[發明專利]一種基于神經網絡的尾渦識別方法

有效

• 申請號: 202011269486.0
• 申請日: 2020-11-13
• 公開（公告）號: CN112488159B
• 公開（公告）日: 2022-10-21
• 發明（設計）人: 潘衛軍;殷浩然;張衡衡;羅玉明;韓帥;王昊;王玄;王潤東;左青海
• 申請（專利權）人: 中國民用航空飛行學院;潘衛軍;殷浩然
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G01S7/48;G01S17/42;G01S17/58
• 代理公司: 四川力久律師事務所 51221
• 代理人: 韓洋

本發明涉及航空技術領域，特別涉及一種基于神經網絡的尾渦識別方法。方法步驟包括：S1，獲取尾渦探測激光雷達數據；S2，根據激光雷達數據計算徑向速度極差數組、角度速度極差數組和平均背景風場速度；S3，提取出徑向速度極差數組中的最大值作為數組的徑向速度極差特征參數，以及提取出角度速度極差數組中的最大值作為數組的角度速度極差特征參數；S4，將數組的徑向速度極差特征參數、數組的角度速度極差特征參數和平均背景風場速度代入預先訓練好的尾渦識別神經網絡模型中，得出有尾渦或無尾渦的判定。由于采用激光雷達探測數據進行尾渦識別，識別模型迭代次數相對較少，識別效果比較好，運行速度更快。

技術領域

本發明涉及航空技術領域，特別涉及一種基于神經網絡的尾渦識別方法。

背景技術

尾渦也就是尾流，是指在飛行時，由于翼尖處上下表面的空氣動力壓力差，產生一對繞著翼尖的閉合渦旋，通常尾渦在飛機起飛前輪抬起時產生，在著陸時前輪接地即結束。當后面的飛機進入前面飛機的尾渦區時，會出現飛機抖動、下沉、改變飛行狀態、發動機停車甚至翻轉等現象。小型飛機尾隨大型飛機起飛或著陸時，若進入前機尾流中，處置不當還會發生事故。因此，在飛機起飛和降落時，對飛機尾渦的準確識別對飛機起降的安全性相當重要。

作為本領域最接近的現有技術中，專利《基于卷積神經網絡的航空器尾渦識別方法及系統》(公開號CN110210568A)將采集到的尾渦探測圖像輸入到預先訓練好的卷積神經網絡模型中，對尾渦探測圖像進行識別，輸出識別到尾渦的概率值和未識別到尾渦的概率值；若識別到尾渦的概率值大于未識別到尾渦的概率值，則識別出所述待識別的航空器尾渦探測圖像中存在尾渦，反之則識別出所述待識別的航空器尾渦探測圖像中不存在尾渦。雖然該專利的技術方案識別準確度高，但是，存在以下問題：由于用于判別的數據是圖像，基于圖像的運算量大，識別速度相對也較慢，用于判斷尾渦是否存在的數據也較為單一。

發明內容

本發明的目的在于，為了克服上述識別速度相對較慢，用于判斷尾渦是否存在的數據也較為單一的問題，對現有的基于神經網絡模型尾渦判別方法進行了改進，基于激光雷達數據，進行數據處理和識別，提出了一種基于神經網絡的尾渦識別方法。

為了實現上述發明目的，本發明提供了以下技術方案：

一種基于神經網絡的尾渦識別方法，包括以下步驟：

S1，獲取尾渦探測激光雷達數據，所述激光雷達數據包括激光雷達探測的距離值、激光雷達探測的俯仰角值以及徑向速度；

S2，根據所述激光雷達數據計算徑向速度極差數組、角度速度極差數組和平均背景風場速度；

S3，提取出所述徑向速度極差數組中最大徑向速度極差特征參數作為數組的徑向速度極差特征參數，并提取出所述角度速度極差數組中最大角度速度極差特征參數值作為數組的角度速度極差特征參數；

S4，將所述數組的徑向速度極差特征參數、數組的角度速度極差特征參數和平均背景風場速度代入預先訓練好的尾渦識別神經網絡模型中，得出有尾渦或無尾渦的判定。

作為本發明的優選方案，步驟S4中所述尾渦識別神經網絡模型的訓練過程，包括以下步驟：

S41，將獲取的尾渦的激光雷達數據進行標注，得到標注的激光雷達數據，標注內容包括：數據的ID號、是否存在尾渦的標簽以及特征值標記；

S42，根據所述標注的激光雷達數據計算輸入特征參數，所述輸入特征參數包括徑向速度極差、角度速度極差和平均背景風場速度；

S43，將所述輸入特征參數輸入BP神經網絡，輸出是否有尾渦的輸出值；

S44，根據所述輸出值和所述是否存在尾渦的標簽，獲取正確識別尾渦的比率，并更新所述BP神經網絡的參數；