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！

龙图腾网获悉重庆大学申请的专利一种基于双视图增强Transformer的飞行数据异常检测方法及系统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：CN119848736B 。

龙图腾网通过国家知识产权局官网在2026-03-03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：202510049313.4，技术领域涉及：G06F18/2433；该发明授权一种基于双视图增强Transformer的飞行数据异常检测方法及系统是由尚家兴;李诚祥;郑林江;陈逢文;陈浩东;李旭设计研发完成，并于2025-01-13向国家知识产权局提交的专利申请。

本一种基于双视图增强Transformer的飞行数据异常检测方法及系统在说明书摘要公布了：本发明涉及一种基于双视图增强Transformer的飞行数据异常检测方法及系统，属于航空安全技术领域。本发明将飞行安全异常检测的任务扩展到传统的超限事件之外，针对飞行过程中细微且往往未被检测到的异常；根据QAR数据是时间序列数据的一种典型形式，将飞行安全问题重新表述为时间序列分析中的异常检测任务；此外，为解决飞行安全研究中过度依赖专家标记数据的挑战，设计了一种专门为QAR数据设计的无监督异常检测模型。最后针对QAR数据的特征稀疏特点，设计了基于重构的时间序列异常检测模型架构。本发明能够及时识别偏离正常飞行模式的情况，为航空公司提供预警信息，并有效辅助专家分析异常飞行行为，具有广阔的应用前景。

本发明授权一种基于双视图增强Transformer的飞行数据异常检测方法及系统在权利要求书中公布了：1.一种基于双视图增强Transformer的飞行数据异常检测方法，其特征在于：该方法具体包括以下步骤： S1：采集快速存取记录仪QAR中的飞行数据； S2：将采集的时序数据输入构建的基于重构的时序异常检测模型进行检测； S3：根据模型检测输出结果判断飞行数据是否异常； 在步骤S2中，所述构建的基于重构的时序异常检测模型采用双视图增强TransformerDUVET来实现高精度时序异常检测；具体包括： DUVET基于时序建模能力更强的Transformer，采用Transformer的编码器作为模型的基编码器； DUVET将一个时间窗口内的数据视作一个时间块patch以此作为模型输入的基础单元，提取时间序列中的局部语义信息，提高模型的时序建模能力； DUVET一方面通过自注意力机制建模数据点与其他数据点的全局关联，另一方面采用设计的基于钟形函数的钟形注意力机制建模数据点与邻近数据点的局部关联，并结合两个视图的表征来增强Transformer用于异常检测的时序重构能力； 所述DUVET从下至上包含四个组件：1实例归一化：用于平稳输入时序数据的分布，提高训练稳定性；2通道独立amp;Patching：其中通道独立用于减少模型参数量和缓解过拟合问题，Patching用于增强局部语义的同时减少注意力机制的计算复杂度；3双视图Transformer编码器：用于捕捉patch之间的全局和局部依赖关系，学习时序数据的周期性和趋势性；4重构线性层：用于将结合了全局和局部关联的表征映射到与输入时间序列相同的维度，从而重构输入； 所述双视图Transformer编码器主要包含两部分：1基于自注意力机制的Transformer编码器用于提取不同patch之间全局时序依赖关系，并根据时间块间的全局关联学习到在全局视图下时序数据的周期性，从而捕获时序全局表示；2基于钟形注意力机制的Transformer编码器用于提取patch与相邻patch的局部依赖关系，并根据时间块的局部关联学习到在局部视图下时序数据的趋势性，进而捕获时序局部表示； 所述自注意力机制采用多头注意力机制，使编码器能够同时关注不同子空间中的信息，并从多个角度对patch进行编码，具体包括：首先初始化第层self-attention所需的查询向量query、键向量key以及值向量value： 其中分别表示self-attention中的query、key和value；分别表示第层的线性投影矩阵，代表注意力头的数量；然后，计算patch之间的全局注意力权重并根据注意力权重加权组合patch序列中的语义信息，从而得到更丰富和更准确的表示，具体实现如下： 其中表示第层第个注意力头学习到的注意力权重，函数用于归一化注意力权重；最后，拼接每个注意力头输出并得到最终的表征： 其中是一个可学习的参数矩阵； 所述钟形注意力机制首先初始化第层BellAttention所需的、以及value： 其中，分别表示第层第个注意力头获取的映射矩阵；随后，计算patch之间的局部注意力权重并根据权重得到融合时序趋势性的patch表征，具体实现如下： 其中是用于将缩放到0,1区间的sigmoid函数，是一个很小的常数避免注意力权重值趋近0；代表重复采样，重复采样后，表示第层第个注意力头学习到的局部注意力权重；最后，拼接每个注意力头的输出得到最终表征： 其中是一个可学习的权重矩阵。

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重庆大学，其通讯地址为：400030 重庆市沙坪坝区沙正街174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。