本发明专利技术公开了一种基于Spiking神经网络的飞机冲突检测方法，涉及模式识别，模式处理，机器学习，神经网络等领域，具体涉及基于Spiking神经网络的多脉冲误差反传学习算法——利用生物信息传递原理拟合非线性离散数据集，解决现有飞行航迹拟合预测方法的难点。本发明专利技术首先为对历史航迹数据进行分析，建立Spiking神经网络模型；再运用学习算法对建立好的Spiking神经网络模型进行训练；最后利用训练后的Spiking神经网络模型进行航迹预测并进行冲突判断。本发明专利技术应用于飞行监控、进行冲突判断。
【技术实现步骤摘要】
一种基于Spiking神经网络的飞机冲突检测方法，应用于飞行监控、进行冲突判断，涉及模式识别，模式处理，机器学习，神经网络等领域，具体涉及基于Spiking神经网络的多脉冲误差反向传播学习算法——利用生物信息传递原理拟合非线性离散数据集。
技术介绍
近些年来，随着民用航空事业的蓬勃发展和部队飞行训练任务的逐步加重，国内飞机的数目与日俱增，空域内航线日益密集，飞行器流量日益加大，又由于飞机只能在平流层平稳飞行，使得飞机可飞行空间是一个相对有限的空间，这就造成了空域变得越来越拥挤，拥挤意味着冲突。无论是航线设定过密，飞机本身故障或是风力等环境因素，都可能造成飞机发生碰撞冲突。由于飞机运输的特殊性，一旦飞机在空中发生冲突，就很难办证乘客人身及财产安全。同时，如不能有效地疏通这种拥挤，也会降低空域资源的利用率，极大地阻碍国家航空事业的发展。因此，能够提前预知冲突的发生，并及早地采取有效的防范措施就显得尤为重要。认识到飞机运输的特殊性及飞行过程中发生冲突事件的严重性，就必须有一种系统来检测冲突的发生。该系统应能有效地防范飞行冲突，包括飞机在飞行过程中的状态检测等。以往，国家空管局采用的是雷达实时监控的手段，通过检测画面上飞机间的距离和飞行方向，判断冲突发生的可能性。而现代航空由于密度大，流量高，机体速度快的特征要求检测系统能对风力风向变化、气压变化、机体故障、航线拥塞、塔台指挥失误等各种突发状况能迅速应对。因此，这种老式的系统在今天，尤其是应对未来高速发展的航空业就显得有些“无力”。面对新的挑战，必须应用先进的科学理论和技术手段，设计一种新型的、智能的、高效的飞机冲突检测系统。而由于该系统设计的专业知识庞杂，系统工作量巨大，精度要求极高，反映速度以及安全性等高要求，使得研制和完善这样一个系统的课题成为了国内外学者及工程技术专家的研究热点。近年来，随着人工智能的快速发展，其相关理论和方法已被用来解决很多问题，飞机冲突检测亦然。神经网络，遗传算法，蚁群算法，人工鱼算法都以应用于该问题。其中，神经网络由于其本身优秀的模拟性，引起广泛关注。自上个世纪BP算法问世以来，普遍认为3层神经网络可以拟合大多数的函数曲线，而飞机冲突检测的首要工作就是估计飞机的运动轨迹，这样的不谋而合使得人们认识到神经网络是解决该问题的良好工具。近十年，第三代神经网络-Spiking神经网络诞生，这种新型的神经网络不仅很好地继承了前代神经网络的优秀特性，更由于其独特的编码方式和时空特性，让神经网络的计算能力得到了极大地提升。一些学者已经应用Spiking神经网络完成一些如谷物生长、商品价格的预测。但是还没有在飞机的冲突检测应用上取得成果。
技术实现思路
本专利技术针对现有技术的不足之处提供了一种基于Spiking神经网络的飞机冲突检测方法，解决现有飞行航迹拟合预测方法的难点，如历史数据结构复杂：数据构成变量多、数据变化范围广；航迹模式多变：每一条航迹的差别很大，即便是同一架航班，每一次飞行所走过的航迹都不是完全相同的；预测算法要求高：除了精准度的要求，这类算法还要求很高的实时性，计算速度要能跟得上飞机的数据变化速度，使其能够更好的应用于飞行监控、进行冲突判断。为了实现上述目的，本专利技术采用的技术方案为：一种基于Spiking神经网络的飞机冲突检测方法，其特征在于，如下步骤：(1)对历史航迹数据进行分析，建立Spiking神经网络模型；(2)运用学习算法对建立好的Spiking神经网络模型进行训练；(3)利用训练后的Spiking神经网络模型进行航迹预测并进行冲突判断。作为优选，所述步骤(1)中，Spiking神经网络模型的建立过程如下：(11)对历史航迹数据进行分析，建立“输入层—隐藏层—输出层”模式的3层Spiking神经网络结构；(12)根据Spiking神经网络结构和历史航迹数据的数据结构，设定一个具有44个向量的向量组作为输入向量，并将向量组中每一个向量一一映射到Spiking神经网络结构中的输入层的输入神经元中；(13)根据历史航迹数据的数据结构，设定一个具有3个向量的向量组作为输出向量，并将向量组中每一个向量一一映射到Spiking神经网络结构中的输出层的输出神经元中；(14)根据输入层神经元和输出层神经元个数以及航迹预测的精度要求，设定隐藏层的神经元，并采用具有多突触结构的Spiking神经网络。作为优选，所述步骤(2)中，运用学习算法对建立好的Spiking神经网络模型进行训练的具体步骤如下：(21)从历史航迹数据中抽取一定量的数据作为训练数据，并将训练数据组织成输入向量组的形式；(22)对输入向量组的每一个向量，将其每一维数据进行均一化处理；(23)将均一化后的数据，经过编码转化为神经元点火时间脉冲序列；(24)将经过数据均一化和编码后的输入向量组，输入到Spiking神经网络结构中的输入层的对应神经元中，并在输出层的输出神经元接收输出的神经元点火时间脉冲序列；(25)将每一个输出向量转化为对应变量实际输出的概率密度函数；(26)从每一次的历史航迹数据迭代中得到航迹共有的期望输出，将其转化为对应变量的期望输出概率密度函数；(27)根据变量实际输出的概率密度函数和期望输出的概率密度函数，计算该变量实际输出和期望输出的误差值；(28)利用误差值，计算Spiking神经网络权值的改变量，并用其更新Spiking神经网络的权值；(29)利用大量历史航迹数据中的训练数据重复步骤(21)-(28)，直至步骤(27)的误差值为0或接近0时，则中止训练，并记录训练完毕时的神经网络参数。作为优选，所述步骤(3)中，航迹预测和冲突判断的步骤如下：(31)初步判断飞机对间距是否过近，是则记录下飞机对的相关信息，并转到步骤(32),否则，不做进一步冲突判断；(32)经过初步判断过后，对于间距过近的飞机对，计算出两架飞机水平空间的水平冲突发生概率和垂直空间的垂直冲突发生概率；(33)利用临界条件得出水平冲突阈值和垂直冲突阈值，并分别与水平冲突发生概率和垂直冲突发生概率相比较，当水平冲突发生概率和垂直冲突发生概率同时大于各自阈值时，则认定冲突会发生并记录结果，否则不做处理并转到步骤(34)；(34)根据连续的航迹预测结果不断重复步骤(31)-(33)，判断冲突是否会发生，直到检测到冲突或飞机飞出雷达的监测区域。与现有技术相比，本专利技术的优本文档来自技高网...
【技术保护点】
一种基于Spiking神经网络的飞机冲突检测方法，其特征在于，如下步骤：(1)对历史航迹数据进行分析，建立Spiking神经网络模型；(2)运用学习算法对建立好的Spiking神经网络模型进行训练；(3)利用训练后的Spiking神经网络模型进行航迹预测并进行冲突判断。
【技术特征摘要】
1.一种基于Spiking神经网络的飞机冲突检测方法，其特征在于，如下步骤：
(1)对历史航迹数据进行分析，建立Spiking神经网络模型；
(2)运用学习算法对建立好的Spiking神经网络模型进行训练；
(3)利用训练后的Spiking神经网络模型进行航迹预测并进行冲突判断。
2.根据权利要求1所述的一种基于Spiking神经网络的飞机冲突检测方法，
其特征在于，所述步骤(1)中，Spiking神经网络模型的建立过程如下：
(11)对历史航迹数据进行分析，建立“输入层—隐藏层—输出层”模式的
3层Spiking神经网络结构；
(12)根据Spiking神经网络结构和历史航迹数据的数据结构，设定一个具
有44个向量的向量组作为输入向量，并将向量组中每一个向量一一映射到
Spiking神经网络结构中的输入层的输入神经元中；
(13)根据历史航迹数据的数据结构，设定一个具有3个向量的向量组作为
输出向量，并将向量组中每一个向量一一映射到Spiking神经网络结构中的输出
层的输出神经元中；
(14)根据输入层神经元和输出层神经元个数以及航迹预测的精度要求，设
定隐藏层的神经元，并采用具有多突触结构的Spiking神经网络。
3.根据权利要求1所述的一种基于Spiking神经网络的飞机冲突检测方法，
其特征在于，所述步骤(2)中，运用学习算法对建立好的Spiking神经网络模
型进行训练的具体步骤如下：
(21)从历史航迹数据中抽取一定量的数据作为训练数据，并将训练数据组织
成输入向量组的形式；
(22)对输入向量组的每一个向量，将其每一维数据进行均一化处理；
(23)将均一化后的数据，经过编码转化为神经元点火时间脉冲序列；<...
【专利技术属性】
技术研发人员：屈鸿，杨雪松，潘婷，解修蕊，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。