飞行动作智能识别方法技术

飞行动作智能识别方法，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，而后基于变分自编码网络构建深度变分多元时序分割模型，并将深度变分多元时序分割模型识别的飞行动作与标准动作基准库进行对比，以得到符合标准的深度变分多元时序分割模型，最后将待预测的时间序列输入至深度变分多元时序分割模型进行飞行动作智能识别。本发明专利技术以架次内的全部飞行参数序列作为网络输入，不仅关注飞行时间序列的时序关系，且将网络输出飞行时间序列中每一个点处的飞行动作类别作为标签，不依赖于专家知识划分样本，有效提高飞行动作识别准确率。别准确率。别准确率。

【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计学原理或概率图模型的识别系统，如贝叶斯网络模型，支持向量机等，孟光磊等人提出利用动态贝叶斯网络
[4]来设计机动动作识别方法，该方法能够实现对模拟飞行训练中的飞行员做出的机动动作通过飞行参数进行自动识别，再对做出的每个动作进行评分；北京航空航天大学的李丹丹等利用主成分分析(Particle Swarm Optimization,PCA)方法对飞参数据进行降维，然后使用SVM分别对降维前、后的数据进行飞行阶段的划分，通过对比实验得出SVM对主成分降维后的数据划分效果更好，基于统计学原理或概率图模型的识别方法，能够运用机器学习的知识形成飞行动作的模型，准确率高，但由于计算复杂，存在所需识别时间长的缺点。
[0005]近年来，学者们提出了可将动作识别的问题转化为飞行时间序列和标准时间序列的相似性查询问题，动态时间规整广泛应用在语音识别中，核心思想是通过动态时间规整技术获取最小路径，其优点是可实现最佳对齐匹配，能支持序列的时间轴弯曲、不同长度时间序列的相似性度量，但计算相对复杂；2015年，李鸿利等人利用多元动态时间规整(Multivariant Dynamic TimeWarping，MDTW)算法来计算时间序列与标准动作序列之间的相似度进而判断其所属动作类别；2017年，沈一超等人利用基于多元动态时间规整的层次聚类来筛选节点特征，然后构建贝叶斯网络来预测时间序列属于不同类别的概率；周超等人利用改进的多元动态时间规整算法来实现飞行动作的分级预分类
‑
细分类；2019年沈一超等人提出了动态时间规整路径病态匹配算法，来去除时间序列中的无效片段，以提高
进行归一化处理，使各参数的取值在0～ 1之间，如式(1)所示，其中，max()代表取最大值函数，min()代表取最小值函数，最后，以6：4的比例将其划分为训练集和测试集：
[0019][0020]随后，对训练集进行重采样操作，为保证模型输入大小一致，采用固定大小Lt的滑动窗口以大小为It的步距遍历整个时间序列s∈R
L
×
K
，再将时间序列s∈R
L
×
K
划分为若干个子样本因此，对于总点数为L的时间序列s∈R
L
×
K
，重采样所得的样本数N如式(2)所示：
[0021][0022]得多元时间序列x∈R
l
×
n
；
[0023]II、构建动作时序分割模型
[0024]利用变分自编码网络(variational auto
‑
encoder，VAE)构建动作时序分割模型，变分自编码网络包括编码器网络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，变分自编码网络利用变分推断理论和随机梯度下降原理训练网络，编码器g将原始数据压缩至低维空间内，从而使可见变量x映射至连续的隐层变量z中，解码器使用隐层变量z生成数据，进而重构原始数据x，深度变分自编码网络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)，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，以保证编码器网络提取的隐层特征无信息损失；
[0025]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)，使模型学习输入数据的分布，但分布的边际似然函数难于求解，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：
[0026]L(θ,φ；x)＝E
q(z|x)
[log p
θ
(x|z)][0027]‑
E
q(z|x)
[log q
φ
(z|x)+log p
θ
(z)][0028]＝E
q(z|x)
[log p
θ
(x|z)]‑
D
KL
(q
φ
(z|x)||p
θ
(z))
ꢀꢀꢀꢀꢀ
(3)
[0029][0030]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，因此，通过最小化损失函数，飞行动作隐层特征的分布越接近独立正态分布，有利于进行后续的多元时序动作识别；
[0031]III、构建变分多元时序分割网络
[0032]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，针对预处理后的多元时间序列x∈R
l
×
n
(即为时间序列划分为若干个子样本其中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本文档来自技高网...

【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：