[發明專利]直升機飛行姿態不平衡數據的深度學習識別方法

有效

• 申請號: 202110101522.0
• 申請日: 2021-01-25
• 公開（公告）號: CN112801176B
• 公開（公告）日: 2022-12-06
• 發明（設計）人: 孫闖;李天福;趙志斌;王詩彬;同超瑋;嚴如強;陳雪峰
• 申請（專利權）人: 西安交通大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京中濟緯天專利代理有限公司 11429
• 代理人: 覃婧嬋

1.一種直升機飛行姿態不平衡數據的深度學習識別方法，包括以下步驟：

第一步驟(S1)中，采集直升機飛行姿態數據并歸一化處理，對處理后的飛行姿態數據使用滑窗的方式進行樣本劃分且每個子樣本的長度為L，并將劃分的樣本按預定的類別不平衡率分為成訓練集和測試集；

第二步驟(S2)中，構造卷積神經網絡獲得每個類別數據的預測值，其中卷積神經網絡包括卷積層、池化層和全連接層，在卷積神經網絡的訓練過程中，從訓練集中依次抽取B個樣本從而構造大小為B×L的輸入矩陣，并將其輸入進卷積層進行特征抽取，抽取的特征經過非線性激活后輸入進池化層進行特征降維和進一步特征提取，將獲得的特征輸入全連接層以獲得每個類別數據的預測值；

第三步驟(S3)中，通過在交叉熵損失中增加權重因子和焦聚因子構造焦聚損失，并將其作為卷積神經網絡的損失函數；

所述方法通過調整焦聚損失中的權重因子和焦聚因子，使得卷積神經網絡在樣本不均衡的情況下提高識別精度。

2.根據權利要求1所述的方法，第一步驟(S1)中，優選的，飛行姿態數據歸一化處理的范圍為[0，1]，劃分的每個樣本的長度為1024。

3.根據權利要求1所述的方法，第二步驟(S2)中，構造的卷積神經網絡中包含兩個卷積層和兩個池化層以及兩個全連接層，各層的順序為卷積-池化-卷積-池化-全連接層。

4.根據權利要求1所述的方法，每個類別的概率表示為

焦聚損失則為：

FL(p_t)＝-α_t(1-p_t)^γlog(p_t)，其中y表示樣本的預測值，FL表示焦距損失，p表示真實的分布，α_t表示權重因子，γ＞0表示可調的焦聚因子。

5.根據權利要求1所述的方法，第三步驟(S3)中，識別類別數量的倒數作為權重因子，查看卷積神經網絡在不同的焦聚因子下的結果，選取結果最優的焦聚因子。