【技术实现步骤摘要】
所属的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。需要说明的是，上述实施例提供的一种基于深度学习模型的飞机飞行中重心位置预测系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本专利技术实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本专利技术实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本专利技术的不当限定。术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。术语“包括”或者任何其它类似用语旨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/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。至此，已经结合附图所示的优选实施方式描述了本专利技术的技术方案，但是，本领域技术人员容易理解的是，本专利技术的保护范围显然不局限于这些具体实施方式。在不偏离本专利技术的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本专利技术的保护范围之内。
技术介绍
1、飞机载重平衡对飞行安全至关重要。飞机在飞行过程中，必须严格遵守飞机载重平衡的相关规定，以确保飞机能够安全、平稳地执行飞行任务。随着燃油的
2、在航空工程领域，了解飞机的重心位置对于飞行安全和性能至关重要。 飞机的重心位置受到许多因素的影响，包括载荷分布和燃油量。 随着飞机的飞行，燃油会被消耗，导致飞机的重心位置发生变化。因此，准确地预测飞机重心位置对于飞行安全和性能至关重要。 随着深度学习的发展，使用传统的单一网络模型无法充分捕捉燃油值和重心位置之间的关系，无法充分捕捉多模态数据和时空信息之间的复杂关系，无法捕捉到所有重要的特征，对复杂特征提取具有一定的局限性。
技术实现思路
1、为了解决现有技术中的上述问题，即传统的单一网络模型无法充分捕捉多模态数据和时空信息之间的复杂关系，无法捕捉到所有重要的特征的问题，本专利技术提供了一种基于深度学习模型的飞机飞行中重心位置预测方法，所述方法包括：
2、步骤s10，采集飞机燃油值数据和飞机重心位置数据，获得原始数据集；
3、步骤s20，对原始数据集进行预处理，获得最终数据集；
4、步骤s30，将最终数据集输入训练好的pgtnet模型；pgtnet模型由tcn分流路径网络、gcn分流路径网络、融合模块和注意力模块组成；最终数据集分别输入tcn分流路径网络获得第一全局特征gt和gcn分流路径网络获得第二全局特征gg，通过融合模块对tcn分流路径网络和gcn分流路径网络的输出进行融合，获得多模态特征tg；
5、步骤s40，对所述第一全局特征gt、第二全局特征gg和多模态特征tg通过注意力模块进行连接，获得融合注意力特征，基于融合注意力特征通过预测层预测重心位置。
6、基于gcn和tcn模块并行，设计了pgtnet模型，通过gcn和tcn并行可以处理数据中的空间依赖性和时间依赖性，全面地捕捉数据的特征，通过在不同的层级上提取低级特征和高级特征并进行融合可以获得更丰富特征表示，避免高级特征中忽略的隐藏特征信息，从而提升模型的性能和预测能力。
7、进一步的，所述tcn分流路径网络，具体包括：
8、三个tcn模块和一个tcn多级注意力模块；
9、每个tcn模块包含时间残差子模块和残差注意力模块；
10、所述时间残差子模块包括膨胀因果卷积层、权重归一化层、relu激活函数和dropout层；
11、所述的膨胀因果卷积层设置为两层，每个膨胀因果卷积层之后按照权重归一化层、relu激活函数层和dropout层的顺序依次排列；每个tcn模块的输入与tcn模块中最后一个dropout层的输出经过残差注意力模块后输出，且输出作为下一个tcn模块的输入和tcn多级注意力模块的输入；
12、所述tcn多级注意力模块提取每个tcn模块的输出，获取第一全局特征gt。
13、进一步的，所述残差注意力模块，具体包括：
14、第一单元，将多级tcn模块的输入与tcn模块中最后一个dropout层的输出按照通道维度进行拼接，获得拼接好的特征向量；
15、第二单元，将所述拼接好的特征向量作为eca-net的输入进行通道注意力计算，获得通道权重；
16、第三单元，将所述通道权重与所述拼接好的特征向量对应相乘，并按照通道维度进行特征向量相加，相加获得的叠加特征向量作为下一个tcn模块的输入；
17、第四单元，重复第一单元、第二单元和第三单元的功能，遍历每个tcn模块，获得时间高级特征信息t3、第一时间低级特征t1和第二时间低级特征t2。
18、通过注意力模块取代普通残差模块，在克服梯度消失问题的同时关注输入序列与输出序列之间的关系，并且结合基于tcn模型本身可并行计算的结构特点，有助于提升模型的预测效果。
19、进一步的，所述所述tcn分流路径网络全局特征gt的计算方法包括：
20、；
21、；
22、其中，表示第一时间低级特征t1的权重分数，表示第二低级特征信息t2的权重分数，表示时间高级特征信息t3的权重分数； fn由两层全连接层连接进行计算， m表示tcn模块的层级数,表示tcn模块第 m层级的特征信息权重分数,表示tcn模块第 m层级的特征信息。
23、进一步的，所述gcn分流路径网络，具体包括：
24、三个gcn模块和一个gcn多级注意力模块；
25、在最终数据集输入gcn模块之前需要将最终数据集构建为图结构数据g=<v,e,a>，将最终数据集；
26、a是邻接矩阵用于表示节点与节点之间的连接关系；
27、邻接矩阵元素，定义为，其中本文档来自技高网...
【技术保护点】
1.一种基于深度学习模型的飞机飞行中重心位置预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于深度学习模型的飞机飞行中重心位置预测方法，其特征在于，所述TCN分流路径网络，具体包括：
3.根据权利要求2所述的一种基于深度学习模型的飞机飞行中重心位置预测方法，其特征在于，所述残差注意力模块，具体包括：
4.根据权利要求3所述的一种基于深度学习模型的飞机飞行中重心位置预测方法，其特征在于，所述第一全局特征gT的计算方法包括：
5.根据权利要求1所述的一种基于深度学习模型的飞机飞行中重心位置预测方法，其特征在于，所述GCN分流路径网络，具体包括：
6.根据权利要求3所述的一种基于深度学习模型的飞机飞行中重心位置预测方法，其特征在于，所述GCN分流路径网络全局特征gG的计算方法包括：
7.根据权利要求1所述的一种基于深度学习模型的飞机飞行中重心位置预测方法，其特征在于，所述多模态特征TG的计算方法包括：
8.根据权利要求1所述的一种基于深度学习模型的飞机飞行中重心位置预测方法，其特征在
9.根据权利要求1所述的一种基于深度学习模型的飞机飞行中重心位置预测方法，其特征在于，所述PGTNet模型，其训练过程具体包括：
10.一种基于深度学习模型的飞机飞行中重心位置预测系统，其特征在于，所述系统包括：
...【技术特征摘要】
1.一种基于深度学习模型的飞机飞行中重心位置预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于深度学习模型的飞机飞行中重心位置预测方法，其特征在于，所述tcn分流路径网络，具体包括：
3.根据权利要求2所述的一种基于深度学习模型的飞机飞行中重心位置预测方法，其特征在于，所述残差注意力模块，具体包括：
4.根据权利要求3所述的一种基于深度学习模型的飞机飞行中重心位置预测方法，其特征在于，所述第一全局特征gt的计算方法包括：
5.根据权利要求1所述的一种基于深度学习模型的飞机飞行中重心位置预测方法，其特征在于，所述gcn分流路径网络，具体包括：
6.根据权...
【专利技术属性】
技术研发人员：陈璞，杨磊，张璇，万夕里，郭世彪，
申请(专利权)人：珠海翔翼航空技术有限公司，
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。