【技术实现步骤摘要】
一种基于深度无监督学习的空域复杂度评估方法
本专利技术属于空中交通管制的空域态势评估
，具体涉及一种基于深度无监督学习的空域复杂度评估方法，以基于此进行交通管制。
技术介绍
随着航空运输业的发展，空中交通流量急剧增大，空域环境越发复杂，给空中交通管制员带来的工作负荷不断加大。空域复杂度计算是指管制员所指挥的空域的复杂度，包括可见得飞机运行、不可见的程序运行等等。空域复杂度计算在空中交通管制领域是被广泛研究的问题之一。该问题的主要研究内容是：如何利用空域态势运行特征，通过一定的计算方式，给出空域运行态势的复杂度等级，包含高复杂度、中复杂度和低复杂度，进而指导空中交通管制员是否需要对空域进行交通管制。空域复杂度计算本质上是个分类问题。传统方法依据管制员经验知识来进行空域复杂度评估，一般包含以下三个步骤：(1)依据原始数据提取空域态势运行特征，对空域态势信息进行向量化；(2)通过空域态势运行特征进行向量化计算，得到复杂度指标因子；(3)依据管制员的经验知识，参考计算后的复杂度指标因子进行复杂度标定。由此可见，在工程上...
【技术保护点】
1.一种基于深度无监督学习的空域复杂度评估方法，其特征在于，该方法用于处理从空域运行态势数据中提取的空域复杂度指标因子，包括如下步骤：/n步骤1，建立基于深度学习网络的空域复杂度评估模型，并获取初始聚类质心；/n所述的深度学习网络采用堆叠式自编码器模型，包括镜像对称结构的解码端与编码端；堆叠式自编码器的编码端将输入的空域复杂度指标样本进行低维嵌入表示，实现非线性降维，其中非线性映射函数利用训练样本集来对堆叠式自编码器模型训练得到；设输入的训练样本集为x，是采集的历史空域复杂度指标集合，对应的低维嵌入点集合为z，堆叠式自编码器的解码端输出的恢复数据集为y，设置目标函数为‖y-x‖
【技术特征摘要】
1.一种基于深度无监督学习的空域复杂度评估方法，其特征在于，该方法用于处理从空域运行态势数据中提取的空域复杂度指标因子，包括如下步骤：
步骤1，建立基于深度学习网络的空域复杂度评估模型，并获取初始聚类质心；
所述的深度学习网络采用堆叠式自编码器模型，包括镜像对称结构的解码端与编码端；堆叠式自编码器的编码端将输入的空域复杂度指标样本进行低维嵌入表示，实现非线性降维，其中非线性映射函数利用训练样本集来对堆叠式自编码器模型训练得到；设输入的训练样本集为x，是采集的历史空域复杂度指标集合，对应的低维嵌入点集合为z，堆叠式自编码器的解码端输出的恢复数据集为y，设置目标函数为‖y-x‖2，利用x对堆叠式自编码器模型进行训练；设堆叠式自编码器模型的网络参数为θ；
将空域运行态势的复杂度等级对应为三个聚类，对低维嵌入表示的训练样本集利用k-means均值聚类获得初始聚类质心；
步骤2，构建训练空域复杂度评估模型时的代价函数；
设低维嵌入点存在一个实际的用于聚类任务的真实指派分布；利用t分布来描述低维嵌入点与聚类质心之间的相似度，称为软指派分布；空域复杂度评估模型训练时的目标是使软指派分布越来越接近真实指派分布，利用信息论中的相对熵—KL散度来衡量软指派分布与真实指派分布之间的差异，构造代价函数L；
步骤3，利用训练样本集x采用梯度下降法，以最小化步骤2的代价函数为目标，训练空域复杂度评估模型；空域运行态势的三个复杂度等级的聚类质心也随训练过程进行更新；
经过步骤3得到训练好的空域复杂度评估模型以及三个空域复杂度的聚类质心；
步骤4，利用训练好的空域复杂度评估模型实时进行空域复杂度评估；
管制员从当前空域运行态势数据中提取空域复杂度指标因子，输入训练好的空域复杂度评估模型，得到低维嵌入点，计算该低维嵌入点与三个空域复杂度的聚类质心的软指派分布，选取其中软指派分布值最大的空域复杂度，作为当前输入的空域复杂度指标因子所对应的空域复杂度。
2.根据权利要求1所述的方法，其特征在于，所述的步骤1中，设训练样本集为N代表训练样本数量，每个样本xi包含28种空域复杂度指标因子，样本xi的低...
【专利技术属性】
技术研发人员：杜文博，曹先彬，李碧月，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
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。