一种飞行数据辨识方法技术

本发明专利技术公开了一种飞行数据辨识方法，属于飞行数据辨识技术领域。该方法通过对采集的原始飞行数据集进行预处理，得到标准飞行数据集；选取能够区分正常飞行与风切变影响下飞行的飞行参数，构建待检测飞行数据集；对待检测飞行数据集进行特征提取，得到待检测飞行数据特征集；建立基于深度置信网络的风切变飞行数据辨识模型，根据风切变飞行特征进行数据辨识。本发明专利技术在数据特征提取基础上使用深度置信网络提出了一种风切变飞行数据辨识方法，该方法能够快速辨识出风切变影响下飞行时的飞行数据，为分析飞行员应对风切变的能力提供便利；同时该方法解决了人工辨识精度低的问题，提高了对风切变飞行数据辨识的效率和准确性。提高了对风切变飞行数据辨识的效率和准确性。提高了对风切变飞行数据辨识的效率和准确性。

【技术实现步骤摘要】
一种飞行数据辨识方法


[0001]本专利技术涉及飞行数据辨识
，具体涉及一种受风切变影响下的飞行数据辨识方法。

技术介绍

[0002]风切变是一种常见的大气现象，主要由锋面、逆温层、雷、复杂地形和地面摩擦效应等因素引起，其中以微下冲气流影响最大。风切变通常发生在飞行的起降阶段，是当今影响飞机起降阶段飞行安全的重要危险源之一。当飞机遭遇风切变后，飞机的飞行姿态难以控制，留给飞行员的空间和时间较少。
[0003]国际民航组织认为，0.1m/s以上的垂直风切变会对喷气式运输飞机造成威胁。因此，为使飞行员在真实飞行过程中能够有效应对风切变的影响，航空公司会在飞行员地面模拟机课程期间安排风切变改出飞行科目。飞行员的地面模拟机课程一般持续四个小时，每一次模拟机课程包含多个飞行科目。课程结束后，航空公司结合课程中获得的飞行数据对飞行员的飞行技术能力进行分析。但课程结束后获得的飞行数据以一个完整的数据文件呈现，无法直接得到风切变这一科目阶段的飞行数据。
[0004]现有的模拟机课程结束后，通常是通过人工方式辨识出飞行员控制飞机遭遇风切变时的飞行数据，该方法需耗费较多的人工精力，同时辨识的效率较低。

技术实现思路

[0005]针对上述领域中存在的问题，本专利技术提出了一种飞行数据辨识方法，解决了现有的模拟机课程结束后，通过人工方式辨识得到飞行员控制飞机遭遇风切变时的飞行数据耗时耗力且辨识效率较低的技术问题。
[0006]为解决上述技术问题，本专利技术公开了一种飞行数据辨识方法，具体步骤包括：
[0007]获得标准飞行数据集；
[0008]选取标准飞行数据集内能够区分正常飞行与风切变影响下飞行的飞行参数，汇总所选参数下的所有飞行数据形成待检测飞行数据集；
[0009]提取待检测飞行数据集的时域特征值，并通过小波奇异熵法提取待检测飞行数据集的小波奇异熵特征值，构建包含风切变飞行特征的待检测飞行数据特征集；
[0010]构建基于深度置信网络算法的辨识模型，对特征提取后的待检测飞行数据特征集进行辨识，实现对正常飞行时的飞行数据与风切变影响下飞行时的飞行数据进行区分。
[0011]优选地，所述选取能够区分正常飞行与受风切变影响飞行的飞行参数包括时间、高度、真空速、俯仰角、滚转角、俯仰角速率和滚转角速率。
[0012]优选地，所述对待检测飞行数据集进行风切变飞行特征提取包括：
[0013]对待检测飞行数据集进行时间窗划分；
[0014]使用时域特征提取技术，分别得到待检测飞行数据集的均值、方差、均方根的特征值；其中，所述时域特征提取技术包括计算待检测飞行数据的均值、方差、均方根的特征值；
[0015]运用小波奇异熵法提取待检测飞行数据的k阶小波奇异熵特征值。
[0016]优选地，所述小波奇异熵法的计算步骤包括：
[0017]对飞行数据进行小波变换，根据内积公式得到小波系数阵A，采用小波系数阵A，将秩为k的任何阶次的矩阵A按奇异值分解为k个单秩子阵的加总：
[0018]A＝UΛV
T
[0019][0020]式中，U、V
T
均为正交矩阵；矩阵Λ中的上对角元素λ
i
为A阵的奇异特征值；
[0021]小波系数阵A为通过SVD分解后得到的对角阵，考虑小波变换后系数阵A的奇异值，根据信息熵原理计量得小波奇异熵特征值；
[0022][0023][0024]式中，WSE(k)为小波奇异熵特征值。
[0025]优选地，所述辨识模型，包括训练若干层限制玻尔兹曼机RBM和采用BP神经网络作为深度置信网络微调阶段的反向传播网络。
[0026]优选地，所述训练若干层限制玻尔兹曼机RBM的步骤包括：
[0027]定义受限玻尔兹曼机的网络能量公式为：
[0028][0029]其中，n表示网络中可见节点的个数；m表示网络中隐藏节点的个数；v
i
表示网络中给定的输入信号；h
j
表示网络输出对应的隐藏的特征向量；b
i
表示底层可见节点的转移量；c
j
表示隐含层的隐藏节点偏移量；w
ij
表示沟通隐含节点与可视节点的权重矩阵；
[0030]根据受限玻尔兹曼机的网络能量公式，计算每个显示层和隐藏层的概率：
[0031][0032][0033]式中，E(v,h)是受限玻尔兹曼机的网络能量，Z是显示和隐藏向量对的总和，P(v,h)是显示层和隐藏层的概率；
[0034]显示层的概率分布计算公式为：
[0035][0036]通过层间关系计算，得出隐藏层的概率分布计算公式为：
[0037][0038]式中，σ(x)是sigmoid函数；
[0039]优选地，所述采用BP神经网络作为深度置信网络微调阶段的反向传播网络，通过隐藏层的概率分布公式构建的反向传播网络，实现由顶层的反向传播优化网络全局，从而微调网络模型以获取深度置信网络的最优参数，完成网络的训练，构建的反向传播网络计算公式为：
[0040][0041]随机选取部分待检测飞行数据特征集作为模型的训练集，其余部分作为模型的测试集；使用测试集对基于深度置信网络的受风切变影响下的飞行数据辨识模型进行验证。
[0042]与现有技术相比，本专利技术具有如下有益效果：
[0043]本专利技术通过对采集的原始飞行数据集进行预处理，得到标准飞行数据集；选取能够区分正常飞行与风切变影响下飞行的飞行参数，构建待检测飞行数据集；对待检测飞行数据集进行特征提取，得到待检测飞行数据特征集；建立基于深度置信网络的风切变飞行数据辨识模型，根据风切变飞行特征进行数据辨识。本专利技术在数据特征提取基础上使用深度置信网络提出了一种风切变飞行数据辨识方法，该方法能够快速辨识出风切变影响下飞行时的飞行数据，为分析飞行员应对风切变的能力提供便利；同时该方法解决了人工辨识精度低的问题，有效提高了对风切变飞行数据辨识的效率和准确性。
附图说明
[0044]图1是本专利技术的飞行数据辨识方法的流程图；
[0045]图2是本专利技术的待检测飞行数据集的特征提取的流程图；
[0046]图3是本专利技术的小波奇异熵法特征提取的流程图；
[0047]图4是本专利技术用于实现数据辨识的深度置信网络的拓扑结构图。
具体实施方式
[0048]下面将结合本专利技术实施例中的附图1
‑
4，对本专利技术实施例中的技术方案进行清楚、完整地描述。应理解本专利技术中所述的术语仅仅是为描述特别的实施方式，并非用于限制本专利技术。
[0049]如图1所示，本专利技术提供了一种飞行数据辨识方法，包括如下步骤：
[0050]S1：模拟机课程结束后采集飞行员操控模拟机飞行时的原始飞行数据集；
[0051]在进行模拟机课程时，飞行员操纵飞机产生的174项实时飞行参数以时间序列形式保存于模拟机的快速存储记录器上，模拟机课程结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种飞行数据辨识方法，其特征在于，具体步骤包括：获得标准飞行数据集；选取标准飞行数据集内能够区分正常飞行与风切变影响下飞行的飞行参数，汇总所选参数下的所有飞行数据形成待检测飞行数据集；提取待检测飞行数据集的时域特征值，并通过小波奇异熵法提取待检测飞行数据集的小波奇异熵特征值，构建包含风切变飞行特征的待检测飞行数据特征集；构建基于深度置信网络算法的辨识模型，对特征提取后的待检测飞行数据特征集进行辨识，实现对正常飞行时的飞行数据与风切变影响下飞行时的飞行数据进行区分。2.根据权利要求1所述的一种飞行数据辨识方法，其特征在于，所述选取能够区分正常飞行与受风切变影响飞行的飞行参数包括时间、高度、真空速、俯仰角、滚转角、俯仰角速率和滚转角速率。3.根据权利要求1所述的一种飞行数据辨识方法，其特征在于，所述对待检测飞行数据集进行风切变飞行特征提取包括：对待检测飞行数据集进行时间窗划分；使用时域特征提取技术，分别得到待检测飞行数据集的均值、方差、均方根的特征值；其中，所述时域特征提取技术包括计算待检测飞行数据的均值、方差、均方根的特征值；运用小波奇异熵法提取待检测飞行数据的k阶小波奇异熵特征值。4.根据权利要求1所述的一种飞行数据辨识方法，其特征在于，所述小波奇异熵法的计算步骤包括：对飞行数据进行小波变换，根据内积公式得到小波系数阵A，采用小波系数阵A，将秩为k的任何阶次的矩阵A按奇异值分解为k个单秩子阵的加总：A＝UΛV
T
式中，U、V
T
均为正交矩阵；矩阵Λ中的上对角元素λ
i
为A阵的奇异特征值；小波系数阵A为通过SVD分解后得到的对角阵，考虑小波变换后系数阵A的奇异值，根据信息熵原理计量得小波奇异熵特征值；信息熵原理计量得小波奇异熵特征值；式中，WSE...

【专利技术属性】
技术研发人员：汪海波，李根，司海青，潘亭，刘海波，尚磊，李忆轩，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：