申请/专利权人：上海交通大学四川研究院

申请日：2024-02-28

公开（公告）日：2024-04-30

公开（公告）号：CN117786467B

主分类号：G06F18/24

分类号：G06F18/24;G06F18/214;G06N3/12

优先权：

专利状态码：有效-授权

法律状态：2024.04.30#授权;2024.04.16#实质审查的生效;2024.03.29#公开

摘要：本发明公开了一种基于自适应加点的飞机着陆风险预测的分类模型构建方法，其包括S1获取样本集，并采用样本集对分类模型进行训练，得到分类器模型；S2判断样本集是否已进行至少一次加点操作，若是，进入步骤S4，否则进入步骤S3；S3基于分类器模型和梯度加点方法，生成预设数量的新样本点，并进入步骤S5；S4获取遗传算法的决策变量、优化目标和约束条件，采用遗传算法对分类器模型进行寻优，生成预设数量新样本点，并进入步骤S5；S5将生成的新样本点加入样本集中形成训练集，并采用训练集对分类器模型进行训练；S6判断迭代训练后的分类器模型是否满足终止训练条件，若是，则输出训练样本集和分类器模型，否则，采用训练集更新样本集，并返回步骤S2。

主权项：1.基于自适应加点的飞机着陆风险预测的分类模型构建方法，其特征在于，包括步骤：S1、获取样本集，并采用样本集对分类模型进行训练，得到分类器模型；所述样本集包括飞机着陆评估参数；S2、判断样本集是否已进行至少一次加点操作，若是，进入步骤S4，否则进入步骤S3；S3、基于分类器模型和梯度加点方法，生成预设数量的新样本点，并进入步骤S5；S4、获取遗传算法的决策变量、优化目标和约束条件，采用遗传算法对分类器模型进行寻优，生成预设数量新样本点，并进入步骤S5；S5、将生成的新样本点加入样本集中形成训练集，并采用训练集对分类器模型进行训练；S6、判断迭代训练后的分类器模型是否满足终止训练条件，若是，则输出训练样本集和分类器模型，否则，采用训练集更新样本集，并返回步骤S2；所述样本集和决策变量均为二维数组，每行为样本点飞机着陆评估参数，每列表示样本点的维度；所述步骤S3进一步包括：计算样本集中任意两个样本点之间的输出之差与其输入之间的欧式距离的比值；对所有比值进行降序排序，选取排名靠前的预设数量个比值，在选取的比值对应样本点的连线中点取一个新样本点；所述优化目标包括第一优化目标和第二优化目标，所述第一优化目标包括：设当前迭代过程中更新的分类器模型为model_n，上一次迭代过程中更新的分类器模型为model_front；分别采用model_n和model_front对决策变量进行预测得到预测值矩阵n和预测值矩阵front；计算预测值矩阵n与预测值矩阵front之差的绝对值矩阵model_mse，并最大化绝对值矩阵model_mse中每一行的model_mse值；所述第二优化目标包括：计算决策变量中每行相对于其他行的最大距离，并将最大距离按预设比例缩小，得到缩小距离；将决策变量中的每行作为一个个体，以决策变量中每个个体为球心，个体对应的缩小距离为半径做一个超立方球体；统计超立方球体中model_mse值为1的个数count，并最大化每一行的个数count；采用遗传算法对分类器模型进行寻优，生成预设数量新样本点的方法包括：S41、初始化种群为满足约束条件的决策变量；S42、分别采用第一优化目标和第二优化目标得到种群中每一行最大化操作的model_mse值和个数count；S43、将最大化操作的model_mse值和个数count分别映射到（0,1）范围内，并相加作为适应度；S44、判断适应度是否达到期望值或者迭代次数达到最大值，若满足任一条件，则进入步骤S46，否则进入步骤S45；S45、对种群中的所有个体进行交叉变异，得到新的种群，并将迭代次数加一，之后返回步骤S42；S46、在最后一次迭代的种群中选取预设数量个满足model_mse为1的个体作为新样本点。

全文数据：

权利要求：

百度查询： 上海交通大学四川研究院 基于自适应加点的飞机着陆风险预测的分类模型构建方法

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