CN101853531A - 基于预分类技术和rbf神经网络的直升机飞行状态识别方法 - Google Patents

Abstract

本发明公开了一种基于预分类技术和RBF神经网络的直升机飞行状态识别方法。该方法首先将需识别的飞行状态分为10小类，并为每一类设计用于飞行状态进一步识别的RBF神经网络；在对某一飞行数据进行飞行状态识别时，先根据某些飞行参数将飞行数据归类于10小类中，之后将其输入每一小类对应的RBF神经网络，进行飞行状态的准确识别。该方法通过预分类技术，减少了每个神经网络需识别的状态，从而提高了利用神经网络识别直升机飞行状态的识别率。

Description

基于预分类技术和RBF神经网络的直升机飞行状态识别方法

技术领域

本发明属于直升机飞行状态识别技术研究领域，具体涉及一种基于预分类技术和RBF神经网络的直升机飞行状态识别方法。

背景技术

因为直升机存在大量的动部件，所以使得直升机事故率是固定翼飞机的40倍左右，因此对于直升机开展故障诊断和寿命预测的研究就变得尤为重要。而获得直升机的飞行状态是进行直升机故障诊断和寿命预测的先决条件之一。

目前获得飞行状态的方法，还主要依靠人工来进行，通过飞行员的语音和手动状态开关脉冲信号来获得直升机在飞行中的飞行状态。这种方法存在以下缺点：一、人工获得飞行状态的方法使得飞行员在飞行时负担增加，不利于飞行安全；二、飞行员容易受到干扰而给出错误的信息，因此使得所获得的飞行状态同实际的飞行状态间存在偏差。

直升机在飞行时，安装的多种传感器可以针对各种飞行参数进行测量，并将测量结果保存为对应的飞行数据。通过对这些飞行数据进行处理，来获得飞行时的飞行状态，就可以避免使用人工方法获得飞行状态时存在的问题。

但是由于直升机飞行参数在测量中不可避免的会引入外干扰和交联耦合效应，同时飞行参数常常又是随时间动态变化的，即使在同一种飞行状态下，各种参数也是变化着的，所以飞行状态与各监测的飞行参数的关系常服从复杂的非线性关系。神经网络因具有良好的逼近非线性映射能力，以及容错和泛化的能力，在状态识别研究领域中被广泛的使用。通过神经网络对直升机飞行时的飞行数据进行识别，获得与飞行数据相对应的飞行状态，是获得直升机飞行状态的一种方法。但直升机的飞行状态多达数十种，而神经网络的识别率随着需识别状态的增加降低，这成为使用神经网络对直升机飞行状进行识别中一个急需解决的问题。

发明内容

本发明的目的是：克服在使用神经网络技术对直升机状态识别的过程中，识别率随着需识别的飞行状态增加而下降的问题，提供一种基于预分类技术和RBF(Radial BasisFunction，径向基函数)神经网络的直升机飞行状态识别方法。

本发明提供的基于预分类技术和RBF神经网络的直升机飞行状态识别方法的具体步骤如下：

步骤一、对直升机需识别的飞行状态进行归类；将直升机需要识别的飞行状态先按照是否转弯分为转弯与非转弯两类，将非转弯状态的飞行状态再分为高空高速、低空高速和低空低速三类飞行状态，再根据速度范围将高空高速和低空低速的飞行状态予以细分，具体是根据直升机的最小速度、过渡速度、久航速度、远航速度以及最大速度进行分类，将低空低速的飞行状态细分为两类：最小速度、最小速度至过渡速度，将高空高速的飞行状态细分为六类：过渡速度、久航速度、远航速度、最大速度，以及在久航速度和远航速度之间任意划分得的两类；最终将直升机所有需要识别的飞行状态分为十个小类；

对于某些变速和变高度状态，采用的方法是将其分在了几个状态小类当中；

步骤二、为步骤一中分得的各小类设计用于飞行状态进一步辨识的径向基函数RBF神经网络；

如果某小类中只包含一个状态，则不需要对该小类设计进一步识别的RBF神经网络；

步骤三、对要进行飞行状态识别的飞行数据处理；首先对飞行数据进行去野点、限幅及平滑处理，然后对需要使用变化率的飞行数据进行拟合求得变化率，最后对飞行数据进行归一化处理；

步骤四、将经过步骤三处理的飞行数据根据偏航角变换率、气压高度和指示空速预分类到步骤一中所划分的十个小类的飞行状态中：

首先根据偏航角变化率ΔCOSI将飞行数据分为转弯和非转弯两类，当ΔCOSI＞0或者ΔCOSI＜0时为转弯状态，当ΔCOSI＝0时则为非转弯状态；

其次根据气压高度Hp和指示空速Vi的阈值k_Hp和k_Vi，将非转弯状态的飞行数据按照气压高度和指示空速同阈值的比较情况分类，若Hp≥k_Hp且Vi≥k_Hp则划分为高空高速飞行状态一类，若Hp＜k_Hp且Vi≥k_Vi则归为低空高速飞行状态一类，若Hp＜k_Hp且Vi＜k_Vi则划分为低空低速飞行状态一类；

最后，将划分为高空高速和低空低速飞行状态的飞行数据，根据指示空速Vi的范围进一步归为步骤一中所划分的小类中；

步骤五、将归为各小类的飞行数据输入至各小类设计的RBF神经网络中，进一步辨识出所对应的飞行状态。

本发明的直升机飞行状态识别方法，其优点和积极效果在于：

(1)通过RBF神经网络根据直升机飞行时的飞行数据对飞行状态进行识别，避免使用人工方法时易受干扰，识别率低的问题，提高了飞行状态识别的准确率；

(2)通过预分类技术，解决了使用神经网络进行直升机飞行状态识别时，状态识别率随需识别状态数量增加而降低的问题。

附图说明

图1是本发明的直升机飞行状态识别方法的步骤流程图；

图2是本发明所采用的RBF神经网络结构示意图；

图3是本发明实施例对三组飞行数据采用本发明方法进行测试的结果示意图；

图4是直升机的飞行包线。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

以某型号直升机的飞行数据为例，使用本发明所提供的基于预分类技术和RBF神经网络的直升机飞行状态识别方法对其飞行状态进行识别，如图1所示，具体步骤如下：

步骤一、对需识别的35种飞行状态进行归类；

表1所示为该型号直升机飞行时的飞行状态，共有42种。其中需要辨识的飞行状态为35种，表1中的4、7、8、9、10、11和32这7个状态不需要辨识。

表1 直升机的飞行状态

代号	飞行状态	代号	飞行状态
				1	有地效悬停	22	以180km/h速度平飞，左侧滑角10°
2	无地效悬停	23	以180km/h速度平飞，右侧滑角10°
				3	后飞	24	以远航速度平飞，侧滑角0°
4	后飞转小速度前飞	25	以远航速度平飞，左侧滑角10°
				5	右侧飞	26	以远航速度平飞，右侧滑角10°
6	左侧飞	27	以最大巡航速度平飞，侧滑角0°
				7	有阵风时左侧飞	28	以最大巡航速度平飞，左侧滑角5°
8	悬停右回转并过渡到悬停	29	以最大巡航速度平飞，右侧滑角5°
				9	悬停左回转并过渡到悬停	30	水平减速
10	有阵风时悬停左回转并过渡到悬停	31	水平加速
				11	最大阵风时，悬停左回转并过渡到悬停	32	以不可逾越速度飞行
12	垂直上升	33	俯冲
				13	斜向爬升	34	俯冲拉起
14	以最大连续功率斜向爬升	35	以久航速度水平转弯或盘旋

代号	飞行状态	代号	飞行状态
				15	上升转弯或盘旋上升	36	以180km/h速度水平转弯
16	起飞增速	37	以最大巡航速度转弯
				17	以过渡速度平飞	38	自转
18	以久航速度平飞，侧滑角0°	39	进场、下滑、减速
				19	以久航速度平飞，左侧滑角10°	40	拉平着陆
20	以久航速度平飞，右侧滑角10°	41	垂直下降
				21	以180km/h速度平飞，侧滑角0°	42	地面慢车

将这35个状态按照直升机是否转弯分为两大类，既转弯状态和非转弯状态。在非转弯状态中，可以按照高/低空、高/低速分为三大类，即高空高速、低空高速和低空低速三大类，高空低速的这种状态不存在。如图4所示的直升机的飞行包线，直升机的气压高度范围在100～600米左右，飞行速度在0～230千米/小时左右，因此本发明中将区别直升机高低空的阈值定为270米，高低速的阈值定为75千米/小时。其中，高空指直升机的气压高度大于等于270米，低空指直升机的气压高度小于270米，低速指直升机的指示空速小于75千米/小时，高速指直升机的指示空速大于等于75千米/小时。在以上三大类状态中，根据速度值再予以细分，如表2，其中分类依据中速度范围的划分根据该型直升机最小速度(＜4km/h千米/小时)，最小速度至过渡速度(4～74km/h)，过渡速度(75～94km/h)，久航速度(94～130km/h)，远航速度(190～215km/h)，久航速度和远航速度之间为便于飞行状态的细化，将其在分为两类(130～170km/h和170～190km/h)，以及最大速度(即最大功率)，最终将35种飞行状态分为0～9十个小类。针对不同型号的直升机，虽然其速度范围不同，但同样可以按照上述方法根据该型直升机的最小速度、过渡速度、久航速度、远航速度以及最大速度进行分类。其中，低空高速的这一类包含的飞行状态只有一种，故该小类不需再根据飞行速度细分。

表2 分类方法说明

需要说明的是，为了尽可能提高分类的正确率，对于某些变速和变高度状态，采用的方法是将其分在了几个状态小类当中。如表2中，例如直升机的飞行状态代号为30的水平减速状态因为变速，分在了飞行状态第2、3、4、5小类中。

步骤二、为0～9每一个小类设计用于飞行状态进一步辨识的RBF神经网络：

在步骤一中将所有的飞行状态分成了10个小类，编号为0到9，其中小类7只含有一个状态，故不需要再进行识别，其他9个小类需要使用RBF神经网络对飞行状态进行进一步识别。

RBF(Radial Basis Function，径向基函数)神经网络由输入层、隐含层和输出层组成，其中输入层和隐含层之间由高斯函数映射构成，输出层与隐含层由线性函数映射构成。其结构如附图2所示。其中x₁～x_n为输入层的输入向量，维数为n，h₁～h_m为隐含层节点，节点个数为m；y₁～y_k为输出层向量维数，维数为k，其中，n、m、k为大于0的整数。

飞行状态识别可用的参数如表3所示，其中1～23为直升机飞行时记录的飞行参数，24～26为飞行参数中指示空速、无线电高度和偏航角的变化率。

表3 飞行状态识别可用的参数列表

本发明实施例中，需要再进一步设计用于每一小类飞行状态识别的RBF神经网络。用于每一小类飞行状态识别的RBF神经网络的输入层向量维数n、隐含层节点数m以及输出层向量维数k的选择见表4。其中状态类别为对应的表2中的小类编号，输入层向量维数n等于用于该小类飞行状态进一步识别的神经网络输入向量的种类，也是表3中用于识别该小类飞行状态所需要的飞行参数个数，以状态类别0为例，用于该小类飞行状态进一步识别的RBF神经网络的输入层向量维数为3，且输入层向量的种类为1、9和25，该代号同表3飞行状态识别可用的参数代号相对应。输出层向量维数k同该小类所对应的飞行状态个数相等，如表2的状态类别一列所示。隐含层节点数首先可以根据经验公式选取，经验公式如(11)式所示：

$m=\sqrt{n+k}+d---\left(11\right)$

其中：m为隐含层节点数，n为输入层向量维数，k为输出层向量维数，d为1～10之间的常数。可以根据神经网络实际训练情况对隐含层节点数进行修改，若神经网络收敛缓慢，可以减少隐含层节点数，若神经网络精度达不到要求，可适当增加隐含层节点的数目。

表4 用于各类飞行状态识别的RBF神经网络参数列表

状态类别	输入层向量维数n	隐含层节点数m	输出层向量维数k	输入层向量种类
					0	3	12	4	1/9/25
1	3	12	5	4/24/25
					2	3	12	6	4/24/25

状态类别	输入层向量维数n	隐含层节点数m	输出层向量维数k	输入层向量种类
					3	3	12	6	4/24/25
4	3	12	4	4/24/25
					5	3	16	9	4/24/25
6	3	12	4	4/24/25
					8	6	16	4	2/4/9/10/11/12
9	6	16	7	2/4/9/10/11/12

RBF神经网络的输出y_k，如图2所示，如(12)式所示：

$y_k=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{ik}}{h}_i---\left(12\right)$

式中w₁₁～w_1k……w_m1～w_mk为神经网络权值；h₁～h_m为神经网络的径向基函数，在这里选取高斯函数，高斯函数的表达式如(13)式所示：

$h_i\left(\stackrel{\→}{x}\right)=\exp [-\frac{{\left|\right|\stackrel{\→}{x}{-c}_i\left|\right|}^2}{{2\mathrm{\σ}}_i^2}],i=\mathrm{1,2},......m---\left(13\right)$

式中

为n维的输入向量，c_i是第i个径向基函数的中心，是与

具有相同维数的向量，σ_i是第i个感知器变量，‖‖表示欧拉范数，m、n、k为大于0的整数。

对(13)式中RBF神经网络结构参数c_i和σ_i使用K均值算法确定，通过梯度下降法来对RBF神经网络进行训练，确定(12)式中神经网络权值w₁₁～w_1k……w_m1～w_mk，进而完成用于每一小类飞行状态进一步识别的RBF神经网络的设计，下面以表2中小类编号为0的一类飞行状态为例说明一下。

表2中小类编号为0的一类飞行状态对应表4状态类别0的一类，该类包含的飞行状态有15(上升转弯或盘旋上升)、35(以久航速度水平转弯或盘旋)、36(以180km\h速度水平转弯)、37(以最大巡航速度转弯)，对这几种飞行状态再次进行编码，例如，状态15为1，状态35为2，状态36为3，状态37为4。RBF神经网络的输出层向量维数同该小类所包含的飞行状态数相同，对于状态类别0来说，用于其飞行状态进一步识别的RBF神经网络输出层向量维数为4。在对该小类的RBF神经网络进行训练时，使得输出层每一维输出向量对应一种飞行状态，例如用y₁代表飞行状态15，通过公式(12)对该神经网络进行训练。

当训练完毕，对一组飞行数据进行判断时，比较神经网络输出层每一维向量同编码值的相似程度，可以设置一个阈值，判断输出向量是否在该阈值的范围内，若某一维的输出向量与编码值符合，则识别结果为输出向量所对应的飞行状态。

步骤三：对要进行飞行状态识别的飞行数据进行处理：

由于直升机上携带的传感器众多，工作环境恶劣，受到的干扰多，所以对飞行数据进行飞行状态识别之前，需要对这些飞行数据进行处理，处理的方法如下：

(1)对飞行数据进行去野点、限幅及平滑处理：

野点指飞行数据中某采样点的值和其前后一个采样点的值之间的变化梯度是直升机在实际飞行情况下一个采样周期内不可能达到的，产生野点的原因是数据丢失或者严重的干扰。设飞行参数的一组飞行数据中一个飞行数据p在采样时刻t的值为p(t)，前一个采样时刻的值为p(t-1)，求得在该采样周期的变化梯度Δp如式(14)：

Δp＝|p(t)-p(t-1)|                                         (14)

将该梯度值同该飞行参数在一个采样周期内能够达到的最大梯度值Δp_max进行比较，若Δp≥Δp_max，则认为p(t)是野点，将其剔除；

限幅是将飞行数据中不符合直升机实际飞行情况的点剔除，同样设飞行参数的一组飞行数据中一个飞行数据p在采样时刻t的值为p(t)，将其同该飞行参数在直升机实际飞行时所能达到的最大值p_max及最小值p_min做比较，若p(t)＞p_max或p(t)＜p_min，则将t时刻这一飞行参数的值从飞行数据中剔除；

平滑是用滤波技术对飞行数据进行滤波，滤去在飞行数据采集过程中，由于传感器受到干扰而产生的噪声信号。对飞行数据使用的滤波方法为均值率波方法：设飞行参数的一组飞行数据中一个飞行数据p在采样时刻t的值为p(t)，取其前后各r个点，令p点的值等于这2r+1个点的值的平均值，即：

$p\left(t\right)=\underset{i=t-r}{\overset{t+r}{\mathrm{\Σ}}}\frac{p\left(i\right)}{2r+1}---\left(15\right)$

(2)对需要使用变化率的飞行数据进行拟合，求得变化率：

用于识别飞行状态的飞行参数中包括速度(指表3中指示空速)、高度(指表3中气压高度)和偏航角的变化率，因此，需要对速度、高度和偏航角数据进行拟合来得到相应的变化率。

对上述三种飞行参数的飞行数据中的每一点，取其之前和之后各n个点，进行最小二乘拟合，即用最小二乘方法进行直线的拟合，直线的斜率即所要得到的变化率。

设j是参与拟合的点的个数，即为j＝2r+1，r为自然数。设直线的函数形式是y＝a+bt。实验测得的数据为(t₁，y₁)，(t₂，y₂)，…，(t_j，y_j)：，对t₁，t₂，…，t_j，y的最佳值(回归值)是a+bt₁，a+bt₂，…，a+bt_j。用最小二乘原理推导a，b之值，应满足y的测量值y_i和回归值a+bt_i之差的平方和取极小，即：

$\underset{i=1}{\overset{j}{\mathrm{\Σ}}}{[y_i-(a+{\mathrm{bt}}_i)]}^2=\min ---\left(16\right)$

选择a，b使式(16)取极小值的必要条件是：

$\left\{\begin{array}{c}\frac{\∂}{\∂a}\underset{i=1}{\overset{j}{\mathrm{\Σ}}}{[y_i-(a+{\mathrm{bt}}_i)]}^2=0\\ \frac{\∂}{\∂b}\underset{i=1}{\overset{j}{\mathrm{\Σ}}}{[y_i-(a+{\mathrm{bt}}_i)]}^2=0\end{array}\right.---\left(17\right)$

进一步推导有：

$\left\{\begin{array}{c}\underset{i=1}{\overset{j}{\mathrm{\Σ}}}2[y_i-(a+{\mathrm{bt}}_i)](-1)=0\\ \underset{i=1}{\overset{j}{\mathrm{\Σ}}}2[y_i-(a+{\mathrm{bt}}_i)](-t_i)=0\end{array}\right.---\left(18\right)$

整理之后可以得到：

$\left\{\begin{array}{c}\mathrm{ak}+b\underset{i=1}{\overset{j}{\mathrm{\Σ}}}{t}_i=\underset{i=1}{\overset{j}{\mathrm{\Σ}}}{y}_i\\ a\underset{i=1}{\overset{j}{\mathrm{\Σ}}}{t}_i+b\underset{i=1}{\overset{j}{\mathrm{\Σ}}}{t}_i^2=\underset{i=1}{\overset{j}{\mathrm{\Σ}}}{t}_i{y}_i\end{array}\right.---\left(19\right)$

从中可以解得：

$\left\{\begin{array}{c}b=\frac{\mathrm{\Σ}{t}_i\mathrm{\Σ}{y}_i-\mathrm{j\Σ}{t}_i{y}_i}{{\left(\mathrm{\Σ}{t}_i\right)}^2-\mathrm{j\Σ}{t}_i^2}\\ a=\frac{\mathrm{\Σ}{t}_i{y}_i\mathrm{\Σ}{t}_i-\mathrm{\Σ}{y}_i{t}_i^2}{{\left(\mathrm{\Σ}{t}_i\right)}^2-\mathrm{j\Σ}{t}_i^2}\end{array}\right.---\left(20\right)$

式中，a，b称为回归系数，t为时间，y为速度(或高度、偏航角)的数值，拟合后得到的各点的b值即为该点的变化率。

(3)对飞行数据进行归一化处理：

神经网络中某个神经元的输入总和作为激励函数的输入，激励函数运算的结果作为该神经元的输出。激励函数选用Sigmoid函数，而Sigmoid函数的特点是对输入激励产生一个局部化的响应。在远离0的区域函数值的变化极为平坦，即仅当输入落在零附近一个很小的指定区域中，Sigmoid函数才作出有意义响应，响应值在0到1之间。而当输入值过大或者过小，那么神经元将接近饱和。作为飞行状态识别的飞行参数有二十多个，各参数量纲不同、大小迥异，所以在使用这些参数这前，有必要对各飞行参数的飞行数据进行归一化处理。归一化公式采用如下的公式：

$y=\frac{x-\frac{1}{2}(x_{\max }+x_{\min })}{\frac{1}{2}(x_{\max }-x_{\min })}---\left(21\right)$

式中：y为归一化处理后飞行数据值；x为处理前某一飞行数据值；x_max为该飞行参数对应的飞行数据的最大值；x_min为其最小值。经过归一化处理，各飞行参数的值域被转化到[-1，1]的范围。

步骤四：将经过前三步处理的飞行数据根据偏航角变换率，气压高度和指示空速预分类到第一步所划分0～9十小类的飞行状态中：

根据偏航角的变化率ΔCOSI将飞行数据分为转弯和非转弯两类，当ΔCOSI＞0或者ΔCOSI＜0时为转弯状态，当ΔCOSI＝0时则为非转弯状态，将划分为转弯状态的飞行数据归为表2中的第0类。

设气压高度Hp和指示空速Vi的阈值分别为k_Hp和K_Vi，取k_Hp为270米，k_Vi为75千米/小时；将划分为非转弯状态的飞行数据按照气压高度和指示空速同阈值的比较情况，再分为高空高速、低空高速、低空低速三类，若Hp≥k_Hp且Vi≥k_Hp则划分为高空高速飞行状态一类，若Hp＜k_Hp且Vi≥k_Vi则归为低空高速飞行状态一类，若Hp＜k_Hp且Vi＜k_Vi则划分为低空低速飞行状态一类。

分为高空高速状态的飞行数据，先根据总距位移w_f，将总距位移达到最大的飞行数据归为表2中的第1类，其余的飞行数据再根据指示空速Vi的范围归为表2中的第2～6类；分为低空高速状态的飞行数据归为表2中的第7类；分为低空低速状态的飞行数据，根据指示空速的范围归为表2中的第8～9类。

经过上述划分就对需要飞行状态识别的飞行数据进行了预分类。其中偏航角变化率的阈值k_ΔCOSI以及气压高度和指示空速的阈值k_Vi和k_Hp的选取根据具体直升机的型号来确定。

步骤五：将归为各小类的飞行数据输入为各小类设计的RBF神经网络中，进一步辨识出所对应的飞行状态。

本发明实施例中，测试中设三个飞行状态的编码值为：远航速度平飞(侧滑角0°)编码0，以远航速度平飞(左侧滑角10°)编码1，以远航速度平飞(右侧滑角10°)编码-1，当输出值与编码值的差小于0.5时，认为识别结果是正确的。如图3所示，1)远航速度平飞(侧滑角0°)的结果示意图中，目标状态编码值为0，将6000个采样点所得的飞行数据应用本发明的状态识别方法，其输出状态编码值在阈值0.5与-0.5之间的确定飞行状态为远航速度平飞(侧滑角0°)，超出阈值的不能够识别为该飞行状态。同样，2)远航速度平飞(左侧滑角10°)的示意图中，目标状态编码值为1，取7000个采样点，输出状态编码值的阈值为0.5与1.5；3)远航速度平飞(右侧滑角10°)的示意图中，目标状态编码值为-1，取5000个采样点，输出状态编码值的阈值为-0.5与-1.5。最终，三个飞行状态的识别结果经统计正确率分别为97.5％、100％和96.1％，飞行状态的平均识别正确率为98.1％，该识别率达到飞行数据状态分类的要求。

Claims (8)

1.一种基于预分类技术和RBF神经网络的直升机飞行状态识别方法，其特征在于，包括以下步骤：

步骤一、对直升机需识别的飞行状态进行归类；将直升机需要识别的飞行状态先按照是否转弯分为转弯与非转弯两类，将非转弯状态的飞行状态再分为高空高速、低空高速和低空低速三类飞行状态，再根据速度范围将高空高速和低空低速的飞行状态予以细分，具体是根据直升机的最小速度、过渡速度、久航速度、远航速度以及最大速度进行分类，将低空低速的飞行状态细分为两类：最小速度、最小速度至过渡速度，将高空高速的飞行状态细分为六类：过渡速度、久航速度、远航速度、最大速度，以及在久航速度和远航速度之间任意划分得的两类；最终将直升机所有需要识别的飞行状态分为十个小类；

对于某些变速和变高度状态，采用的方法是将其分在了几个状态小类当中；

步骤二、为步骤一中分得的各小类设计用于飞行状态进一步辨识的径向基函数RBF神经网络；

如果某小类中只包含一个状态，则不需要对该小类设计进一步识别的RBF神经网络；

步骤三、对要进行飞行状态识别的飞行数据处理；首先对飞行数据进行去野点、限幅及平滑处理，然后对需要使用变化率的飞行数据进行拟合求得变化率，最后对飞行数据进行归一化处理；

步骤四、将经过步骤三处理的飞行数据根据偏航角变换率、气压高度和指示空速预分类到步骤一中所划分的十个小类的飞行状态中：

首先根据偏航角变化率ΔCOSI将飞行数据分为转弯和非转弯两类，当ΔCOSI＞0或者ΔCOSI＜0时为转弯状态，当ΔCOSI＝0时则为非转弯状态；

其次根据气压高度Hp和指示空速Vi的阈值k_Hp和k_Vi，将非转弯状态的飞行数据按照气压高度和指示空速同阈值的比较情况分类，若Hp≥k_Hp且Vi≥k_Hp则划分为高空高速飞行状态一类，若Hp＜k_Hp且Vi≥k_Vi则归为低空高速飞行状态一类，若Hp＜k_Hp且Vi＜k_Vi则划分为低空低速飞行状态一类；

最后，将划分为高空高速和低空低速飞行状态的飞行数据，根据指示空速Vi的范围进一步归为步骤一中所划分的小类中；

步骤五、将归为各小类的飞行数据输入至各小类设计的RBF神经网络中，进一步辨识出所对应的飞行状态。

2.根据权利要求1所述的直升机飞行状态识别方法，其特征在于，步骤一所述低空指直升机的气压高度小于270米，高空指直升机的气压高度大于等于270米；低速指直升机的指示空速小于75千米/小时，高速指直升机的指示空速大于等于75千米/小时。

3.根据权利要求1所述的直升机飞行状态识别方法，其特征在于，步骤二中所述的设计用于飞行状态进一步辨识的径向基函数RBF神经网络，RBF神经网络由输入层、隐含层和输出层组成；

输入层向量维数n等于用于识别该小类飞行状态所需要的飞行参数的个数；

输出层向量维数k等于该小类所对应的飞行状态个数；

隐含层节点数m根据经验公式选取，所述经验公式为：

其中，d为1～10之间的常数；

对于进一步需要识别的飞行小类，该飞行小类中包含一个以上的飞行状态，根据下面RBF神经网络的输出公式，训练RBF神经网络输出层每一维输出向量对应该飞行小类中一种飞行状态；

其中，RBF神经网络的输出y_k为：

$y_k=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{ik}}{h}_i$

其中，w₁₁～w_1k……w_m1～w_mk为神经网络权值；h₁～h_m为神经网络的径向基函数，在这里选取高斯函数，其表达式为：

$h_i\left(\stackrel{\→}{x}\right)=\exp [-\frac{{\left|\right|\stackrel{\→}{x}{-c}_i\left|\right|}^2}{{2\mathrm{\σ}}_i^2}],i=\mathrm{1,2},......m$

其中，

为n维的输入向量，c_i是第i个径向基函数的中心，是与

具有相同维数的向量，σ_i是第i个感知器变量，‖‖表示欧拉范数；n、m、k为大于0的整数；

对RBF神经网络结构参数c_i和σ_i使用K均值算法确定，通过梯度下降法来对RBF神经网络进行训练，确定神经网络的权值w₁₁～w_1k……w_m1～w_mk。

4.根据权利要求1所述的直升机飞行状态识别方法，其特征在于，步骤三中所述的对飞行数据进行去野点、限幅及平滑处理，具体为：

第一步、去野点；设一个飞行数据p在采样时刻t的值为p(t)，前一个采样时刻的值为p(t-1)，则在该采样周期的变化梯度Δp为：Δp＝|p(t)-p(t-1)|；

将该梯度值Δp同该飞行参数在一个采样周期内能够达到的最大梯度值Δp_max进行比较，若Δp≥Δp_max，则认为p(t)是野点，将其剔除；

第二步、限幅；设一个飞行数据p在采样时刻t的值为p(t)，将其同该飞行参数在直升机实际飞行时所能达到的最大值p_max及最小值p_min做比较，若p(t)＞p_max或p(t)＜p_min，则将p(t)从飞行数据中剔除；

第三步、平滑；采用滤波技术对飞行数据进行滤波，使用的滤波方法为均值率波方法：设一个飞行数据p在采样时刻t的值为p(t)，取其前后各r个点，令p点的值等于这2r+1个点的值的平均值：

$p\left(t\right)=\underset{i=t-r}{\overset{t+r}{\mathrm{\Σ}}}\frac{p\left(i\right)}{2r+1}$

其中，r为自然数。

5.根据权利要求1所述的直升机飞行状态识别方法，其特征在于，步骤三中所述的对需要使用变化率的飞行数据进行拟合，求得变化率，具体为：

对指示速度、气压高度和偏航角三个飞行参数的飞行数据进行拟合，得到速度变化率、高度变化率和偏航角变化率；

对指示速度、气压高度和偏航角飞行参数的每一飞行数据，取其之前和之后各n个飞行数据，用最小二乘方法进行直线的拟合，直线的斜率为所要得到的变化率；

设直线的函数形式是y＝a+bt，实验测得的数据为(t₁，y₁)，(t₂，y₂)，…，(t_j，y_j)，对t₁，t₂，…，t_j，y的回归值是a+bt₁，a+bt₂，…，a+bt_j，j是参与拟合的点的个数，j＝2r+1，r为自然数；用最小二乘原理推导a，b的值，应满足y的测量值y_i和回归值a+bt_i之差的平方和取极小：

$\underset{i=1}{\overset{j}{\mathrm{\Σ}}}{[y_i-(a+{\mathrm{bt}}_i)]}^2=\min$

选择a，b使取极小值的必要条件是：

$\left\{\begin{array}{c}\frac{\∂}{\∂a}\underset{i=1}{\overset{j}{\mathrm{\Σ}}}{[y_i-(a+{\mathrm{bt}}_i)]}^2=0\\ \frac{\∂}{\∂b}\underset{i=1}{\overset{j}{\mathrm{\Σ}}}{[y_i-(a+{\mathrm{bt}}_i)]}^2=0\end{array}\right.$

从中解得：

$\left\{\begin{array}{c}b=\frac{\mathrm{\Σ}{t}_i\mathrm{\Σ}{y}_i-\mathrm{j\Σ}{t}_i{y}_i}{{\left(\mathrm{\Σ}{t}_i\right)}^2-\mathrm{j\Σ}{t}_i^2}\\ a=\frac{\mathrm{\Σ}{t}_i{y}_i\mathrm{\Σ}{t}_i-\mathrm{\Σ}{y}_i{t}_i^2}{{\left(\mathrm{\Σ}{t}_i\right)}^2-\mathrm{j\Σ}{t}_i^2}\end{array}\right.$

其中，a，b为回归系数，t代表时间，y为指示速度或气压高度或偏航角的数值，拟合后得到的各点的b值即为该飞行数据的变化率。

6.根据权利要求1所述的直升机飞行状态识别方法，其特征在于，步骤三中所述的对飞行数据进行归一化处理，具体为：

神经网络中激励函数选用Sigmoid函数，Sigmoid函数响应值在0到1之间，对各飞行参数的飞行数据进行归一化处理，采用归一化公式：

$y=\frac{x-\frac{1}{2}(x_{\max }+x_{\min })}{\frac{1}{2}(x_{\max }-x_{\min })}$

其中，y为归一化处理后飞行数据值，x为处理前某一飞行数据值，x_max为该飞行参数对应的飞行数据的最大值，x_min为该飞行参数对应的飞行数据的最小值；

经过归一化处理，各飞行数据的值域被转化到[-1，1]的范围。

7.根据权利要求1所述的直升机飞行状态识别方法，其特征在于，步骤四所述将划分为高空高速和低空低速飞行状态的飞行数据根据指示空速Vi的范围进一步归为步骤一中所划分的小类中，具体是：高空高速飞行状态的飞行数据中，将总距位移w_f达到最大的飞行数据归为步骤一中所划分的高空高速飞行状态下的最大速度一类中，高空高速飞行状态其余的飞行数据再根据指示空速Vi的范围进一步归为过渡速度、久航速度、远航速度，以及在久航速度和远航速度之间任意划分得的两类这五类中；而将低空低速状态的飞行数据，根据指示空速的范围归为最小速度一类或最小速度至过渡速度一类中。

8.根据权利要求1所述的直升机飞行状态识别方法，其特征在于，步骤四中所述气压高度Hp的阈值k_Hp为270米，指示空速Vi的阈值k_Vi为75千米/小时。

Images