一种多数据源融合功能的超限事件分析方法技术

本发明专利技术公开了一种多数据源融合功能的超限事件分析方法，括以下步骤，步骤一，数据获取，选取不同飞机的重着陆超限事件作为样本数据，步骤二，模型建立，建立合适的分析模型，步骤三，模型训练，将样本数据输入到分析模型内，以对分析模型进行训练，步骤四，模型验证，选取多个样本数据输入到训练后的模型内，步骤五，事件预测，使用训练后的模型，对飞机的重着陆事件进行预测。在本发明专利技术实施过程中，通过对超限事件进行分析构建出合适的预测模型，能够对飞机的超限事件进行预测，从而降低了飞机在起落时的事故率，通过多数据源的方式对数据进行获取，避免了本方法在实施时的偶然性，保证了分析结果的准确性。分析结果的准确性。分析结果的准确性。

【技术实现步骤摘要】
一种多数据源融合功能的超限事件分析方法


[0001]本专利技术属于飞行数据分析
，具体为一种多数据源融合功能的超限事件分析方法。

技术介绍

[0002]飞机重着陆是指，飞机在着陆时垂直加速度超过规定极限值或垂直方向上的速度超过规定值。重着陆对飞机的机翼、起落架以及发动机等会产生不良影响严重时，会导致接收损坏的问题。对飞机重着陆超限事件进行分析，对飞机的安全起落有着重要的作用。

技术实现思路

[0003]针对上述情况，为克服现有技术的缺陷，本专利技术提供一种多数据源融合功能的超限事件分析方法，有效的解决了
技术介绍
中的问题。
[0004]为实现上述目的，本专利技术提供如下技术方案：一种多数据源融合功能的超限事件分析方法，包括以下步骤，步骤一，数据获取，选取不同飞机的重着陆超限事件作为样本数据，步骤二，模型建立，建立合适的分析模型，步骤三，模型训练，将样本数据输入到分析模型内，以对分析模型进行训练，步骤四，模型验证，选取多个样本数据输入到训练后的模型内，步骤五，事件预测，使用训练后的模型，对飞机的重着陆事件进行预测。
[0005]优选的，所述样本数据至少包括三种类型以上的飞机，并将预定时间内的重着陆时间进行采集，以形成样本数据，样本数据分为训练样本数据与验证样本数据，训练样本数据与验证样本数据互不交叉。
[0006]优选的，所述分析模型为LS
‑
SVM模型。
[0007]优选的，使用LS
‑
SVM模型预测的步骤如下，第一步，采用RMSRE准则来确定最优嵌入维数，根据嵌入维数对重着陆超限事件样本数据进行相空间重构，第二步，以每个相点作为LS
‑
SVM模型的输入，以预测点的实际值为理想输出，从而组成训练样本，并采用遗传算法进行LS
‑
SVM的参数优化，第三步，选取参数值作为LS
‑
SVM的参数取值，采用相空间中的训练样本对LS
‑
SVM进行训练，第四步，采用训练好的LS
‑
SVM模型对测试样本进行预测。
[0008]优选的，使用训练样本数据对LS
‑
SVM模型进行训练，使用验证样本数据对LS
‑
SVM模型进行验证。
[0009]优选的，使用遗传算法对正则化参数C与核系数δ进行优化。
[0010]与现有技术相比，本专利技术的有益效果是：
、本专利技术在实施的时候，通过对超限事件进行分析构建出合适的预测模型，能够对飞机的超限事件进行预测，从而降低了飞机在起落时的事故率，、本专利技术在实施的时候，通过多数据源的方式对数据进行获取，避免了本方法在实施时的偶然性，保证了分析结果的准确性。
附图说明
[0011]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：图1为本专利技术的结构示意图。
实施方式
[0012]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，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；基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动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。
[0013]由图1给出，本专利技术公开了一种多数据源融合功能的超限事件分析方法，包括以下步骤，步骤一，数据获取，选取不同飞机的重着陆超限事件作为样本数据，即采用多数据源的方式，将数据进行获取，以使得本方法在实施的时候，更加准确，更具有适用性，步骤二，模型建立，建立合适的分析模型，步骤三，模型训练，将样本数据输入到分析模型内，以对分析模型进行训练，通过将大量的超限事件输入到模型内，能够对模型进行训练，从而使得模型能够准确的对超限事件进行预测，步骤四，模型验证，选取多个样本数据输入到训练后的模型内，将未经训练的数据输入到模型内，将模型的输出结果与实际结果进行比对，从而对模型的准确度进行验证，步骤五，事件预测，使用训练后的模型，对飞机的重着陆事件进行预测。
[0014]所述样本数据至少包括三种类型以上的飞机，并将预定时间内的重着陆时间进行采集，以形成样本数据，通过对飞机的样式、时间周期的限制，避免了偶然结果的发生，保证了模型更加准确，样本数据分为训练样本数据与验证样本数据，训练样本数据与验证样本数据互不交叉。
[0015]所述分析模型为LS
‑
SVM模型。
[0016]使用LS
‑
SVM模型预测的步骤如下，第一步，采用RMSRE准则来确定最优嵌入维数，根据嵌入维数对重着陆超限事件样本数据进行相空间重构，第二步，以每个相点作为LS
‑
SVM模型的输入，以预测点的实际值为理想输出，从而组成训练样本，并采用遗传算法进行LS
‑
SVM的参数优化，第三步，选取参数值作为LS
‑
SVM的参数取值，采用相空间中的训练样本对LS
‑
SVM进行训练，
第四步，采用训练好的LS
‑
SVM模型对测试样本进行预测。
[0017]使用训练样本数据对LS
‑
SVM模型进行训练，使用验证样本数据对LS
‑
SVM模型进行验证。
[0018]使用遗传算法对正则化参数C与核系数δ进行优化。在实施的时候，可以按照以下方法进行实施：取初始种群规模为20，最大迭代次数为50，采用基于归一化的优先选择法作为选择算子，采用浮点数进行编码，选择概率设为0.08，当进化达到最大进化代数时，算法终止。
[0019]需要说明的是，在本文中，诸如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。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。
[0020]尽管已经示出和描述了本专利技术的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本专利技术的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本专利技术的范围由所附权利要求及其等同物限定。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多数据源融合功能的超限事件分析方法，其特征在于：包括以下步骤，步骤一，数据获取，选取不同飞机的重着陆超限事件作为样本数据，步骤二，模型建立，建立合适的分析模型，步骤三，模型训练，将样本数据输入到分析模型内，以对分析模型进行训练，步骤四，模型验证，选取多个样本数据输入到训练后的模型内，步骤五，事件预测，使用训练后的模型，对飞机的重着陆事件进行预测。2.根据权利要求1所述的一种多数据源融合功能的超限事件分析方法，其特征在于：所述样本数据至少包括三种类型以上的飞机，并将预定时间内的重着陆时间进行采集，以形成样本数据，样本数据分为训练样本数据与验证样本数据，训练样本数据与验证样本数据互不交叉。3.根据权利要求2所述的一种多数据源融合功能的超限事件分析方法，其特征在于：所述分析模型为LS
‑
SVM模型。4.根据权利要求3所述的一种多数据源融合功能的超限事件分析方法，其特征在于：使用LS
‑
SVM模型预测的步骤如下，...

【专利技术属性】
技术研发人员：程西东，张微，宋游宇，
申请(专利权)人：深圳市科信南方信息技术有限公司，
类型：发明
国别省市：