[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

一種基于激光雷達的CNN?RNN機場跑道風切變預警方法。其包括：獲得掃描區域矩陣數據、將矩陣數據帶入注意力機制模型進行預處理、將矩陣數據帶入卷積神經網絡模型進行卷積處理、將近期保留的全連接層數據鏈與卷積處理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；將預測的全連接層數據鏈帶入風切變數據庫中進行匹配并預警。本發明引入了AM模型，來放大矩陣數據中潛在的風切變特征，同時利用深度學習技術對有效的時空數據加以分析，從而來減小誤報率，提高預測的準確性。其綜合數據能力強，具有低漏報率和高識別率的優點，能夠對跑道的低空風切變進行有效的識別，為飛機的安全起降提供了可靠的保障。

技術領域

本發明屬于神經網絡挖掘技術領域，具體涉及一種基于激光雷達的CNN-RNN機場跑道風切變預警方法。

背景技術

低空風切變是一種常見的大氣現象，指飛行高度在600米以下、主要在飛機起降階段發生的短距離內風向或風速的快速變化,具有風速變化多樣性、風切變強度變化劇烈性的特點。據世界氣象組織和國際民航組織統計，低空風切變是對飛機起降階段飛行安全威脅最大的天氣現象，許多重大空難事故均是由低空風切變引起。而在飛機降落時，對于決斷高度以下的風場情況是觀測的重中之重，因此低空風切變會嚴重影響飛機的飛行安全。目前，國內、外針對探測和預報低空風切變展開了積極研究，但低空風切變類型識別研究仍較為匱乏。由于不同類型風切變對飛機飛行影響存在極大差別，因此風切變類型識別對保障飛行安全具有重要意義。

風切變預警方法多種多樣，到現在為止，并沒有一種統一的方法，且這些方法都以一定的局限性：可以利用F因子來預警低空風切變，但F因子的閾值并沒有明確規定，仍以經驗為主，這不可避免地會降低預警的準確度；可以利用單雙斜坡結合的算法來預警風切變，但該算法只能預警大尺度風切變；基于主成分分析(Principal Component Analysis)和相位差校正法的風切變預警算法本身就存在一定的問題且結果不夠準確，同時，多普勒頻移和風切變閾值還需要進一步通過經驗確定。鑒于現有算法存在著不足，隨著深度學習技術的快速發展，利用深度學習技術開展風切變預測成為必然趨勢。

發明內容

為了解決上述問題，本發明的目的在于提供一種基于激光雷達的CNN-RNN機場跑道風切變預警方法，其綜合數據能力強，具有低漏報率和高識別率的優點，能夠對跑道的低空風氣變進行有效的識別，為飛機的安全起降提供了可靠的保障。

為了達到上述目的，本發明提供的基于激光雷達的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。