申请/专利权人：江西洪都航空工业集团有限责任公司

申请日：2021-12-20

公开（公告）日：2024-04-05

公开（公告）号：CN114298183B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/774;G06V10/82;G06N3/0455;G06N3/0464;G06N3/084;G06V10/26

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2022.04.26#实质审查的生效;2022.04.08#公开

摘要：飞行动作智能识别方法，结合指定机型的飞行训练大纲和飞行专家的经验知识，从丰富的历史飞行数据中选择与之相关标准的飞行动作条目，建立具有典型代表性的标准动作基准库，而后基于变分自编码网络构建深度变分多元时序分割模型，并将深度变分多元时序分割模型识别的飞行动作与标准动作基准库进行对比，以得到符合标准的深度变分多元时序分割模型，最后将待预测的时间序列输入至深度变分多元时序分割模型进行飞行动作智能识别。本发明以架次内的全部飞行参数序列作为网络输入，不仅关注飞行时间序列的时序关系，且将网络输出飞行时间序列中每一个点处的飞行动作类别作为标签，不依赖于专家知识划分样本，有效提高飞行动作识别准确率。

主权项：1.飞行动作智能识别方法，其特征在于，具体步骤如下：1、建立标准动作基准库结合指定机型的飞行训练大纲和飞行专家的经验知识，从丰富的历史飞行数据中选择与飞行动作相关标准的飞行动作条目，建立具有典型代表性的标准动作基准库；2、构建深度变分多元时序分割模型I、飞参数据预处理采集多个飞行架次内的K类飞行参数，而后在时间维度上将其拼接为L×K的多元时间序列s∈RL×K，其中，L为序列总时长，而后对序列内的每类飞行参数s:,i∈RL×1进行归一化处理，得多元时间序列x∈Rl×n；II、构建动作时序分割模型利用变分自编码网络构建动作时序分割模型，动作时序分割模型包括采用深度神经网络分布构造的编码器网络qφz|x和解码器网络pθx|z，其中，x为输入样本特征的可见变量，z为一系列不可观测的隐层变量，编码器网络qφz|x提取具有丰富无冗余飞行动作信息的隐层特征，解码器网络pθx|z用于将隐层信息恢复为原始数据大小并计算重构损失；根据先验假设，隐层变量z被约束为正态分布pz～Nμ,σ，根据变分理论，将边际似然函数的变分下界作为目标函数，变分自编码网络的损失函数如式1所示： 其中，Eqz|x表示在后验分布qφz|x下求期望，DKL表示潜在隐层变量z的近似后验qφz|x与先验分布pθz之间的KL散度，用于衡量近似后验与先验分布之间的差距，KL散度值越大，两种分布间的差异越大；III、构建变分多元时序分割网络针对飞行过程中的多元时间序列，构建深度变分多元时序分割网络，分为变分自编码特征提取与多元时序分割两个部分，针对步骤I得到的多元时间序列x∈Rl×n，其中，l为时间序列的长度，n为输入的飞参数量，首先利用动作时序分割模型提取飞参维度上的隐层特征其中，h为隐层特征的维度，随后，对隐层特征进行卷积和下采样操作，得到编码为含有时序关系的高层特征，最后对高层特征进行反卷积和上采样操作，输出序列预测类别概率向量分类误差由序列预测类别概率向量与序列真实类别的one-hot编码向量y∈Rl×1共同计算，结合分类误差与重构误差，利用梯度下降法对动作时序分割模型参数进行迭代更新，以确定最终的变分多元时序分割网络；IV、确定损失函数和模型训练深度变分多元时序分割模型的损失函数分为重构误差和分类误差两个部分，重构误差如式3所示： 其中，μ和σ分别为编码器g输出的均值向量和方差向量；对多元时序分割部分，采用交叉熵损失函数，如式4所示： 其中，pij表示在时刻i时模型预测为第j类动作的概率，yij表示在时刻i时飞行执行的真实动作；因此，深度变分多元时序分割模型的总体损失函数为重构误差与分类误差之和，如式5所示：Lseg＝Lrecon+LCE5设置模型训练其余参数进行训练，直至训练衰减损失趋于稳定后，停止训练并保存模型权重，以此构建深度变分多元时序分割模型；IIV、测试深度变分多元时序分割模型并验证性能对深度变分多元时序分割模型进行测试并验证其性能，进而得到符合标准的深度变分多元时序分割模型；3、应用深度变分多元时序分割模型将待预测的时间序列截断成若干长度并满足网络输入长度Lt的子序列，而后将各段子序列输入至步骤2建立的深度变分多元时序分割模型中，以获得预测子序列，再将预测子序列进行拼接，得到整个飞行架次的逐点预测标签，最后进行边界判断，提取出飞行架次中的每个飞行动作片段，作为输出结果，即完成对飞行动作的智能识别。

全文数据：

权利要求：

百度查询： 江西洪都航空工业集团有限责任公司 飞行动作智能识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD