【技术实现步骤摘要】
飞行动作智能识别方法
[0001]本专利技术涉及数据挖掘
,尤其涉及一种飞行动作智能识别方法。
技术介绍
[0002]从飞参数据中快速准确地识别出飞行动作,是开展飞行员操纵品质监控的前提。军事飞行学员在日常飞行训练中,积累了大量的飞行训练数据资源,能够用于分析评估其执行的飞行动作及飞行质量,但传统算法处理飞行训练数据,普遍存在飞行动作识别度不高、五分制质量评估分辨率低、应用中评分区分度不高等问题,尤其是面对当前军事飞行训练强度增加、飞行机动性更强的状况,传统动作识别与质量评估算法在应用中几乎失效。
[0003]飞行动作识别本质上属于模式识别问题,针对飞行动作识别任务,目前在工程上得到广泛应用的飞行动作识别方法主要是依靠基于知识库的专家系统,由领域专家根据经验人工从飞行数据中提取出飞行参数变化特征并建立动作识别知识库,再应用计算机高级语言研制推理机,采用正向精确推理策略完成飞行动作的快速识别。2004年,谢川等人利用支持向量机将飞行动作识别任务分解为动作数据筛选与动作片段分类两个阶段;2005年,谢川等人提出了利用粗糙集理论来提取飞行参数特征的方法以提高模型分类准确率;倪世宏等人基于专家系统的思想构建了典型飞行动作的飞参判别规则知识库,但基于知识库的专家系统在飞行评估过程中过于教条,不够灵活,对于复杂机动动作知识表达出现多层嵌套关系,知识库完备性和准确性不易判断。极端情况下,对于某些战术类机动动作,飞行参数变化特征难以提取,动作识别知识无法表达,用户反馈的问题也多。
[0004]第二类方法是基于统 ...
【技术保护点】
【技术特征摘要】
1.飞行动作智能识别方法,其特征在于,具体步骤如下:1、建立标准动作基准库结合指定机型的飞行训练大纲和飞行专家的经验知识,从丰富的历史飞行数据中选择与之相关标准的飞行动作条目,建立具有典型代表性的标准动作基准库;2、构建深度变分多元时序分割模型I、飞参数据预处理采集多个飞行架次内的K类飞行参数,而后在时间维度上将其拼接为L
×
K的多元时间序列s∈R
L
×
K
,其中,L为序列总时长,而后对序列内的每类飞行参数s
:,i
∈R
L
×1进行归一化处理,得多元时间序列x∈R
l
×
n
;II、构建动作时序分割模型利用变分自编码网络构建动作时序分割模型,动作时序分割模型包括采用深度神经网络分布构造的编码器网络q
φ
(z|x)和解码器网络p
θ
(x|z),其中,x为输入样本特征的可见变量,z为一系列不可观测的隐层变量,编码器网络q
φ
(z|x)提取具有丰富无冗余飞行动作信息的隐层特征,解码器网络p
θ
(x|z)用于将隐层信息恢复为原始数据大小并计算重构损失;根据先验假设,隐层变量z被约束为正态分布p
θ
(z)~N(μ,σ),根据变分理论,将边际似然函数的变分下界作为目标函数,给定近似后验q
φ
(z|x),变分自编码网络的损失函数如式(3)所示:(3)所示:其中,E
q(z|x)
表示在后验分布q
φ
(z|x)下求期望,D
KL
表示潜在隐层变量z的近似后验q
φ
(z|x)与先验分布p
θ
(z)之间的KL散度,用于衡量近似后验与先验分布之间的差距,KL散度值越大,两种分布间的差异越大;III、构建变分多元时序分割网络针对飞行过程中的多元时间序列,构建深度变分多元时序分割网络,分为变分自编码特征提取与多元时序分割两个部分,针对步骤I得到的多元时间序列x∈R
l
×
n
,其中,l为时间序列的长度,n为输入的飞参数量,首先利用动作时序分割模型提取飞参维度上的隐层特征其中,z为隐层特征的维度,随后,对隐层特征进行卷积和下采样操作,得到编码为含有时序关系的高层特征,最后对高层特征进行反卷积和上采样操作,输出序列预测类别概率向量分类误差由序列预测类别概率向量与序列真实类别的one
‑
hot编码向量y∈R
l
×1共同计算,结合分类误差与重构误差,利用梯度下降法对动作时序分割模型参数进行迭代更新,以确定最终的变分多元时序分割网络;IV、确定损失函数和模型训练深度变分多元时序分割模型的损失函数分为重构误差和分类误差两个部分,重构误差如式(5)所示:
其中,μ和σ分别为编码器g输出的均值向量和方差向量;对多元时序分割部分,采用交叉熵损失函数,如式(6)所示:...
【专利技术属性】
技术研发人员:张弘,田伟,熊远,刘纯,任丹,鲍俊卿,孙莉康,
申请(专利权)人:江西洪都航空工业集团有限责任公司,
类型:发明
国别省市:
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。