径R进行更新，使用公式如下： 对于LSTM权重W和偏置B： ； ； ； ； 其中，为n行n列的矩阵，矩阵中的元素；为n行n列的矩阵，矩阵中的元素为平滑函数下LSTM模型的第i个单元与第j单元之间的权重，i,j∈{1,2，……,n}，n为LSTM模型中单元的数量； 对于SVDD分类器的中心和半径R： ； ； 式中，各参数的含义如下： k：迭代次数； ：第个LSTM模型单元的输出序列，是神经网络对输入的反应指标； ：与总分类误差之间的权衡参数，控制分类误差和半径平方之间的相对重要性； 为LSTM模型的第个单元的输出序列对应的超球半径； ：缩放因子的估计值，，用于调节支持向量影响范围的超参数，影响SVDD中样本的聚合度； ：样本数据的标准差，衡量数据的离散程度，用于确定缩放因子的大小； ：平滑参数，控制模型的平滑程度； ：权衡参数，用于调节不同损失项之间的权衡; 步骤3.3、计算LSTM-SVDD联合损失函数，LSTM-SVDD联合损失函数用于衡量LSTM提取的特征与SVDD目标的匹配程度的损失函数，表示为： ； 其中，和是权重系数，用于平衡两个损失项的重要性；SVDDSphereLoss为超球体损失，用于衡量提取的特征点与SVDD超球体的距离，MSE为LSTM模型的均方误差； 判断LSTM-SVDD联合损失函数是否达到全局最优值或局部最优值，是则结束训练输出最后一次迭代时得到的LSTM权重W和偏置B、SVDD分类器的中心和半径R,否则迭代次数加1，转到步骤3.1利用更新后的参数继续进行训练； 步骤4、将待检测的飞行轨迹序列输入训练好的LSTM模型，获得固定长度的特征向量，将特征向量输入训练好的SVDD模型，判断是否有数据是否位于超球体外侧，若有则判定飞行轨迹异常，输出异常结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国人民解放军海军工程大学，其通讯地址为：430030 湖北省武汉市硚口区解放大道717号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。