一种基于神经网络的飞行动作识别方法与流程

1.本发明涉及智能识别领域，尤其是飞行器全过程飞参数据的动作识别。


背景技术：

2.根据任务需求，飞参判读需提升飞参分析技术水平，实现飞参机器自动判读和飞行动作识别。传统的飞行动作识别主要采取曲线图人工判读方法，严重制约了基于飞参数据分析应用的效率、准确性及客观性。同时，随着计算机计算能力进一步提升、基于gpu计算技术的发展以及大量的训练数据积累，神经网络深度学习技术突飞猛进，迅速在数据归类、图片识别、语音识别、自动驾驶等方面得到了极其广泛的应用，具有巨大优势。该技术通过构建以“神经元”为最小单元的多层神经网络对数据进行有监督和无监督学习进行自我反馈与调整，使得隐藏在多维数据空间中的潜在规律与模式以“神经元”连接权重集合的形式涌现出来。这种方法特别适用于解决复杂的非线性映射问题。


技术实现要素：

3.本发明要解决的问题就是如何利用多飞行状态、多环境、多维度的飞参数据，建立一套处理高效且准确的飞行动作识别方法。
4.本发明通过以下技术方案来实现：
5.一种基于神经网络的飞行动作识别方法，包含以下步骤：
6.(1)将从飞行器下载的原始数据进行原码工程量解算，得到计算机可直接识别分析的飞参数据；
7.(2)对飞参数据进行数据清洗、野值剔除、缺失参数填补、降噪处理和参数归一化预处理，得到可直接用于飞行动作识别的基础飞参数据；
8.(3)利用主成分分析法和线性判断分析法结合处理的方式，对预处理后的飞参数据进行降维；
9.(4)基于降维后的飞参数据，采用人工神经网络方法建立识别模型；
10.(5)利用降维后的飞参数据对识别模型进行参数训练，并对模型参数进行验证，得到最佳神经网络模型，利用最佳神经网络模型进行基本飞行动作识别建模。
11.进一步的，所述的步骤(1)具体包括以下步骤：
12.(101)对从飞行器下载的原始数据进行特征识别，确认机型、机号和飞参类型；
13.(102)读取飞参的配置文件和参数修正库，对特征识别结果符合要求的原始数据进行数据帧格式校验，生成临时文件；
14.(103)结合配置文件，对临时文件的每帧数据进行解压、滤波和还原处理，生成工程文件，得到计算机可直接识别分析的飞参数据。
15.进一步的，所述的步骤(2)具体包括以下步骤：
16.(201)对飞参数据进行数据清洗，对清洗后的数据进行haar小波变换，根据小波变换重构的细节系数的模，采用莱特准则确定野值在细节分量的位置进行野值剔除；
17.(202)将野值剔除后的飞参数据以时间变化进行泰勒展开，并采用最小二乘方法进行缺失值拟合填补；
18.(203)通过小波逆变换重构的细节系数和近似系数对缺失值拟合填补后的飞参数据进行降噪处理；
19.(204)将降噪处理后的飞参数据进行时间归一化，并将每个参数按最大采样率补齐。
20.本发明相比背景技术的优点在于：
21.1.本发明中主成分分析法和线性判断分析法相结合的降维方式是进行真实测试验证的，动作识别率更高。
22.2.本发明采用人工神经网络技术进行飞行动作识别相比传统基于规则方法，具有自学习、自组织性，还具有很强的鲁棒性和容错性。
23.3.本发明中的模型在训练样本数增加后，基于人工神经网络技术的识别模型识别率将会进一步增加。
24.4.本发明采用基于人工神经网络技术识别飞行动作，并成功实现工程化应用，目前属于国内领先。
附图说明
25.图1是本发明的飞参数据解析过程图；
26.图2是本发明的飞行动作识别过程图。
具体实施方式
27.下面结合附图和具体实施例对本发明做进一步详细的说明。
28.一种基于神经网络的飞行动作识别方法，包括以下步骤：
29.(1)飞参数据源文件从采集器直接卸载获取，是未经过任何处理的原始数据，文件格式由索引、文件头、数据块(由索引和数据区组成)组成，文件后缀blk。源文件数据格式及飞参数据解析流程见图1。进行原码工程量解算，得到计算机可直接识别分析的飞参数据；
30.其中，进行原码工程量解算，得到计算机可直接识别分析的飞参数据，具体包括以下步骤：
31.(101)针对已选源文件，首先加载源文件数据到内存中进行特征识别，确认机型、机号和飞参类型；
32.(102)接着读取飞参的配置文件和参数修正库，对特征识别结果符合要求的原始数据进行数据帧格式校验，生成临时文件；
33.(103)最后临时文件加载到内存中，结合配置文件，对每帧数据完成解压、滤波、还原等数据处理操作，生成工程文件，并删除临时文件。工程文件可以直接转化为表格文件、提取数据存储于数据库或者可以直接进行动作识别操作。
34.(2)对飞参数据进行数据清洗、野值剔除、缺失参数填补、降噪处理和参数归一化预处理，得到可直接用于飞行动作识别的基础飞参数据；具体包括以下步骤：
35.(201)对飞参数据进行数据清洗，对清洗后的数据进行haar小波变换，根据小波变换重构的细节系数的模，采用莱特准则确定野值在细节分量的位置进行野值剔除；
36.(202)将野值剔除后的飞参数据以时间变化进行泰勒展开，并采用最小二乘方法进行缺失值拟合填补；
37.(203)通过小波逆变换重构的细节系数和近似系数对缺失值拟合填补后的飞参数据进行降噪处理；
38.(204)将降噪处理后的飞参数据进行时间归一化，并将每个参数按最大采样率补齐。
39.(3)利用主成分分析法和线性判断分析法结合处理的方式，对预处理后的飞参数据进行降维；
40.(4)基于降维后的数据，采用支持向量机、随机森林、人工神经网络三种方法进行飞行动作识别验证，综合考虑模型识别准确度、识别效率、泛化能力和拟合能力，本发明选用人工神经网络方法建立识别模型；
41.1)基于一类对余类法支持向量机(svm)进行基本飞行动作识别，并测试了线性核(linear)、sigmod核、多项式核(poly)三种核函数性能，其缺点为支持向量机训练时间长、模型质量偏差，因此在飞行动作识别的多分类环境中表现不佳；
42.2)基于随机森林算法的飞行动作识别，首先采用随机森林算法对已预分类的飞行状态进行分类器设计，然后利用具有多类分类功能的分类回归树，构建随机森林中的决策树，采用基尼指标gini最小的准则对决策树进行分裂，不放回的选择最优状态特征参数进行分支，最后对随机森林的生成过程进行研究，通过已构建的决策树生成随机森林，并依据经验选取参数，对随机森林进行网络训练，从而获得随机森林训练模型，其缺点是存在该模型过于简单不适用于大数据量及较复杂的环境中；
43.3)基于人工神经网络模型进行飞行动作识别，首先对各类别参数进行数据标准化处理，然后将飞行数据和对应飞行动作作为神经网络的输入进行离线学习，以系统飞行状态与模型输出误差进行神经网络隐藏神经元的调整、数据间隔的调整、降维维度的调整等，直到模型完全可以表征直升机系统模型，最后进行模型训练，训练过程由正向传播和反向传播组成，正向计算得到误差函数，反向传播梯度下降，由梯度下降法调整各层神经网络的权值，使误差信号减小；
44.多种分类识别方法，其优缺点结果如下表所示：
[0045][0046]
本发明在考虑后续飞参数据样本的增加、学习深度增加及后续能力挖掘需求增强
的综合因素后，经过对比选用人工神经网络技术作为飞行动作识别的模型。
[0047]
本发明人工神经网络中的输入层神经元个数与降维后的特征参数保持一致，即30个神经元，隐含层一般是根据数据大小和经验确定，本发明中经过对比隐含层神经元个数，分别设置10、50、100、150、160、170，通过结果确定该层隐含层神经元数，输出层由模型输出目标决定，本发明中目前判定了6种基本飞行动作，该层具有6个神经元。
[0048]
(4)利用降维后的飞参数据对识别模型进行参数训练，并对模型参数进行验证，得到最佳神经网络模型，利用最佳神经网络模型进行基本飞行动作识别建模。
[0049]
基于神经网络的动作识别过程如图2，详细识别及验证过程：从已标注的样本数据中获得特征参数值和对应标注动作作为训练样本，训练模型，得到具有最优参数的模型，从有标注的样本数据中获得特征参数值和对应标注动作作为测试样本，输入已训练的模型中进行验证，得到飞行动作识别准确率，若识别准确率未达到预期，则继续训练模型，直到准确率达到预期。
[0050]
上述算法使用c++及python语言进行了编程实现，并且在测试中检验了该方法的合理性和创新性，得到的模型和理论中一致，基本满足需求，其识别速度也满足使用需求。该方法在经过多次的试验验证后，已经使用在了实际的项目中，为基本飞行动作的识别提供了参考和使用方法，得到了满意的结果。