博文

Aerospace 复旦大学孙刚教授团队——基于可学习核与条件生成对抗网络的民航VHF 通信实时异常检测方法

已有 386 次阅读 2026-9-13 17:36 |个人分类:学术软文|系统分类:论文交流

文章导读

民航甚高频 (VHF) 通信是飞行员与空管之间语音和数据交互的核心链路，直接关系到飞行安全与运行效率。受气象变化、电磁干扰、设备老化等因素影响，VHF 链路经常出现信号衰减、误码率上升、传输时延波动等弱异常与渐进式退化。来自复旦大学的孙刚教授及其团队成员翟君怡博士生、黄宇峰博士等在Aerospace 期刊发表了文章，针对VHF 异常隐蔽、间歇性强，存在严重类别不平衡等难点，该文章介绍了民航飞机VHF 通信实时异常端到端智能检测方法，该项研究为实现民航飞机高精度、智能VHF 异常检测提供了理论依据和技术支撑。

图1. 民航VHF 通信系统简化架构

图2. 基于LKRP‑CT‑WGAN‑CNN‑LSTM 的民航飞机VHF 通信异常检测框架

研究过程与结果

作者基于民航实际运行数据与地面监测数据，构建了包含约120万帧通信记录的VHF 数据集，并通过信道退化仿真补充典型异常场景，对所提出的LKRP–CT-WGAN–CNN–LSTM 模型进行了系统评估。首先，对原始通信特征 (包括信噪比SNR、接收信号强度RSSI、误码率BER、分组错误率PER、重传次数及传输时延等) 进行标准化处理，并采用滑动窗口方式构建时序样本，以刻画通信状态的时间演化特性。在此基础上，利用可学习核投影 (LKRP) 对原始特征进行非线性映射，并结合冗余约束实现特征压缩与表达优化；随后引入条件时序生成对抗网络 (CT-WGAN)，在通信状态条件约束下生成异常序列，用于补充少数类样本；最后，通过CNN–LSTM 结构对时序特征进行建模，实现对通信异常的检测。

实验结果表明，在非平稳信道条件及高度类别不平衡 (异常占比低于1%) 的情况下，该方法能够保持较好的检测性能，F1-score 为0.947，ROC-AUC 为0.972。与未采用数据增强的模型相比，引入CT-WGAN 后，对少数类异常的识别能力有所提升，F1 指标提高约5%。在计算效率方面，模型平均推理延迟约为34.7 ms，能够满足实时监测需求。此外，在未见异常类型的测试场景下，模型仍维持较为稳定的检测水平 (F1-score 约0.92)，表明其在一定程度上具备泛化能力。

图3. 不同方法在异常检测任务中的性能对比

图4. 正常与异常情况下VHF 通信关键指标的时序变化

研究总结

本文针对民航VHF 通信中异常特征不显著、样本分布高度不平衡以及信道条件非平稳等问题，提出了一种融合可学习核映射与条件生成对抗网络的异常检测方法。通过构建LKRP–CT-WGAN–CNN–LSTM 框架，实现了特征表示学习、异常样本增强与时序建模的联合建模。

实验结果表明，在大规模实际运行数据条件下，该方法在检测精度与稳定性方面均表现出一定优势，能够较为有效地识别通信退化相关异常，并在未见异常场景下保持相对稳定的检测水平。同时，模型在计算开销方面具备一定可控性，能够满足实时监测的基本需求。该研究从数据驱动与模型融合的角度，对民航通信异常检测问题进行了有益探索，为复杂通信环境下的状态监测提供了一种可行的技术思路。后续工作可结合在线学习与自适应机制，对模型在实际运行环境中的适应性与稳定性进行进一步研究。

阅读英文原文：https://www.mdpi.com/3785736