[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

公開直升機飛行姿態不平衡數據的深度學習識別方法，包括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進行樣本劃分，并將劃分的樣本按類別不平衡率分為訓練集和測試集；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。輸入矩陣經過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；構造焦聚損失，并將其作為卷積神經網絡的損失函數，通過焦聚損失中的權重因子和焦聚因子調整樣本的權重。從而使網絡能夠在樣本不均衡的情況下提取到具有價值的信息，提高網絡在樣本不均衡下的識別精度。

技術領域

本公開屬于直升機飛行姿態識別領域，特別是一種直升機飛行姿態不平衡數據的深度學習識別方法。

背景技術

直升機作為低空飛行的主要航空飛行器，無論在國家軍事安全領域，還是民生工業領域都發揮著舉足輕重的作用。由于直升機靈活機動的特點，其飛行姿態具有多樣性，而在不同飛行姿態時，直升機動部件和有壽件承載的載荷復雜多變，容易造成損傷差異，致使直升機故障頻發。對直升機飛機姿態的正確識別，可以建立直升機各個部件與其實測載荷譜的一一對應關系，為各部件壽命預測和直升機的健康管理提供重要依據。然而，由于獲取直升機的實飛數據獲取困難以及飛行模式特點等原因，部分動作往往難以得到足夠多樣本，導致各個飛行姿態之間存在數據不平衡的現象，因此在智能診斷模型的訓練中，這些少數樣本類別自然而然會陷入欠擬合的困境，致使無法準確的識別出直升機的飛行狀態。

在背景技術部分中公開的上述信息僅僅用于增強對本發明背景的理解，因此可能包含不構成在本國中本領域普通技術人員公知的現有技術的信息。

發明內容

針對現有技術中存在的不足，本公開的目的在于提出一種直升機飛行姿態不平衡數據的深度學習識別方法，基于焦聚損失的網絡損失函數，理論簡單，不需要構造復雜模型，可以在深度網絡學習過程中通過焦聚損失中的權重因子和焦聚因子來調整樣本的權重，若樣本不易分類，則增加其權重使模型更加關注該樣本，反之，若樣本易分類則降低其權重，從而提高模型在直升機飛行姿態不平衡數據下的識別精度。

為實現上述目的，本公開提供以下技術方案：

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如下步驟：

第一步驟中，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訓練集和測試集；

第二步驟中，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。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。

所述的方法中，第一步驟中，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L為1024。

所述的方法中，第二步驟中，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。