一种基于多模神经网络的空管态势特征提取方法及装置制造方法及图纸

本发明专利技术公开了一种基于多模神经网络的空管态势特征提取方法及装置，该方法包括下述步骤：首先，获取空管监视数据并进行预处理；然后，监视数据分类，根据卷积神经网络和全连接神经网络两种模态，将经度、纬度、航向、水平速度数据归为二维姿态数据，将航空器识别号、高度、垂直速度数据归为其余有效数据；之后，使用二维姿态数据绘制空管二维态势图作为卷积神经网络的输入，提取空管水平面态势特征，使用其余有效数据构建二维结构化数据，提取空管航空器数量和高度态势特征。最后，经过特征融合，输出提取的空管态势特征。本发明专利技术可以应用在空中交通管理过程中，提取全面的空管态势特征，提升空管自动化和智能化水平。提升空管自动化和智能化水平。提升空管自动化和智能化水平。

【技术实现步骤摘要】
一种基于多模神经网络的空管态势特征提取方法及装置


[0001]本专利技术涉及空中交通管理领域，特别涉及一种基于多模神经网络的空管态势特征提取方法及装置。

技术介绍

[0002]空中交通管制过程是指管制员依据观察的空管态势，做出合理的管制决策，指挥引导管制空域内的航空器。空中交通管理正在向自动化、智能化发展，全面、准确、高效的空管态势特征提取可有效减轻管制员压力，提升航空安全和运行效率。
[0003]空管态势具有航空器数量多且动态变化、航空器参数维度高的特点，这使得现有方法很难全面提取空管态势特征。可以处理动态航空器数量的方法，限制了航空器参数维度，间接限制了该方法使用场景。可以处理高维航空器参数的方法，有输入规模的限制，只能应用在航空器数量少且不变的场景。因此，有必要研究高层次的空管态势特征提取方法。
[0004]深度神经网络具有极强的特征提取能力，在诸多领域取得了颠覆性的研究成果。在空中交通管理领域也有诸多研究，如进离港航班排序、空中交通流量预测、航空器冲突解脱等。但是，单一类型的神经网络不足以在当前复杂空域环境下提取空管态势特征，需要依据空管态势特点，对神经网络的结构进行针对性改进。多模结构的深度神经网络是一种新型的神经网络结构，根据不同神经网络的特征提取偏好对态势数据进行分类，利用不同神经网络分别提取相应特征再融合，最终输出全面的态势特征。

技术实现思路

[0005]空管态势特征提取方法及装置，通过对空管态势进行分类，使用具有不同特点的神经网络分别提取不同的空管态势特征，经过融合处理后输出空管态势特征数据，在航空器数量大且动态变化的空域场景中，提取全面的空管态势特征。
[0006]为实现以上目的，本专利技术采取如下技术方案：
[0007]一种基于多模神经网络的空管态势特征提取方法，包括以下步骤：
[0008]步骤一，监视数据输入；获取空管监视设备采集的空管监视数据；
[0009]步骤二，监视数据预处理；对获取的空管监视数据进行预处理，得到预处理后的空管监视数据；
[0010]步骤三，监视数据分类；根据神经网络的不同模态，将预处理后的空管监视数据归类，划分为与神经网络模态一致的类别，得到分类后的空管监视数据；
[0011]步骤四，数据分项处理；将分类后的空管监视数据转化为多模神经网络的输入数据，并由多模神经网络分别进行特征提取；
[0012]步骤五，特征融合处理；对多模神经网络提取的特征进行融合，输出融合后的空管态势特征。
[0013]进一步的，步骤二中，所述的对获取的空管监视数据进行预处理，包括删除空管监视数据中的无效重复点、对空管监视数据中的缺失点进行插值补充、将航空器在经纬度坐
标系中的坐标转换为笛卡尔坐标系中的坐标。
[0014]进一步的，步骤三中，所述的神经网络的模态包括卷积神经网络和全连接神经网络；所述的监视数据分为两类，包括二维姿态数据类和其余有效数据类，所述的二维姿态数据类包括经度、纬度、航向、水平速度，所述的其余有效数据类包括航空器识别号、高度、垂直速度。
[0015]进一步的，步骤四中，所述的将分类后的空管监视数据转化为多模神经网络的输入数据，并由多模神经网络分别进行特征提取，具体包括如下步骤：
[0016]使用二维姿态数据，绘制空管二维态势图；
[0017]使用其余有效数据，构建二维结构化数据，每行代表一个航空器，每列的数据依次是航空器的识别号、高度、垂直速度；
[0018]将空管二维态势图作为卷积神经网络的输入，卷积神经网络的输出为一维向量格式的空管水平面态势特征；
[0019]将二维结构化数据作为全连接神经网络的输入，全连接神经网络的输出为一维向量格式的空管航空器数量和高度态势特征。
[0020]进一步的，步骤五中，所述的使用一个神经网络，对多模神经网络提取的特征进行融合，具体包括如下步骤：
[0021]将卷积神经网络输出的一维向量格式的空管水平面态势特征和全连接神经网络输出的一维向量格式的空管航空器数量和高度态势特征，同时作为神经网络的输入；
[0022]神经网络的输出为一维向量格式的空管态势特征。
[0023]应用一种基于多模神经网络的空管态势特征提取方法的空管态势特征提取装置，包括一个或多个处理器、存储装置，所述存储装置用于存储一个或多个程序，当所述一个或多个程序被一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至5任一所述的方法。
[0024]本专利技术相对于现有技术具有如下的优点和效果：
[0025](1)本专利技术利用卷积神经网络提取空管水平面态势特征，利用全连接神经网络提取空管航空器数量和高度态势特征，经过融合后可以输出全面的空管态势特征。
[0026](2)本专利技术完善了智能空中交通管制的基础环节，全面的空管态势特征有助于空管过程其他环节自动化方法和智能化方法的研究和使用。
附图说明
[0027]图1为一种基于多模神经网络的空管态势特征提取方法的流程图；
[0028]图2为本实施例的的航空器监视数据示意图；
[0029]图3为本实施例的空管二维态势图；
[0030]图4为本实施例的多模神经网络结构图。
具体实施方式
[0031]下面结合附图进一步详细描述本专利技术的技术方案，但本专利技术的保护范围不局限于以下所述。
[0032]为了使本专利技术的目的，技术方案及优点更加清楚明白，结合附图及实施例，对本发
明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术，即所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。
[0033]因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
[0034]而且，术语“包括”，“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程，方法，物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程，方法，物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程，方法，物品或者设备中还存在另外的相同要素。
[0035]以下结合实施例对本专利技术的特征和性能作进一步的详细描述。
[0036]如图1所示，一种基于多模神经网络的空管态势特征提取方法，包括以下步骤：
[0037]步骤一，监视数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多模神经网络的空管态势特征提取方法，其特征在于，包括以下步骤：步骤一，监视数据输入；获取空管监视设备采集的空管监视数据；步骤二，监视数据预处理；对获取的空管监视数据进行预处理，得到预处理后的空管监视数据；步骤三，监视数据分类；根据神经网络的不同模态，将预处理后的空管监视数据归类，划分为与神经网络模态一致的类别，得到分类后的空管监视数据；步骤四，数据分项处理；将分类后的空管监视数据转化为多模神经网络的输入数据，并由多模神经网络分别进行特征提取；步骤五，特征融合处理；对多模神经网络提取的特征进行融合，输出融合后的空管态势特征。2.根据权利要求1所述的一种基于多模神经网络的空管态势特征提取方法，其特征在于，步骤二中，所述的对获取的空管监视数据进行预处理，包括删除空管监视数据中的无效重复点、对空管监视数据中的缺失点进行插值补充、将航空器在经纬度坐标系中的坐标转换为笛卡尔坐标系中的坐标。3.根据权利要求1所述的一种基于多模神经网络的空管态势特征提取方法，其特征在于，步骤三中，所述的神经网络的模态包括卷积神经网络和全连接神经网络；所述的监视数据分为两类，包括二维姿态数据类和其余有效数据类，所述的二维姿态数据类包括经度、纬度、航向、水平速度，所述的其余有效数据类包括航空器识别号、高度、垂直速度。4.根据权利要求3所述的一种基于多模神经网络的空管态势特...

【专利技术属性】
技术研发人员：王壮，潘卫军，周少武，王泆棣，王梓璇，邓蕾蕾，潘璇，何沁悦，陈志远，韩博源，高健伟，唐灵弢，
申请(专利权)人：中国民用航空飞行学院，
类型：发明
国别省市：