专利汇可以提供一种基于深度学习的重着陆预测方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于 深度学习 的重着陆预测方法,用于解决根据飞机飞行阶段的参数预测飞机是否会发生重着陆危险的问题。该方法主要包含基于深度学习的自回归着陆模型的构建方法,以及使用自回归着陆模型进行重着陆检测的方法两个部分:(1)自回归着陆模型:是利用大量的正常着陆航班的样本数据,基于深度学习模型,训练出的一种用于捕捉飞机着陆状态转换模式的模型。(2)计算方法:以飞行过程数据,如采自QAR(Quick Access Recorder,快速存取记录器)的数据做为输入,利用时间序列符号化表示和着陆状态字典,将飞机着陆多元时间序列转换成符号化表示序列。利用预训练的自回归着陆模型拟合待预测的航班的符号化表示序列,给出重着陆危险发生概率的预测结果。,下面是一种基于深度学习的重着陆预测方法专利的具体信息内容。
1.一种基于深度学习的重着陆预测方法,其特征在于,包括如下步骤:
步骤1:获取记录飞行参数的航班数据,以下简称QAR数据,航班数据记录的是飞机从起飞到着陆全过程的数据,从中截取海拔高度在250英尺以下的最终进近数据作为航班着陆阶段数据;选择着陆阶段关键参数,关键参数包括俯仰角、滚转角、下降率、风速、风向、驾驶员俯仰杆操作、驾驶员滚转角操作、驾驶员脚踏板操作、脚踏板角度、地速、空速、纵向加速度、水平加速度的参数,经过截取和关键参数选择操作,每个航班样本表示成一个多元时间序列,每个时间点是一个由上述参数在该时间点的QAR记录值组成的向量,每一个向量被称为一个着陆状态点;
步骤2:定义着陆状态点为飞机着陆序列中每一个时刻的记录值,将从QAR中获取到的全部航班样本所有着陆状态点利用Kmeans方法进行聚类,Kmeans聚类将所有着陆状态点根据其取值对应到不同的着陆状态类别;Kmeans聚类算法产生的质心生成航班着陆状态字典,航班中每一个着陆状态点均映射到一个航班着陆状态字典中的一个符号化表示,每个航班由多个着陆状态点组成,经过映射,每一个航班均得到一个符号序列表示;
步骤3:利用循环神经网络(LSTM)搭建深度学习自回归模型,模型的输入为步骤2中得到的航班的符号序列表示,模型的主题结构为LSTM,模型每个时刻的输出为经过LSTM编码得到的向量;利用该模型进行预训练,预训练的方式为,在任一时刻t,用前面t-1个时刻的着陆状态预测当前时刻的着陆状态,预训练后的模型即为飞机着陆模型ALM(Aircraft Landing Model,ALM);
步骤4:根据QAR数据中记录的垂直载荷参数值,选择垂直载荷参数值大于1.5的样本作为重着陆训练样本,使用步骤2中生成的航班着陆状态字典将重着陆样本数据转换成符号序列,利用转换后的航班着陆符号序列,在步骤3中预训练的飞机着陆模型基础上继续训练,训练方法为最小化重着陆预测损失,最终得到预测结果。
2.根据权利要求1所述的基于深度学习的重着陆预测方法,其特征在于:所述步骤1具体实现过程如下:
(11)数据准备:提取QAR数据,截取距离地面高度250英尺到距离地面0英尺之间的数据作为飞机着陆数据,其中选择着陆发生5秒以前时间段的数据作为训练数据;
(12)参数提取:根据QAR数据中的记录数据以及相关文献,选择对于着陆最重要的一些特征,分为三组参数,分别是飞机状态类参数、环境类参数和驾驶员操作参数,所述飞机状态参数包括俯仰角、滚转角、地速、水平加速度、纵向加速度、下降率和空速;所述驾驶员操作参数包括滚转操作、俯仰操作、脚踏板操作和脚踏板角度;所述环境参数包括风速和风向;
(13)着陆状态点生成:每个航班样本经过步骤(1)和步骤(2)的处理得到多个向量,每个着陆点为一个向量,包含步骤(2)选择的参数在当前着陆点的取值。
3.根据权利要求1所述的基于深度学习的重着陆预测方法,其特征在于:所述步骤2具体实现过程如下:
(21)利用Kmeans聚类算法,对所有着陆状态向量进行聚类操作,生成900个聚类质心,聚类质心的数量是通过聚类指标确定的最佳聚类质心数量,每个聚类质心是一个符号到向量的映射,为Kmeans生成的900个聚类质心分配唯一编号,每一个质心的向量表示计算方法如下:Kmeans算法将数据中的着陆状态点分配给各个质心,被划分到各个质心的着陆状态点对应的向量求平均值,级得到对应质心的向量表示;
(22)针对每一个着陆状态向量,为其分配一个的聚类质心,作为这个着陆状态向量的符号化表示,选择质心的方式为计算着陆状态点向量和Kmeans聚类得到的所有质心的欧式距离,选择欧式距离最小的作为分配给该着陆状态点的质心,每一个航班的每一个着陆状态向量都转换成质心对应的符号,同一个航班的所有着陆状态点的映射结果组成一个符号序列。
4.根据权利要求1所述的基于深度学习的重着陆预测方法,其特征在于:所述步骤3具体实现过程如下:
(31)输入为每个航班的着陆符号序列表示,使用嵌入层,将每个着陆符号映射成一个高维向量,每个着陆状态符号对应的高维向量最开始是随机初始化的,在深度学习网络的训练过程中自动更新;同时引入海拔嵌入,每一个海拔高度范围对应着一个海拔嵌入,同样随着深度学习模型的训练进行更新,将着陆状态符号嵌入和海拔高度嵌入相加,作为深度学习模型的最终输入;
(32)搭建单向LSTM自回归模型,模型每个时间步使用之前时刻的着陆状态符号预测当前时刻的着陆状态符号,使用从QAR中提取的50000条着陆样本作为训练集,将这些着陆样本通过3中介绍的方法转换为符号序列表示,使用转换后的数据训练LSTM模型,LSTM在训练过程中的计算方式为:
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
ot=σ(Wo·[ht-1,xt]+b0)
ht=ot*tanh(Ct)
其中,Wf,Wi,WC,Wo,bf,bi,bC,b0为模型中的可训练参数,xt是在t时刻的着陆状态对应的符号表示经过嵌入层生成向量表示,其他符号为LSTM在计算过程中生成的中间变量;
使用的损失函数为:
其中,T表示一条航班着陆数据的着陆状态点数量,W,b为模型可训练的参数,xi为i时刻着陆状态对应的符号。
5.根据权利要求1所述的基于深度学习的重着陆预测方法,其特征在于:所述步骤4具体实现过程如下:
(41)将重着陆预测数据集使用相同的方法处理成着陆符号表示,对训练好的LSTM进行精调,精调的方式为,在重着陆预测数据集上优化交叉熵损失,使用的损失函数为:
其中,N表示总样本量,yi表示第i个样本是否发生重着陆,发生重着陆值为1,不发生重着陆值为0,p为LSTM模型最后输出的预测发生重着陆的概率值;
(42)精调后的深度自回归飞机着陆模型用于重着陆预测,给定一个航班的着陆前的QAR数据,对这个航班着陆前的QAR数据进行离散化预处理后输入到精调后的深度自回归飞机着陆模型中,即得到预测结果。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种火箭起竖臂 | 2020-05-08 | 830 |
一种基于无人机测量弧垂的方法及系统 | 2020-05-11 | 806 |
一种红外引导无人机降落方法及装置 | 2020-05-12 | 547 |
一种激光垂起固定翼无人机起落防护装置 | 2020-05-12 | 366 |
飞行消防车 | 2020-05-12 | 239 |
用于垂直起降无人机的混合电动驱动系 | 2020-05-08 | 996 |
一种太阳能无人机总体参数确定方法及系统 | 2020-05-12 | 925 |
串列翼倾转旋翼无人机 | 2020-05-12 | 632 |
一种飞翼式涵道风扇垂直起降无人机 | 2020-05-11 | 88 |
高压超高压架空输电线路除冰的无人机系统及其使用方法 | 2020-05-12 | 238 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。