[發明專利]一種基于一維卷積神經網絡的直升機飛行狀態識別方法

在審

• 申請號: 202110390010.0
• 申請日: 2021-04-12
• 公開（公告）號: CN113076510A
• 公開（公告）日: 2021-07-06
• 發明（設計）人: 熊邦書;張睿婷;歐巧鳳;李新民
• 申請（專利權）人: 南昌航空大學
• 主分類號: G06F17/10
• 分類號: G06F17/10;G06K9/62;G06N3/04
• 代理公司: 南昌華成聯合知識產權代理事務所(普通合伙) 36126
• 代理人: 張建新

1.一種基于一維卷積神經網絡的直升機飛行狀態識別方法，其特征在于，具體包括以下步驟：

1)去除偏離正常的飛行參數數據段，具體步驟如下：

(1.a)對每一個飛行狀態對應的速度和高度進行可視化；

(1.b)通過參數曲線，確定每個飛行狀態速度和高度的閾值；

(1.c)根據閾值和每個飛行狀態下理想的高度和速度，去除實際高度與速度超過閾值的飛行參數數據段；

2)飛行參數預處理；

3)制作飛行狀態標簽數據集；

4)設計用于飛行狀態識別的一維卷積神經網絡模型，具體步驟如下：

(4.a)確定輸入層，輸入層的數據為每個狀態同一時刻對應的m個飛行參數，以m×1的向量形式輸入網絡；

(4.b)確定特征提取層，特征提取層由卷積層和激活層組成，卷積層對輸入數據進行卷積操作，得到輸入數據的特征，一層卷積由多個卷積核構成，一個卷積核提取一類特征，多類特征組成特征映射圖，第一層卷積包含K₁個卷積核，卷積核均為3×1的大小，第二層卷積包含K₂個卷積核，卷積核均為3×1的大小，第三層卷積包含K₃個卷積核，卷積核均為3×1的大小，每層卷積操作之后都使用ReLU激活函數對輸出進行非線性變換，其表達公式為：

a＝f(y)＝max{0,y}

式中，y表示卷積層的輸出，a表示y的激活值；

(4.c)確定全連接層，全連接層將卷積層獲取的局部特征，通過權值矩陣組裝成完整的圖，實現從特征到標簽的映射，第一層全連接層的輸入數據為最后一層卷積層輸出鋪展成的一維特征向量，包含N₁個神經元，使用ReLU作為激活函數，第二層全連接層為分類層，包含的神經元個數為待識別狀態的總個數N₂，使用Softmax作為激活函數，并對兩層全連接層設置L2正則化，防止過擬合；

(4.d)確定目標函數，目標函數是評價神經網絡輸出與實際目標值一致性的函數，本發明所述目標函數為交叉熵函數，其表達公式為：

式中，y表示某一狀態的真實值，表示狀態的預測值，n表示輸入的迭代批次數量；

5)訓練并保存網絡模型參數；

6)測試數據并獲取每個狀態識別準確率，分別將每個狀態未經訓練的數據集輸入步驟5)訓練好的網絡模型中，運行網絡模型進行測試，獲得每個狀態相應的識別準確率。

2.根據權利要求1所述一種基于一維卷積神經網絡的直升機飛行狀態識別方法，其特征在于，飛行參數預處理具體包括下述步驟：

a)數據去噪，采用樣本分位數確定野點位置，并使用一階差分法替換野點值，對第i時刻飛行參數采樣值x_i，以m為時間窗口，獲取對應子序列對子序列進行樣本分位數求解，得到樣本分位數q_i，設置閾值M，當x_i與q_i的差值超過閾值時，則認為x_i為野點值，采用一階差分法替換該野點值，其表達公式為：

x′_i＝x_i-1+(x_i-1-x_i-2)

式中，x′_i表示修復后第i點數據的值，x_i-1和x_i-2分別表示第i-1和第i-2個點的值；

b)限幅，將第i時刻飛行參數采樣值x_i與直升機實際飛行時所能達到的最大值x_max做比較，若x_i＞x_max，則將x_i限制為x_max的大小；

c)數據平滑，采用均值濾波技術對飛行參數進行濾波，對第i時刻飛行參數采樣值x_i，取其前后各M₁個點，濾波后第i時刻的值等于這2M₁+1個點的平均值；

d)參數擬合，對指示空速、氣壓高度和偏航角這三個飛行參數的每個采樣數據，取其前后各M₂個數據，用最小二乘法進行直線擬合，直線所得斜率為該點對應的參數變換率。