[發(fā)明專利]基于混合深度神經(jīng)網(wǎng)絡(luò)的飛機(jī)危險(xiǎn)識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011162423.5
• 申請(qǐng)日: 2020-10-27
• 公開(kāi)（公告）號(hào): CN112330114A
• 公開(kāi)（公告）日: 2021-02-05
• 發(fā)明（設(shè)計(jì)）人: 周迪;莊笑;左洪福;蔡景;黃艷;閆洪勝;王涵
• 申請(qǐng)（專利權(quán)）人: 南京航空航天大學(xué)
• 主分類號(hào): G06Q10/06
• 分類號(hào): G06Q10/06;G06Q50/30;G06N3/04;G06N3/08;G06K9/62;G06F17/18
• 代理公司: 南京瑞弘專利商標(biāo)事務(wù)所(普通合伙) 32249
• 代理人: 陳國(guó)強(qiáng)

1.一種基于混合深度神經(jīng)網(wǎng)絡(luò)的危險(xiǎn)識(shí)別方法，其特征在于：包括以下步驟：

步驟1，數(shù)據(jù)收集與歸一化：通過(guò)飛機(jī)通信尋址與報(bào)告系統(tǒng)收集歷史報(bào)文數(shù)據(jù)，進(jìn)行歸一化處理，去除數(shù)據(jù)的單位限制，將其轉(zhuǎn)化為無(wú)量綱的純數(shù)值；

步驟2，數(shù)據(jù)預(yù)處理：利用滑動(dòng)時(shí)間窗口法分別對(duì)歸一化后的數(shù)據(jù)進(jìn)行預(yù)處理，將預(yù)處理后的數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)，隨后，基于混合深度神經(jīng)網(wǎng)絡(luò)的集成結(jié)構(gòu)，將訓(xùn)練數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)1和訓(xùn)練數(shù)據(jù)2兩個(gè)部分，訓(xùn)練數(shù)據(jù)1用于卷積雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)基本模型的訓(xùn)練，訓(xùn)練數(shù)據(jù)2用于全連接神經(jīng)網(wǎng)絡(luò)集成模型的訓(xùn)練；測(cè)試數(shù)據(jù)用于最后混合深度神經(jīng)網(wǎng)絡(luò)識(shí)別效果的測(cè)試；

步驟3，混合深度神經(jīng)網(wǎng)絡(luò)構(gòu)建：混合深度神經(jīng)網(wǎng)絡(luò)由兩個(gè)部分組成，第一部分為三個(gè)具有不同時(shí)間窗口尺寸的卷積雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)基本模型，第二個(gè)部分為全連接神經(jīng)網(wǎng)絡(luò)集成模型；

步驟4，混合深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練：利用步驟2得到的訓(xùn)練數(shù)據(jù)1和訓(xùn)練數(shù)據(jù)2對(duì)步驟3構(gòu)建的混合深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；首先，利用訓(xùn)練數(shù)據(jù)1對(duì)三個(gè)不同的基本模型進(jìn)行訓(xùn)練，然后，將訓(xùn)練數(shù)據(jù)2輸入訓(xùn)練完成的基本模型，得到初步危險(xiǎn)識(shí)別結(jié)果，最后，利用初步危險(xiǎn)識(shí)別結(jié)果訓(xùn)練全連接神經(jīng)網(wǎng)絡(luò)集成模型；

步驟5，混合深度神經(jīng)網(wǎng)絡(luò)測(cè)試：利用步驟2得到的測(cè)試數(shù)據(jù)對(duì)步驟4訓(xùn)練過(guò)的混合深度神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試，基于基本模型的輸出，利用全連接神經(jīng)網(wǎng)絡(luò)完成危險(xiǎn)識(shí)別功能。

2.根據(jù)權(quán)利要求1所述的基于混合深度神經(jīng)網(wǎng)絡(luò)的危險(xiǎn)識(shí)別方法，其特征在于：所述步驟1中，數(shù)據(jù)收集與歸一化的步驟為：

步驟11，設(shè)收集的報(bào)文數(shù)據(jù)中有i個(gè)參數(shù)，每個(gè)參數(shù)包含j個(gè)數(shù)據(jù)，確定每個(gè)參數(shù)的最大值x_i,max以及最小值x_i,min；

步驟12，通過(guò)以下公式計(jì)算得到歸一化后的參數(shù)值：

3.根據(jù)權(quán)利要求1所述的基于混合深度神經(jīng)網(wǎng)絡(luò)的危險(xiǎn)識(shí)別方法，其特征在于：所述步驟2中，利用滑動(dòng)時(shí)間窗口法分別對(duì)歸一化后的數(shù)據(jù)進(jìn)行預(yù)處理的步驟如下：

步驟21，選用的三個(gè)不同的時(shí)間窗口尺寸為S_TW1，S_TW2和S_TW3，收集到的數(shù)據(jù)包含N個(gè)連續(xù)的時(shí)間點(diǎn)；

步驟22，利用滑動(dòng)時(shí)間窗口法對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，第1至S_TW1個(gè)時(shí)間點(diǎn)的數(shù)據(jù)作為第一組輸入數(shù)據(jù)，第S_TW1+1個(gè)時(shí)間點(diǎn)的危險(xiǎn)值作為第一組數(shù)據(jù)對(duì)應(yīng)的輸出值；向后滑動(dòng)一個(gè)時(shí)間點(diǎn)，第2至S_TW1+1個(gè)時(shí)間點(diǎn)的數(shù)據(jù)作為第二組輸入數(shù)據(jù)，第S_TW1+2個(gè)時(shí)間點(diǎn)的危險(xiǎn)值作為第二組數(shù)據(jù)對(duì)應(yīng)的輸出值，以此類推最終得到n₁組時(shí)間窗口尺寸為S_TW1的數(shù)據(jù)；

步驟23，以時(shí)間窗口尺寸為S_TW2，重復(fù)步驟22，得到n₂組時(shí)間窗口尺寸為S_TW2的數(shù)據(jù)；

步驟24，以時(shí)間窗口尺寸為S_TW3，重復(fù)步驟22，得到n₃組時(shí)間窗口尺寸為S_TW3的數(shù)據(jù)；

步驟25，從步驟22得到的n₁組時(shí)間窗口尺寸為S_TW1的數(shù)據(jù)中，選取第n₁-T至第n₁組數(shù)據(jù)作為測(cè)試數(shù)據(jù)；選取第n₁-T-B至第n₁-T-1組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)2；剩余數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)1；

步驟26，從步驟23得到的n₂組時(shí)間窗口尺寸為S_TW2的數(shù)據(jù)中，選取第n₂-T至第n₂組數(shù)據(jù)作為測(cè)試數(shù)據(jù)；選取第n₂-T-B至第n₂-T-1組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)2；剩余數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)1；

步驟27，從步驟24得到的n₃組時(shí)間窗口尺寸為S_TW3的數(shù)據(jù)中，選取第n₃-T至第n₃組數(shù)據(jù)作為測(cè)試數(shù)據(jù)；選取第n₃-T-B至第n₃-T-1組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)2；剩余數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)1；

步驟28，將步驟25至27中得到的3*T組訓(xùn)練數(shù)據(jù)2，根據(jù)輸出危險(xiǎn)值的時(shí)間點(diǎn)進(jìn)行合并，得到T組新的訓(xùn)練數(shù)據(jù)2，訓(xùn)練數(shù)據(jù)2中每組數(shù)據(jù)包含三個(gè)時(shí)間窗口尺寸的輸入數(shù)據(jù)和一個(gè)輸出數(shù)據(jù)；

步驟29，將步驟25至27中得到的3*B組測(cè)試數(shù)據(jù)，根據(jù)輸出危險(xiǎn)值的時(shí)間點(diǎn)進(jìn)行合并，得到B組測(cè)試數(shù)據(jù)，測(cè)試數(shù)據(jù)中每組數(shù)據(jù)包含三個(gè)時(shí)間窗口尺寸的輸入數(shù)據(jù)和一個(gè)輸出數(shù)據(jù)。