基于非线性残差网络的航空危害风场检测方法及装置

本发明属于一种风场检测方法，具体是涉及到一种基于非线性残差网络的航空危害风场检测方法及装置。

背景技术：

1、低空风场中可能包含的风切变和湍流会对航空安全造成严重威胁。不同类型气流诱导的风速风向变化具有显著不同的特征，例如，湍流可以在米级范围内导致风速和风向的快速波动，而风切变会使风速和风向产生持续数海里以上的变化。

2、目前的风场危害评估方法分别针对不同类型的危害风场进行研究，就湍流来说，最常用的危害评估特征为平均风速、湍流耗散率、速度波动等特征；就风切变来说，最常用的危害评估特征为现有的f因子和s因子等。这些危害特征均仅适用于特定类型的危害气流，相应的报警阈值也不能适应于不同的地理位置和气象条件的机场场景，因此在实际应用中对危害风场的检测准确率不足。

3、近些年，深度学习方法在图片分类、语音识别、变化检测等领域取得了一定进展，但是神经网络面临以下两大难题：1)可解释性不足：在危害风场检测任务中，无法解释哪种物理特征有助于危害风场检测；2)标签数据不足：在危害风场检测任务中，由于标签数据不足，网络无法通过训练提供准确的危害风场检测结果。

技术实现思路

1、本发明要解决的技术问题是现有技术常用的上述方法均存在可解释性不足和标签数据不足的问题，为了解决上述问题，本发明提供一种基于非线性残差网络的航空危害风场检测方法及装置。

2、本发明的内容包括：

3、第一方面，本发明实施例提供了一种基于非线性残差网络的航空危害风场检测方法，包括：

4、利用雷达对飞机起降通道进行探测，获得所述飞机起降通道的多普勒速度采样数据，并记录遭遇危害风场的危害时刻；

5、基于所述多普勒速度采样数据的二阶结构函数和所述多普勒速度采样数据对应的传统危害评估特征建立危害特征库，所述传统危害评估特征包括多普勒速度平均值、湍流能量耗散率、速度波动量、f-因子和s-因子；

6、从所述危害特征库中提取代表性物理特征；

7、基于危害风场数据、非危害风场数据、所述危害风场数据对应的代表性物理特征和所述非危害风场数据对应的代表性物理特征训练得到非线性残差网络，所述危害风场数据为所述多普勒速度采样数据中与所述危害时刻对应的数据，所述非危害风场数据为所述多普勒速度采样数据中不与所述危害时刻对应的数据；

8、基于所述非线性残差网络进行航空危害风场检测，得到检测结果。

9、可选地，所述基于所述非线性残差网络进行航空危害风场检测，得到检测结果，包括：

10、利用雷达对飞机起降通道进行探测，获得目标多普勒速度采样数据；

11、基于所述目标多普勒速度采样数据计算对应的代表性物理特征；

12、将所述目标多普勒速度采样数据和所述目标多普勒速度采样数据对应的代表性物理特征输入所述非线性残差网络进行危害风场检测，得到检测结果。

13、可选地，所述基于危害风场数据、非危害风场数据、所述危害风场数据对应的代表性物理特征和所述非危害风场数据对应的代表性物理特征训练得到非线性残差网络之前，所述方法还包括：

14、将第一数据标记为所述危害风场数据，将第二数据中的至少部分数据标记为非危害风场数据；

15、其中，所述第一数据为所述多普勒速度采样数据中与所述危害时刻对应的数据，所述第二数据为所述多普勒速度采样数据中除所述第一数据外的数据，所述危害风场数据的数量与所述非危害风场数据的数量相同。

16、可选地，所述基于所述多普勒速度采样数据的二阶结构函数和所述多普勒速度采样数据对应的传统危害评估特征建立危害特征库之前，所述方法还包括：

17、基于所述多普勒速度采样数据计算所述多普勒速度采样数据的二阶结构函数，以及基于所述多普勒速度采样数据计算所述多普勒速度采样数据对应的传统危害评估特征。

18、可选地，所述多普勒速度采样数据的二阶结构函数满足：

19、s(r)＝mean([v(x)-v(x+r)]2)；

20、其中，v(x)用于表征雷达在所述飞机起降通道位置为x处探测得到的多普勒速度采样数据，v(x+r)用于表征雷达在所述飞机起降通道位置为x+r处探测得到的多普勒速度采样数据，r表示x处和x+r处之间的距离，mean()表示计算平均值。

21、所述多普勒速度平均值满足：

22、m＝mean(|v|)；

23、其中，v表示一组所述多普勒速度采样数据；

24、所述湍流能量耗散率满足：

25、

26、其中，clos是根据多普勒速度定义的kolmogorov常数，κ1和κn是对应于采样距离的波数，κ1＝2π/r1,κn＝2π/rn，σv为所述多普勒速度采样数据的标准差；

27、所述速度波动量满足：

28、r＝max(v)-min(v)；

29、其中，max(v)为所述多普勒速度采样数据中的最大值，min(v)为所述多普勒速度采样数据的最小值；

30、所述f-因子满足：

31、

32、其中，ux为沿所述飞机起降通道方向的顺风风速，w为沿所述飞机起降通道方向的垂直风速，vapp为飞机空速，g为重力加速度；

33、所述s-因子满足；

34、

35、其中，δvi为所述多普勒速度采样数据的递增或递减变化量，ri为所述飞机起降通道内对应的斜坡长度，下标i表示第i个斜坡。

36、可选地，所述非线性残差网络满足：

37、

38、其中，v用于表征输入的多普勒速度采样数据，z用于表征输入的代表性物理特征，relu()表示修正线性单元激活函数，sigmoid[]表示对数几率函数，{w1,w2,b1,b2}为所述非线性残差网络的参数，表示输出的检测结果。

39、可选地，所述非线性残差网络进行训练的损失函数满足：

40、

41、为检测结果的均方误差，yi为第i组所述多普勒速度采样数据的真实标签，为正则化项，λ为正则化系数。

42、第二方面，本发明实施例提供了一种基于非线性残差网络的航空危害风场检测装置，包括：

43、探测模块，用于利用雷达对飞机起降通道进行探测，获得所述飞机起降通道的多普勒速度采样数据，并记录遭遇危害风场的危害时刻；

44、建立模块，用于基于所述多普勒速度采样数据的二阶结构函数和所述多普勒速度采样数据对应的传统危害评估特征建立危害特征库，所述传统危害评估特征包括多普勒速度平均值、湍流能量耗散率、速度波动量、f-因子和s-因子；

45、提取模块，用于从所述危害特征库中提取代表性物理特征；

46、训练模块，用于基于危害风场数据、非危害风场数据、所述危害风场数据对应的代表性物理特征和所述非危害风场数据对应的代表性物理特征训练得到非线性残差网络，所述危害风场数据为所述多普勒速度采样数据中与所述危害时刻对应的数据，所述非危害风场数据为所述多普勒速度采样数据中不与所述危害时刻对应的数据；

47、检测模块，用于基于所述非线性残差网络进行航空危害风场检测，得到检测结果。

48、第三方面，本发明实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；所述处理器，用于读取存储器中的程序实现如第一方面所述的基于非线性残差网络的航空危害风场检测方法中的步骤。

49、第四方面，本发明实施例提供一种可读存储介质，用于存储程序，所述程序被处理器执行时实现如第一方面所述的基于非线性残差网络的航空危害风场检测方法中的步骤。

50、本发明的有益效果是，在本发明实施例中，利用雷达对飞机起降通道进行探测，获得飞机起降通道的多普勒速度采样数据，并记录遭遇危害风场的危害时刻；基于多普勒速度采样数据的二阶结构函数和多普勒速度采样数据对应的传统危害评估特征建立危害特征库；从危害特征库中提取代表性物理特征；基于危害风场数据、非危害风场数据、危害风场数据对应的代表性物理特征和非危害风场数据对应的代表性物理特征训练得到非线性残差网络；基于非线性残差网络进行航空危害风场检测，得到检测结果。本发明所构建的非线性残差网络层数少，实现简单，另外通过降维方法进一步减小了网络的参数数量；非线性残差网络结合了线性特征选择和非线性残差项两部分，能通过线性特征选择解释哪种物理特征有助于危害风场检测，具有网络参数少、可解释性强的优点，在实际应用中具有较高的危害风场检测准确率。