[發明專利]一種基于激光雷達的CNN-RNN機場跑道風切變預警方法

在審

• 申請號: 202210411064.5
• 申請日: 2022-04-19
• 公開（公告）號: CN114779278A
• 公開（公告）日: 2022-07-22
• 發明（設計）人: 莊子波;劉偉領;陳星;史雨涵;邢志偉;臺宏達;鄧錚
• 申請（專利權）人: 中國民航大學
• 主分類號: G01S17/95
• 分類號: G01S17/95;G01S7/48;G06N3/04;G06N3/08
• 代理公司: 天津才智專利商標代理有限公司 12108
• 代理人: 龐學欣

1.一種基于激光雷達的CNN-RNN機場跑道風切變預警方法，其特征在于：所述基于激光雷達的CNN-RNN機場跑道風切變預警方法包括按順序進行的下列步驟：

1)設定激光雷達的設置位置、掃描角度、掃描模式及掃描區域，利用激光雷達對掃描區域掃描得到的回波數據計算出單條激光射線上的等距徑向風速數據，然后將掃描區域劃分成若干個0.5海里*0.5海里的區域，由每個區域內的所有徑向風速數據組成一個矩陣數據，因此掃描區域區共獲得若干個矩陣數據；

2)將上述矩陣數據帶入注意力機制模型進行預處理，當矩陣數據內存在與周圍臨近數據相差較大的徑向風速數據時，降低其權重，而當其周圍臨近數據多次出現時，提高其權重，獲得預處理后的矩陣數據；

3)將最新更新的預處理后的矩陣數據帶入卷積神經網絡模型進行卷積處理，并輸出可供計算機識別的全連接層數據鏈；

4)將近期保留的全連接層數據鏈與由步驟3)獲得的全連接層數據鏈一起帶入循環神經網絡模型中進行處理，輸出預測的全連接層數據鏈；

5)將上述預測的全連接層數據鏈帶入風切變數據庫中，與風切變數據庫中保存的全連接層數據鏈進行對比，若找到相似度超過85％的全連接層數據鏈，表明兩者匹配度高，則根據與其相匹配的全連接層數據鏈所對應的風切變強度輸出相應等級的預警信號，否則不進行預警。

2.根據權利要求1所述的基于激光雷達的CNN-RNN機場跑道風切變預警方法，其特征在于：在步驟1)中，所述激光雷達的設置位置、掃描角度、掃描模式及掃描區域為：激光雷達設置在機場上距離跑道中心線橫向50-60米處，發出的激光中心束在地面上的投影平行于跑道，仰角為3°，采取PPI掃描模式，掃描區域為整個飛機的下降區域。

3.根據權利要求1所述的基于激光雷達的CNN-RNN機場跑道風切變預警方法，其特征在于：在步驟2)中，所述將上述矩陣數據帶入注意力機制模型進行預處理，當矩陣數據內存在與周圍臨近數據相差較大的徑向風速數據時，降低其權重，而當其周圍臨近數據多次出現時，提高其權重的具體方法為：(1)當某個徑向風速數據與其周圍臨近數據相差較大，且其周圍臨近數據出現的次數較少時，對其賦予0-0.6的權重；(2)當其周圍臨近數據多次出現時，則對該徑向風速數據賦予1-1.5的權重。

4.根據權利要求1所述的基于激光雷達的CNN-RNN機場跑道風切變預警方法，其特征在于：在步驟3)中，所述最新更新的矩陣數據是指近3min內的矩陣數據；所述將最新更新的預處理后的矩陣數據帶入卷積神經網絡模型進行卷積處理，并輸出可供計算機識別的全連接層數據鏈的具體方法如下：(1)在卷積層中，將預處理后的矩陣數據乘以卷積核而進行卷積處理，由此提取出風切變信息的主要特征；(2)在池化層中，以在2*2矩陣中選取最大值為原則，對卷積處理后的矩陣數據進行池化處理，由此將風切變信息進行簡化；(3)若池化層輸出的矩陣數據規模超過所設定的閾值，重新進行上述卷積和池化處理，直至輸出的矩陣數據規模不超過所設定的閾值為止；(4)將池化層輸出的矩陣數據進行全連接，輸出全連接層數據鏈，以方便計算機讀取。

5.根據權利要求1所述的基于激光雷達的CNN-RNN機場跑道風切變預警方法，其特征在于：在步驟4)中，所述近期保留的全連接層數據鏈包括：(1)近十幾個掃描周期內，循環神經網絡模型中隱藏層和最終的輸出；(2)近十幾個掃描周期內，卷積神經網絡模型的輸出；在將這些近期保留的全連接層數據鏈與步驟3)獲得的全連接層數據鏈一起帶入循環神經網絡模型時，在輸入口處將通過全連接權重(V、U、Y)來區分重要程度，這樣權重高的信息將會被關注，權重低的信息會被抑制。