[發明專利]一種基于支持向量機分類的重著陸預測方法

有效

• 申請號: 201610041644.4
• 申請日: 2016-01-21
• 公開（公告）號: CN105550473B
• 公開（公告）日: 2018-09-21
• 發明（設計）人: 周晟瀚;常文兵;胡陳;喬小朵
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06Q10/04
• 代理公司: 北京慧泉知識產權代理有限公司 11232
• 代理人: 王順榮;唐愛華

1.一種基于支持向量機分類的重著陸預測方法，其特征在于：該方法實現的具體步驟如下：

步驟一：飛參數據初選，提供數據分析基礎

飛參數據初選是指對原始飛參數據進行初步篩選，去除無用數據，保留研究所需數據的過程；飛參數據初選包括以下內容：根據原始飛參數據繪制散點圖，利用SPSS軟件，橫坐標軸為飛行時長，單位為秒，即s，縱坐標軸為無線電高度，高度為米，即m；判定無線電高度達到較小值且法向加速度在相應的時刻范圍內取得最大值為該次飛機飛行的著陸時刻，并以該時刻的法向加速度為該次飛行的著陸載荷值；當著陸載荷值超過規定限值時，判定此次著陸為重著陸，否則，判定未發生重著陸；其次，在標定著陸時刻后，截斷著陸時刻以后的數據，保留著陸時刻以前的數據作為研究對象；

步驟二：對飛參數據進行基于飛行高度的切片處理

判斷飛機著陸時刻，提取著陸載荷值；根據原始飛參數據，判斷每一次飛機的著陸時刻并獲取此時的著陸載荷值；當著陸載荷值超過規定限值時，判定此次著陸為重著陸，否則，判定為正常著陸；與此同時，產生一個新的二分變量，該變量的值為“重著陸”，記為“hard”，和“正常著陸”，記為“normal”，分別代表重著陸和正常著陸，作為預測模型的輸出變量，然后剔除掉著陸后的數據；

基于高度變化的重著陸預測理念，對飛參數據按照飛行高度進行切片處理；由于飛參數據采集的起始點不一致，初選后的飛參數據，不同飛行架次的飛行高度數據區間具有不一致性；為保證研究的飛參數據表現出相對一致的數據特征，需要設定統一的飛行高度范圍，而該范圍之外的數據將被剔除；

飛參數據切片處理是指按照飛行高度值，每間隔一定高度值截取一部分飛參數據的處理方法，截取后的飛參數據將作為數據分析的基礎，其余數據將被剔除；在9m-2m的高度范圍內，每隔0.5m對飛參數據進行一次截取，則截取15次；

步驟三：基于支持向量機分類的重著陸預測模型

鑒于飛參數據的多樣性和復雜性，考慮線性不可分數據集{f_i，L_i}(i＝1，2，…N)，f_i∈R^d為由飛參輸入變量組成的向量，N表示訓練集的樣本量；L_i∈{+1，-1}為是否發生重著陸的分類變量，+1表示發生重著陸，-1表示正常著陸；引入非負松弛變量ε_i≥0，(i＝1，2，…N)；假設飛參數據滿足以下關系式：

w·f_i+b+ε_i≥+1對于L_i＝+1

w·f_i+b-ε_i≤-1對于L_i＝-1

等價于：

L_i(w·f_i+b)+ε_i-1≥0

最優超平面滿足條件：

且L_i(w·f_i+b)+ε_i≥+1

其中，C為懲罰參數；

利用RBF核函數K(f_i，f_j)將飛參輸入變量映射到高維空間當中，在變換空間中求解最優的分類超平面；徑向基核函數表示如下：

K(x_i，x_j)＝exp(-γ||x_i-x_j||²)

其中，γ為徑向基核函數的參數；

步驟四：重著陸模型的特征選取和懲罰參數與徑向基核參數的優化

選取遞歸特征淘汰法即Recursive Feature Eliminations進行支持向量機分類預測模型的特征選取；首先，對模型所有輸入變量進行所有可能的組合，對于n個輸入變量來講，具有種組合；其次，依次計算出各種輸入變量組合所對應的模型預測精度；最后，篩選出模型預測精度最高時所對應的輸入變量組合，即為最優的模型輸入變量；參數優化是指對懲罰參數C與徑向基核函數參數γ兩個參數進行優化，參數C和γ同樣對模型預測精度具有重大影響，采用網格搜索算法即Grid-Search Algorithm對支持向量機預測模型進行參數優化；首先，設定參數C和γ的最初取值范圍；其次，運用10重交叉驗證法并結合R軟件計算出每一組不同參數C和γ組合值對應下的模型預測精度；最后，比較模型預測精度大小，挑選出模型預測精度最高時所對應的參數值組合，即為最優的模型參數取值。