【技术实现步骤摘要】
本专利技术涉及航空数据处理，具体涉及一种飞行特情数据增强方法、装置及设备。
技术介绍
1、飞行特情指的是飞行中遇到的特殊情况，出现飞行特情经常会危及飞行安全。当特情出现时，大多数飞行员都会紧张，思维受到干扰；注意范围缩小，动作受限，操作错误；导致处置优柔寡断、不及时甚至发生飞行事故。据我国民航总局的统计，有近25%的特情处置不当与管制员特情处置能力有直接关系，提前预测飞行特殊情况，可以有效缓解飞行员面对特殊情况时的情绪紧张，使飞行员有更充足的时间处理特殊情况，确保飞行员能够更加冷静、从容、及时、有效地处理特殊情况。它可以显著降低特殊情况发生的危害程度，保证人员和航空器的安全，是保证民航飞行安全运行的关键。
2、鉴于飞行特殊情况对飞行安全构成的严重威胁，2000年以后，faa、波音、nasa兰利研究中心等众多著名航空研究机构对飞行状态预测、特殊情况预测、飞行控制策略等进行了深入研究。就飞行预测而言，主要面临两个突出问题：缺乏有效的预测方法和有效的验证数据，特别是飞行专项数据严重短缺，无法有效支持研究工作。
3、在飞行专项数据采集过程中，研究人员面临着数据采集成本高、数据量少的问题。目前，通过正常的数据采集和整合无法获得足够的飞机专用数据，而且一些与飞行有关的信息记录不完善，导致可用的专用数据极其有限。一方面，正常航班飞行记录中飞行特情相关的数据非常少；另一方面，在海量的飞行数据中分析获取极其少量的特情数据，工作难度非常大。因此，飞机飞行记录数据无法有效支撑开展特情探测研究。
4、目前，飞行特情数
5、基于模拟飞行仿真的飞行特情数据生成就是通过搭建模拟飞行环境模拟特情场景，进而产生相应的特情数据。主要包括基于全动模拟机的数据生成、基于商用模拟飞行软件（x-plane、p3d、flightsim、flightgear）的数据生成方法和基于飞行数据包的飞行仿真软件开发与数据生成。
6、基于数据增强的飞行特情数据生成是利用数据增强技术，将少量样本特情数据构造出更多样本以扩充数据量的方法，主要包括基于基础方法的数据增强和基于深度学习方法的特情数据增强方法。基础方法包括几何变换、裁剪、翻转、拉伸、添加噪声、频率域变换、分解与混合等。深度学习方法包括gan、rgan、rcgan、timegan等。
7、飞行特殊情况数据属于时间序列数据。与图像等数据不同，时间序列数据在样本之间具有时间序列关系。因此，在生成序列数据时，要特别注意新生成样本之间的时间序列关系。此外，飞行特情数据复杂多样，与飞行特情相关的数据种类繁多，涉及飞机发动机、航电、机电、燃油、环控等各种系统。结合实际情况分析，现有的飞行特殊情况数据生成方法普遍存在较大的不足。
8、基于全动模拟机的数据生成、基于商用模拟飞行软件（x-plane、p3d、flightsim、flightgear）的数据生成方法和基于飞行数据包的飞行仿真软件开发与数据生成这3种方式都只能一定程度上模拟飞行气动和部分航电运行功能，无法完整模拟真实飞机运行。因此，基于模拟飞行仿真的飞行特情数据生成无法满足其复杂多样性的需求。
9、基于数据增强的数据生成普遍用于图像生成，并行化程度不足，在时序数据生成上应用很少，特别是基础方法普遍不适用于时序数据增强。
技术实现思路
1、针对现有技术中的缺陷，本专利技术提供一种飞行特情数据增强方法、装置及设备，以解决目前传统基于模拟飞行仿真的飞行特情数据生成方法真实度有限，无法满足其复杂多样性的需求。
2、第一方面，本专利技术提供的飞行特情数据增强方法，包括：
3、将飞行记录样本数据进行归一化处理，获得真实数据；
4、构建tcn-timegan网络；tcn-timegan网络包括嵌入网络、复现网络、生成器网络和判别器网络；
5、将所述真实数据输入tcn-timegan网络中进行训练，获取生成数据；
6、将所述真实数据和所述生成数据分别计算最大均值差异值mmd和平均绝对百分比误差mape，获得综合性评估，输出可信的特情数据。
7、由上述技术方案可知，本专利技术提供的飞行特情数据增强方法，首先通过数据挖掘技术进行特征筛选，并对数据进行归一化处理；其次构建 tcn-timegan 网络，将处理后样本的真实数据输入网络，对模型进行对抗训练，生成新的数据集；最后计算将新生成数据与真实数据各单特征进行最大均值差异（maximum mean discrepancy, mmd）和平均绝对百分比误差(mean absolute percentage error, mape)，并根据其相关性对数据质量进行评估，提高生成数据的质量。
8、可选地，嵌入网络通过一个循环网络实现：
9、，是一个用于静态特征的嵌入网络，
10、为膨胀卷积网络，是卷积操作的输出，是卷积核的权重，是输入序列的元素，为膨胀系数；
11、复现网络通过一个前馈网络实现：
12、，
13、，
14、和是用于静态和时态嵌入的复现网络,和表示潜在向量通过复现网络生成的原始空间的静态和时态特征表示，和表示静态特征和时态特征对应的潜在编码；
15、生成器网络通过一个递归网络实现：
16、，
17、，
18、是用于静态特征的生成器网络，是用于时间特征的循环生成器网络，和分别代表生成器生成的静态和时态特征，代表前一次的时态特征，代表随机向量的静态特征，代表随机向量的时态特征；
19、判别器网络通过一个双向循环网络和一个前馈输出层实现：
20、，
21、，
22、其中，，，
23、和分别表示前向和后向隐藏状态的序列，、是循环函数，、是输出层分类函数。
24、可选地，所述构建tcn-timegan网络，还包括：
25、通过损失函数的迭代计算，优化tcn-timegan模型中的网络组件。
26、可选地，所述损失函数包括重建损失函数、无监督损失函数和监督损失函数，
27、所述重建损失函数具体为：
28、，
29、为服从随机变量概率分布p的期望，下标表示原始数据分布，和分别代表原始静态特征和通过自编码器后的静态特征，和分别代表原始时态特征和自编码器生成的时态特征；
30、所述无监督损失函数具体为：
31、，
32、其中，和表示生成序列的判别结果，和表示生成序列的判别结果；
33、所述监督损失函数具体为：
34、，
35、其中，表示真实数据的潜在时态特征，表示通过生成器生成序列的潜在时态特征。
36、可选地，所述优化tcn-timegan模型中的网络组件，包括：...
【技术保护点】
1.一种飞行特情数据增强方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，
3.根据权利要求2所述的方法，其特征在于，所述构建TCN-TimeGAN网络，还包括：
4.根据权利要求3所述的方法，其特征在于，所述损失函数包括重建损失函数、无监督损失函数和监督损失函数，
5.根据权利要求4所述的方法，其特征在于，所述优化TCN-TimeGAN模型中的网络组件，包括：
6.根据权利要求1所述的方法，其特征在于，最大均值差异值MMD根据如下公式计算：
7.根据权利要求6所述的方法，其特征在于，最大均值差异值MMD依据非线性映射，获得可性度指标，a和b为选定的参数。
8.根据权利要求6所述的方法，其特征在于，平均绝对百分比误差MAPE根据如下公式计算：
9.一种飞行特情数据增强装置，其特征在于，包括：
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8任一项所述方法的步骤
...【技术特征摘要】
1.一种飞行特情数据增强方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，
3.根据权利要求2所述的方法，其特征在于，所述构建tcn-timegan网络，还包括：
4.根据权利要求3所述的方法，其特征在于，所述损失函数包括重建损失函数、无监督损失函数和监督损失函数，
5.根据权利要求4所述的方法，其特征在于，所述优化tcn-timegan模型中的网络组件，包括：
6.根据权利要求1所述的方法，其特征在于，最大均值差异...
【专利技术属性】
技术研发人员：徐世军，王闯，牟明，冯思宇，牛文生，伍小辉，于沛，
申请(专利权)人：中航机载系统共性技术有限公司，
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。