一种基于模糊推理的空域运行态势评估分类方法技术

本发明专利技术公开了一种基于模糊推理的空域运行态势评估分类方法，属于空域态势评估分类技术领域。包括如下步骤：步骤一：收集待处理扇区的空域运行态势样本；步骤二：基于待处理扇区的空域运行态势样本建立初步模糊推理系统；步骤三：基于多目标种群自适应免疫算法优化模糊推理系统的可解释性与准确性。通过利用本发明专利技术所提供的方法，可以针对大规模、高维度的扇区运行数据，围绕空域运行态势评估准确性和可解释性，使用多目标免疫优化算法，优化了空域态势评估的准确性，另外在实现免疫算法时避免了处理高维数据时模糊矩阵规模呈指数增长的情况，大大减少了算法所需的时间复杂度与空间复杂度，提高了收敛精度。

A classification method of airspace operation situation assessment based on fuzzy reasoning

The invention discloses a classification method for airspace operation situation assessment based on fuzzy reasoning, belonging to the technical field of airspace situation assessment and classification. The first step is to collect the airspace operation situation samples of the sectors to be processed; the second step is to establish a preliminary fuzzy reasoning system based on the airspace operation situation samples of the sectors to be processed; the third step is to optimize the EXPLANABILITY and accuracy of the fuzzy reasoning system based on the multi-objective population adaptive immune algorithm. By utilizing the method provided by the invention, the accuracy of airspace situation assessment can be optimized by using multi-objective immune optimization algorithm around the accuracy and EXPLANABILITY of airspace operation situation assessment for large-scale and high-dimensional sector operation data, and the time model of processing high-dimensional data can be avoided in implementing immune algorithm. The size of fuzzy matrix increases exponentially, which greatly reduces the time complexity and space complexity of the algorithm and improves the convergence accuracy.

【技术实现步骤摘要】
一种基于模糊推理的空域运行态势评估分类方法
本专利技术属于空域态势评估分类
，具体涉及一种基于模糊推理的空域运行态势评估分类方法。
技术介绍
随着我国航空运输业的快速发展，航空业务量与日俱增，航班逐年增加，空域运行态势越发复杂。这些情况使得空中交通管制员工作负荷与航班运行风险不断增加，并由此成为航班延误、管制事故发生的重要原因。在当前空中交通管理系统中，扇区是管制员对航空器进行指挥的空域基本单元。扇区的空域运行态势复杂程度的高低与空中交通管制员的工作负荷大小有着密切联系。过于复杂的空域态势将提高空中交通管制员错误操作的可能性，造成事故；而较低的复杂度则使得管理系统效率低下，资源浪费。为确保空域运行情况良好，保证空中交通管制员处于适当的工作负荷下，应当及时的对空域结构、飞行流量进行调整。为了实施有效的空域管理举措，空域态势评估成为空管领域中重要的研究课题和亟需解决的问题。由于扇区的空域运行态势与扇区的数十种动、静态状态特征相关，因此，现有方法普遍使用机器学习、模糊推理系统针对具有多种态势特征的样本，建立分类模型得到总体态势指标。基于大批量数据样本的机器学习方法往往将精准性指标作为首要的评判标准，而对模型的可解释性较为忽略。另一方面，模糊推理系统通过建立知识表达形式和推理机制，使建立的模型具有较明显的物理意义，但现有的具有良好可解释性的模糊推理系统多建立在专家知识的基础上，而基于数据的模糊推理系统往往在精确性有所提升，但可解释性上有所欠缺。
技术实现思路
本专利技术的目的在于提供一种基于模糊推理的空域运行态势评估分类方法，在扇区的空域运行态势样本具有大规模、高维度性质的情况下，本专利技术建立了同时具备可解释性与精确性的分类模型，弥补现有扇区态势评估模型无法兼顾上述两者的不足。本专利技术提供的基于模糊推理的空域运行态势评估分类方法，具体包括如下步骤：步骤一：收集待处理扇区的空域运行态势样本；获取待处理扇区的空域运行态势样本，形成空域运行态势样本集(简称为样本集)，所述样本集中共k条样本，其中每条样本包含待处理扇区在某一单位时间内的n个空域运行态势特征值(简称为特征)，并且每条样本被标定有一个态势分类标签(简称标签)，表示不同的空域运行态势等级，共有m个不同类的标签。其中，k、n、m均为从1开始的正整数。所述的特征，是指能够反映空域运行态势的航班航迹分布、空域航路结构、空管运行规则等方面的属性因素，一般用连续或离散数值表示。步骤二：基于待处理扇区的空域运行态势样本建立初步模糊推理系统；具体如下：步骤2.1、哑编码：对m个不同类的标签进行哑编码，即建立m个m维单位正交向量：第j个m维单位正交向量的第j维为1，其余均为0(1≤j≤m)。将进行哑编码后的标签作为以后的标签表达方式；步骤2.2、模糊化：使用聚类算法(如：FuzzyC-Means算法)将待处理扇区的空域运行态势样本归并聚类，每一聚类都有一个聚类中心，每一聚类中心可以初始化该聚类每个特征的高斯函数作为每个特征的模糊隶属度函数，初始化该聚类每个标签的钟形函数作为每个标签的模糊隶属度函数，对所述样本的每个特征与标签进行模糊化，将所述样本每个特征与标签的精确值转化为模糊值；其中使用聚类算法可以归并数据以减少后续运算的运算量并将模糊隶属函数的参数初始化。步骤2.3、模糊规则库：使用每个特征与每个标签的模糊值建立IF-THEN规则，特征的模糊值作为规则前件，标签的模糊值作为规则后件，经过哑编码后的m维单位正交向量转化为模糊值后的向量作为标签模糊向量，标签模糊向量的第j维作为该样本属于第j个标签的置信值；步骤2.4、模糊推理：确定模糊规则库中的同一规则内部不同维度模糊值间和不同规则输出间的模糊运算符，生成模糊集合；步骤2.5、解模糊：选用重心法作为解模糊方法，将模糊推理得到的模糊集合解模糊生成预测精确值，将不同维度间的预测精确值组成新的m维向量，若其中第j维分量值最大，则将样本预测为属于第j类；步骤2.6、反向传播：对于经过上述步骤2.5生成的预测精确值，针对模糊推理系统的分类精确度进行优化，所述分类精确度是预测精确值组成的向量的精确度，包括：建立每个特征的模糊隶属度函数与约束条件，对样本集中的每条样本进行预测分类，计算预测分类与实际分类的误差(交叉熵或均方根误差)，所述实际分类是指样本自带的真实分类，将所述误差作为精确度损失函数，判断误差是否达到设定误差阈值，当误差未达到设定误差阈值时，求解误差梯度，并沿误差梯度下降的方向使用反向传播算法，在参数合理范围内更新每个特征的相应模糊隶属度函数与每个标签的相应模糊隶属度函数之参数，以此提高空域态势评估分类的精确度，直到误差达到设定误差阈值。步骤三：基于多目标种群自适应免疫算法优化模糊推理系统的可解释性与准确性；对于经过反向传播算法调整过的模糊推理系统，使用多目标种群自适应免疫算法，针对模糊推理系统的可解释性与准确性进行多目标优化，包括：步骤3.1、抗原识别：将待求解的多目标函数和约束条件作为多目标种群自适应免疫算法的抗原。所述多目标函数包括精确度损失函数与规则库复杂程度评估函数；所述的约束条件是指隶属度函数的参数范围为-1～1。步骤3.2、抗体初始化：使用步骤二中生成的模糊规则库作为多目标种群自适应免疫算法的抗体，并在该模糊规则库周围随机生成多个模糊规则库作为抗体；为所有模糊规则库中的所有隶属度函数的参数使用实数编码成染色体结构；步骤3.3、支配区分：对所有抗体进行多目标函数的比较，从中识别所有非支配抗体和支配抗体，所述非支配抗体是指在多目标函数中不存在其他抗体均优于该抗体的抗体，并从非支配抗体中随机取出一个作为标记抗体Abidentified；步骤3.4、亲和度计算：分别计算标记抗体与非支配抗体的亲和度，标记抗体与支配抗体的亲和度，非支配抗体与支配抗体使用不同的亲和度计算方式；步骤3.5、免疫选择：选择所有亲和度小于预设亲和度阈值δ的非支配抗体与支配抗体组成被选抗体集合，其余的非支配抗体与支配抗体组成未选抗体集合；步骤3.6、抗体克隆：预设克隆规模最大值Ncmax，被选抗体集合中的抗体按亲和度高低进行排序克隆，越高的亲和度抗体克隆程度越高；未选抗体集合中的抗体不论亲和度高低则全部进行克隆；步骤3.7、抗体变异(亲和度成熟)：被选抗体集合中的抗体的一维产生变异，未选抗体集合中抗体的两维产生变异，变异程度同亲和度成比例。步骤3.8、抗体简化：为了提高模糊推理系统的可解释性，在多目标种群自适应免疫算法中加入了简化抗体的步骤用以移除冗余的模糊规则与模糊集合，包括有：移除不重要规则、合并相似规则、移除近似通用模糊集合和合并相似模糊集合；步骤3.9、抗体再选择：首先挑选非支配抗体；然后将支配抗体按照亲和度从小到大排序后，从亲和度最小的支配抗体开始取；直到新的被选抗体个数与初始化抗体个数相同；再选择完成后，计算两两抗体间距离，如距离大于预设距离阈值λ，则把两个抗体中亲和度大的那个删掉，亲和度小的那个抗体保留；3.10、种群刷新：判断是否达到约束条件，如果否，重复步骤3.2-3.9直至达到约束条件。本专利技术的优点以及带来的有益效果在于：1、本专利技术针对大规模、高维度的扇区运行数据，围绕空域运行态势评估准确性和可解释性，使用多目标免疫优化算本文档来自技高网...

【技术保护点】
1.一种基于模糊推理的空域运行态势评估分类方法，其特征在于，包括如下步骤：步骤一：收集待处理扇区的空域运行态势样本；获取待处理扇区的空域运行态势样本，形成空域运行态势样本集，所述样本集中共k条样本，其中每条样本包含待处理扇区在某一单位时间内的n个特征，并且每条样本被标定有一个标签，共有m个不同类的标签；步骤二：基于待处理扇区的空域运行态势样本建立初步模糊推理系统；步骤三：基于多目标种群自适应免疫算法优化模糊推理系统的可解释性与准确性。

【技术特征摘要】
1.一种基于模糊推理的空域运行态势评估分类方法，其特征在于，包括如下步骤：步骤一：收集待处理扇区的空域运行态势样本；获取待处理扇区的空域运行态势样本，形成空域运行态势样本集，所述样本集中共k条样本，其中每条样本包含待处理扇区在某一单位时间内的n个特征，并且每条样本被标定有一个标签，共有m个不同类的标签；步骤二：基于待处理扇区的空域运行态势样本建立初步模糊推理系统；步骤三：基于多目标种群自适应免疫算法优化模糊推理系统的可解释性与准确性。2.如权利要求1所述的一种基于模糊推理的空域运行态势评估分类方法，其特征在于，所述步骤二具体包括：步骤2.1、哑编码：对所述m个不同类的标签进行哑编码；步骤2.2、模糊化：使用聚类算法将待处理扇区的空域运行态势样本归并聚类，每一聚类都有一个聚类中心，每一聚类中心初始化该聚类每个特征的高斯函数作为每个特征的模糊隶属度函数，初始化该聚类每个标签的钟形函数作为每个标签的模糊隶属度函数，对所述样本的每个特征与标签进行模糊化，将所述样本每个特征与标签的精确值转化为模糊值；步骤2.3、模糊规则库：使用每个特征与每个标签的模糊值建立IF-THEN规则，特征的模糊值作为规则前件，标签的模糊值作为规则后件，经过哑编码后的m维单位正交向量转化为模糊值后的向量作为标签模糊向量；步骤2.4、模糊推理：确定模糊规则库中的同一规则内部不同维度模糊值间和不同规则输出间的模糊运算符，生成模糊集合；步骤2.5、解模糊：选用重心法作为解模糊方法，将模糊推理得到的模糊集合解模糊生成预测精确值，将不同维度间的预测精确值组成新的m维向量；步骤2.6、反向传播：针对预测精确值组成的向量的精确度进行优化。3.如权利要求2所述的一种基于模糊推理的空域运行态势评估分类方法，其特征在于，所述步骤2.6具体为：建立每个特征的模糊隶属度函数与每个标签的模糊隶属度函数参数取值范围限制，对样本集中的每条样本进行预测分类，计算预测分类与实际分类的误差，所述实际分类是指样本自带的真实分类，将所述误差作为精确度损失函数，判断误差是否达到设定误差阈值，当误差未达到设定误差阈值时，求解误差梯度，并沿误差梯度下降的方向使用反向传播算法，在参数合理范围内更新每个特征的相应模糊隶属度函数与每个标签的相应模糊隶属度函数之参数，直到误差达到设定误差阈值。4.如权利要求1所述的一种基于模糊推理的空域运行态势评估分类方法，其特征在于，所述步骤三具体包括：步骤3.1、抗原识别：将待求解的多目标函数和约束条件作为多目标种群自适应免疫算法的抗原；步骤3.2、抗体初始化：使用步骤二中模糊推理系统的模糊规则库作为抗体，并在该模糊规则库周围随机生成多个模糊规则库作为抗体，为模糊规则库中的所有隶属度函数的参数使用实数编码成染色体结构；步骤3.3、支配区分：对所有抗体进行多目标函数的比较，从中识别所有非支配抗体和支配抗体，并从非支配抗体中随机取出一个作为标记抗体；步骤3.4、亲和度计算：分别计算标记抗体与非支配抗体的亲和度，标记抗体与支配抗体的亲和度，非支配抗体与支配抗体使用不同的亲和度计算方式；步骤3.5、免疫选择：选择亲和度小于预设亲和度阈值的所有非支配抗体与支配抗体组成被选抗体集合，其余的非支配抗体与支配抗体组成未选抗体集合；步骤3.6、抗体克隆：预设克隆规模最大值，将被选抗体集合中的抗体按亲和度高低排序并进行克隆；未选抗体集合中的抗体不论亲和度高低则全部进行克隆；步骤3.7、抗体变异：被选抗体集合中的抗体的一维产生变异，未选抗体集合中抗体的两维产生变异，变异程度同亲和度成比例；步骤3.8、抗体简化：移除冗余的模糊规则与模糊集合，包括有：移除不重要规则、合并相似规则、移除近似通用模糊集合和合并相似模糊集合；步骤3.9、抗体再选择：首先挑选非支...

【专利技术属性】
技术研发人员：曹先彬，杜文博，邢家豪，朱熙，李宇萌，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11