CN104050506A - 一种基于Spiking神经网络的飞机冲突检测方法 - Google Patents

Abstract

本发明公开了一种基于Spiking神经网络的飞机冲突检测方法，涉及模式识别，模式处理，机器学习，神经网络等领域，具体涉及基于Spiking神经网络的多脉冲误差反传学习算法——利用生物信息传递原理拟合非线性离散数据集，解决现有飞行航迹拟合预测方法的难点。本发明首先为对历史航迹数据进行分析，建立Spiking神经网络模型；再运用学习算法对建立好的Spiking神经网络模型进行训练；最后利用训练后的Spiking神经网络模型进行航迹预测并进行冲突判断。本发明应用于飞行监控、进行冲突判断。

Description

一种基于Spiking神经网络的飞机冲突检测方法

技术领域

一种基于Spiking神经网络的飞机冲突检测方法，应用于飞行监控、进行冲突判断，涉及模式识别，模式处理，机器学习，神经网络等领域，具体涉及基于Spiking神经网络的多脉冲误差反向传播学习算法——利用生物信息传递原理拟合非线性离散数据集。

背景技术

近些年来，随着民用航空事业的蓬勃发展和部队飞行训练任务的逐步加重，国内飞机的数目与日俱增，空域内航线日益密集，飞行器流量日益加大，又由于飞机只能在平流层平稳飞行，使得飞机可飞行空间是一个相对有限的空间，这就造成了空域变得越来越拥挤，拥挤意味着冲突。无论是航线设定过密，飞机本身故障或是风力等环境因素，都可能造成飞机发生碰撞冲突。由于飞机运输的特殊性，一旦飞机在空中发生冲突，就很难办证乘客人身及财产安全。同时，如不能有效地疏通这种拥挤，也会降低空域资源的利用率，极大地阻碍国家航空事业的发展。因此，能够提前预知冲突的发生，并及早地采取有效的防范措施就显得尤为重要。

认识到飞机运输的特殊性及飞行过程中发生冲突事件的严重性，就必须有一种系统来检测冲突的发生。该系统应能有效地防范飞行冲突，包括飞机在飞行过程中的状态检测等。以往，国家空管局采用的是雷达实时监控的手段，通过检测画面上飞机间的距离和飞行方向，判断冲突发生的可能性。而现代航空由于密度大，流量高，机体速度快的特征要求检测系统能对风力风向变化、气压变化、机体故障、航线拥塞、塔台指挥失误等各种突发状况能迅速应对。因此，这种老式的系统在今天，尤其是应对未来高速发展的航空业就显得有些“无力”。面对新的挑战，必须应用先进的科学理论和技术手段，设计一种新型的、智能的、高效的飞机冲突检测系统。而由于该系统设计的专业知识庞杂，系统工作量巨大，精度要求极高，反映速度以及安全性等高要求，使得研制和完善这样一个系统的课题成为了国内外学者及工程技术专家的研究热点。

近年来，随着人工智能的快速发展，其相关理论和方法已被用来解决很多问题，飞机冲突检测亦然。神经网络，遗传算法，蚁群算法，人工鱼算法都以应用于该问题。其中，神经网络由于其本身优秀的模拟性，引起广泛关注。自上个世纪BP算法问世以来，普遍认为3层神经网络可以拟合大多数的函数曲线，而飞机冲突检测的首要工作就是估计飞机的运动轨迹，这样的不谋而合使得人们认识到神经网络是解决该问题的良好工具。近十年，第三代神经网络-Spiking神经网络诞生，这种新型的神经网络不仅很好地继承了前代神经网络的优秀特性，更由于其独特的编码方式和时空特性，让神经网络的计算能力得到了极大地提升。一些学者已经应用Spiking神经网络完成一些如谷物生长、商品价格的预测。但是还没有在飞机的冲突检测应用上取得成果。

发明内容

本发明针对现有技术的不足之处提供了一种基于Spiking神经网络的飞机冲突检测方法，解决现有飞行航迹拟合预测方法的难点，如历史数据结构复杂：数据构成变量多、数据变化范围广；航迹模式多变：每一条航迹的差别很大，即便是同一架航班，每一次飞行所走过的航迹都不是完全相同的；预测算法要求高：除了精准度的要求，这类算法还要求很高的实时性，计算速度要能跟得上飞机的数据变化速度，使其能够更好的应用于飞行监控、进行冲突判断。

为了实现上述目的，本发明采用的技术方案为：

一种基于Spiking神经网络的飞机冲突检测方法，其特征在于，如下步骤：

(1)对历史航迹数据进行分析，建立Spiking神经网络模型；

(2)运用学习算法对建立好的Spiking神经网络模型进行训练；

(3)利用训练后的Spiking神经网络模型进行航迹预测并进行冲突判断。

作为优选，所述步骤(1)中，Spiking神经网络模型的建立过程如下：

(11)对历史航迹数据进行分析，建立“输入层—隐藏层—输出层”模式的3层Spiking神经网络结构；

(12)根据Spiking神经网络结构和历史航迹数据的数据结构，设定一个具有44个向量的向量组作为输入向量，并将向量组中每一个向量一一映射到Spiking神经网络结构中的输入层的输入神经元中；

(13)根据历史航迹数据的数据结构，设定一个具有3个向量的向量组作为输出向量，并将向量组中每一个向量一一映射到Spiking神经网络结构中的输出层的输出神经元中；

(14)根据输入层神经元和输出层神经元个数以及航迹预测的精度要求，设定隐藏层的神经元，并采用具有多突触结构的Spiking神经网络。

作为优选，所述步骤(2)中，运用学习算法对建立好的Spiking神经网络模型进行训练的具体步骤如下：

(21)从历史航迹数据中抽取一定量的数据作为训练数据，并将训练数据组织成输入向量组的形式；

(22)对输入向量组的每一个向量，将其每一维数据进行均一化处理；

(23)将均一化后的数据，经过编码转化为神经元点火时间脉冲序列；

(24)将经过数据均一化和编码后的输入向量组，输入到Spiking神经网络结构中的输入层的对应神经元中，并在输出层的输出神经元接收输出的神经元点火时间脉冲序列；

(25)将每一个输出向量转化为对应变量实际输出的概率密度函数；

(26)从每一次的历史航迹数据迭代中得到航迹共有的期望输出，将其转化为对应变量的期望输出概率密度函数；

(27)根据变量实际输出的概率密度函数和期望输出的概率密度函数，计算该变量实际输出和期望输出的误差值；

(28)利用误差值，计算Spiking神经网络权值的改变量，并用其更新Spiking神经网络的权值；

(29)利用大量历史航迹数据中的训练数据重复步骤(21)-(28)，直至步骤(27)的误差值为0或接近0时，则中止训练，并记录训练完毕时的神经网络参数。

作为优选，所述步骤(3)中，航迹预测和冲突判断的步骤如下：

(31)初步判断飞机对间距是否过近，是则记录下飞机对的相关信息，并转到步骤(32),否则，不做进一步冲突判断；

(32)经过初步判断过后，对于间距过近的飞机对，计算出两架飞机水平空间的水平冲突发生概率和垂直空间的垂直冲突发生概率；

(33)利用临界条件得出水平冲突阈值和垂直冲突阈值，并分别与水平冲突发生概率和垂直冲突发生概率相比较，当水平冲突发生概率和垂直冲突发生概率同时大于各自阈值时，则认定冲突会发生并记录结果，否则不做处理并转到步骤(34)；

(34)根据连续的航迹预测结果不断重复步骤(31)-(33)，判断冲突是否会发生，直到检测到冲突或飞机飞出雷达的监测区域。

与现有技术相比，本发明的优点在于：

一、利用滤波调整非良态的历史训练数据，提升历史数据使用和模型训练的效率；

二、通过构建变量众多的3层Spiking神经网络，增强计算模型的计算能力；

三、通过将输入数据转化为神经元点火脉冲时间序列以及Spiking神经网络结构计算机制，极大提升非线性航迹数据的拟合水平；

四、通过概率密度估计方法，将经过译码的神经网络输出数据序列转化为该变量的概率密度函数，将离散数据以统计的方式连续化，从而提供预测数据的有效性；

五、以相对熵作为数据回归计算的误差函数，使得实际输出和期望输出间的计算差异值更精确；

六、基于多脉冲的误差反传算法能很有效地调节Spiking神经网络的权值；

七、利用动量学习算法，通过实时调节学习速率达到跳出局部最优的目的；

八、通过概率计算,得出冲突发生概率并与阈值相比较，能准确描述冲突判断的过程。

附图说明

图1为本发明的结构流程示意图；

图2为本发明的整体流程示意图；

图3为本发明神经网络设计过程示意图；

图4为本发明3层神经网络结构图；

图5为本发明多突触链接示意图；

图6为本发明数据均一化示意图；

图7为本发明数据编码示意图；

图8为本发明预测神经网络结构图；

图9为本发明学习算法流程图；

图10为本发明冲突判断算法流程图。

具体实施方式

下面将结合附图及具体实施方式对本发明作进一步的描述。

参阅图1,一种基于Spiking神经网络的飞机冲突检测方法，首先通过分析历史航迹数据建立Spiking神经网络模型，接着利用从历史航迹数据中抽取的数据作为训练数据结合学习算法训练神经网络使其拟合航迹模式，训练好的神经网络就可以进行实际的预测计算，得到预测数据后，由概率知识计算出冲突发生概率，并据此判断冲突是否会发生。

在算法设计之初，首先需要考虑Spiking神经网络模型构建，包括：神经网络输入输出关系定义、神经网络层次结构、神经网络链接方式、数据均一化及编码方式。如图2所示，其具体设计过程如下：

一种基于Spiking神经网络的飞机冲突检测方法，步骤如下：

(1)对历史航迹数据进行分析，建立Spiking神经网络模型，Spiking神经网络模型的建立过程如下：

(11)对历史航迹数据进行分析，即分析横向位置坐标、纵向位置坐标、垂直位置坐标3个状态参数和飞机的飞行速度、飞行角度、飞行高度、飞行平面横向距离和飞行平面纵向距离5个状态参数，根据对历史航迹数据的分析建立“输入层—隐藏层—输出层”模式的3层Spiking神经网络结构；

(12)根据Spiking神经网络结构和历史航迹数据的数据结构，设定一个具有44个向量的向量组作为输入向量，并将向量组中每一个向量一一映射到Spiking神经网络结构中的输入层的输入神经元中，其中，输入层设定有前5个历史点的飞机状态信息，每个历史点有5个参数，各用一个神经元表示，共计25个神经元、前5个时刻的航路中心线，每个历史时刻航路中心线有3个参数，各用一个神经元表示，共计15个神经元、未来预测时刻的航路中心线，预测时刻航路中心线有3个参数，各用一个神经元表示，共计3个神经元、预测时间，预测时间有1个参数，用一个神经元表示，共计1个神经元，共44个输入神经元；

(13)根据历史航迹数据的数据结构即3维空间坐标，设定一个具有3个向量的向量组作为输出向量，并将向量组中每一个向量一一映射到Spiking神经网络结构中的输出层的输出神经元中，其中，输出层有预测航迹点状态信息(3个神经元)共3个输出神经元；

(14)根据输入层神经元和输出层神经元个数以及航迹预测的精度要求，如图3所示，设定隐藏层的神经元，其中，隐藏层为单层，共10个神经元的结构，构成如图4所示的具有多突触结构的Spiking神经网络。

(2)运用学习算法对建立好的Spiking神经网络模型进行训练，如图8所示，Spiking神经网络模型的训练过程主要包括误差函数设计、权值调节机制设计以及局部最优策略设计这三个模块。其中，误差函数主要用于描述神经网络的实际输出结果和期望输出结果之间的差异程度；权值调节机制主要是通过改变权值，是误差表达最小化的过程；而局部最优策略是帮助解决学习算法在求解最优化结果时陷入局部最优的问题，运用学习算法对建立好的Spiking神经网络模型进行训练的具体步骤如下：

(21)从历史航迹数据中抽取一定量的数据作为训练数据，并将训练数据组织成输入向量组的形式；

(22)对输入向量组的每一个向量，利用指数函数y＝f(x)＝e^αx将其每一维数据进行均一化处理，式中y表示处理后变量，x表示被均一化变量，α为一个数值很小的参数，本发明实验中取值为0.3；

(23)如图6所示，将均一化后的数据，通过公式转化为神经元点火时间脉冲序列，经过转换过后的数据才能直接输入到神经网络中，式中x表示均一化后的输入向量数据，分别表示前后相邻的神经元点火时间，即神经元点火时间脉冲序列为从0开始，每隔x触发一次点火；

(24)将经过数据均一化和编码后的输入向量组，输入到Spiking神经网络结构中的输入层的对应神经元中，并在输出层的3个输出神经元接收输出的神经元点火时间脉冲序列；

(25)通过公式将每一个输出向量转化为对应输出神经元代表物理变量的实际输出的概率密度函数，式中σ为平滑参数，本例中取值为1，m为点火时间序列中数值的个数，X为物理变量的随机变量，是概率密度函数的自变量，X_Ai为点火时间序列中的每一个具体数值；

(26)从每一次的历史航迹数据迭代中得到航迹共有的期望输出(实际的航迹位置)，通过参数估计将其转化为对应变量的期望输出概率密度函数，式中X表示期望输出随机变量；σ为平滑参数，本例中取值为1,μ为期望输出的具体数值；

(27)利用相对熵公式根据变量实际输出概率密度函数和期望输出的概率密度函数，计算同一变量实际输出和期望输出的误差值，式中f_a(x)为输出神经元实际输出的概率密度函数，f_d(x)为输出神经元期望输出的概率密度函数；

(28)利用误差值，通过公式计算对应Spiking神经网络权值的改变量，式中Δω为神经网络权值的改变量，η为学习速率，本例中取值0.01，e为误差函数，ω_ij为两个神经元之间的权值，并利用动量公式ω(t)＝γω(t-1)+(1-γ)αΔω用于更新Spiking神经网络的权值，式中ω(t)为当前时刻的权值数值，ω(t-1)为上一时刻的权值数值，γ为动量参数，本例中取值为0.7，α为学习速率，本例中取值0.01，Δω为神经网络连接权值的改变量；

(29)利用大量历史航迹数据中的训练数据重复步骤(21)-(28)，直至步骤(27)的误差值为0或接近0(接近0是当误差值小于0.0001则认为训练收敛)时，则中止训练，并记录训练完毕时的神经网络参数，以此模型作为成型的预测模型。

(3)利用训练后的Spiking神经网络模型进行航迹预测并进行冲突判断，航迹预测和冲突判断的步骤如下：

(31)初步判断飞机对(任意一对飞机)间距是否过近，即判断空间距离是否小于一个较大的数值(水平方向数值为50km，垂直方向数值为3km)的那些飞机对，是则记录下飞机对的编号以备进一步判断，并转到步骤(32),否则，不做进一步冲突判断；

(32)如图9所示，经过初步判断过后，针对每一对判断结果为过近的两架飞机，分别计算出它们水平空间的水平冲突发生概率和垂直空间的垂直冲突发生概率，利用代表水平方向预测位置的两个输出神经元的输出点火时间序列转化成的概率密度函数，结合公式 $P(L<L_{\mathrm{dh}})=P(\sqrt{{(X_1-X_2)}^2+{(Y_1-Y_2)}^2}<L_{\mathrm{dh}}),$ 并运用概率论相关计算方法求得两架飞机的水平冲突发生概率，式中X₁、X₂、Y₁、Y2表示两架飞机的水平方向横纵航迹预测结果随机变量，L表示两架飞机水平空间距离随机变量，L_dh表示水平方向规定安全距离；垂直方向冲突判断利用代表垂直方向预测位置的一个输出神经元的输出点火时间序列转化成的概率密度函数，结合公式P(L<L_dv)＝P(|Z₁-Z₂|<L_dv)，并运用概率论相关计算方法求得两架飞机的垂直冲突发生概率，式中Z₁、Z₂表示两架飞机垂直方向航迹预测结果随机变量，L表示两架飞机垂直空间距离随机变量，L_dv表示垂直方向规定安全距离；

(33)利用临界条件计算出P(L＝L_dh)和P(L＝L_dv)，得出水平冲突阈值和垂直冲突阈值，将水平冲突阈值与水平冲突发生概率相比较、垂直冲突阈值与垂直冲突发生概率相比较，当水平冲突发生概率和垂直冲突发生概率同时大于各自阈值时，则认定冲突会发生并记录结果，否则不做处理并转到步骤(34)；

(34)根据连续的航迹预测结果不断重复步骤(31)-(33)，判断冲突是否会发生，直到检测到冲突或飞机飞出雷达的监测区域。

本发明已经通过上述实施例进行了说明，但应当理解的是，上述实施例只是用于举例和说明的目的，而非意在将本发明限制于所描述的实施例范围内。此外本领域技术人员可以理解的是，本发明并不局限于上述实施例，根据本发明的教导还可以做出更多种的变型和修改，这些变型和修改均落在本发明所要求保护的范围以内。本发明的保护范围由附属的权利要求书及其等效范围所界定。

Claims (4)

1.一种基于Spiking神经网络的飞机冲突检测方法，其特征在于，如下步骤：

(1)对历史航迹数据进行分析，建立Spiking神经网络模型；

(2)运用学习算法对建立好的Spiking神经网络模型进行训练；

(3)利用训练后的Spiking神经网络模型进行航迹预测并进行冲突判断。

2.根据权利要求1所述的一种基于Spiking神经网络的飞机冲突检测方法，其特征在于，所述步骤(1)中，Spiking神经网络模型的建立过程如下：

(11)对历史航迹数据进行分析，建立“输入层—隐藏层—输出层”模式的3层Spiking神经网络结构；

(12)根据Spiking神经网络结构和历史航迹数据的数据结构，设定一个具有44个向量的向量组作为输入向量，并将向量组中每一个向量一一映射到Spiking神经网络结构中的输入层的输入神经元中；

(13)根据历史航迹数据的数据结构，设定一个具有3个向量的向量组作为输出向量，并将向量组中每一个向量一一映射到Spiking神经网络结构中的输出层的输出神经元中；

(14)根据输入层神经元和输出层神经元个数以及航迹预测的精度要求，设定隐藏层的神经元，并采用具有多突触结构的Spiking神经网络。

3.根据权利要求1所述的一种基于Spiking神经网络的飞机冲突检测方法，其特征在于，所述步骤(2)中，运用学习算法对建立好的Spiking神经网络模型进行训练的具体步骤如下：

(21)从历史航迹数据中抽取一定量的数据作为训练数据，并将训练数据组织成输入向量组的形式；

(22)对输入向量组的每一个向量，将其每一维数据进行均一化处理；

(23)将均一化后的数据，经过编码转化为神经元点火时间脉冲序列；

(24)将经过数据均一化和编码后的输入向量组，输入到Spiking神经网络结构中的输入层的对应神经元中，并在输出层的输出神经元接收输出的神经元点火时间脉冲序列；

(25)将每一个输出向量转化为对应变量实际输出的概率密度函数；

(26)从每一次的历史航迹数据迭代中得到航迹共有的期望输出，将其转化为对应变量的期望输出概率密度函数；

(27)根据变量实际输出的概率密度函数和期望输出的概率密度函数，计算该变量实际输出和期望输出的误差值；

(28)利用误差值，计算Spiking神经网络权值的改变量，并用其更新Spiking神经网络的权值；

(29)利用大量历史航迹数据中的训练数据重复步骤(21)-(28)，直至步骤(27)的误差值为0或接近0时，则中止训练，并记录训练完毕时的神经网络参数。

4.根据权利要求1所述的一种基于Spiking神经网络的飞机冲突检测方法，其特征在于，所述步骤(3)中，航迹预测和冲突判断的步骤如下：

(31)初步判断飞机对间距是否过近，是则记录下飞机对的相关信息，并转到步骤(32),否则，不做进一步冲突判断；

(32)经过初步判断过后，对于间距过近的飞机对，计算出两架飞机水平空间的水平冲突发生概率和垂直空间的垂直冲突发生概率；

(33)利用临界条件得出水平冲突阈值和垂直冲突阈值，并分别与水平冲突发生概率和垂直冲突发生概率相比较，当水平冲突发生概率和垂直冲突发生概率同时大于各自阈值时，则认定冲突会发生并记录结果，否则不做处理并转到步骤(34)；

(34)根据连续的航迹预测结果不断重复步骤(31)-(33)，判断冲突是否会发生，直到检测到冲突或飞机飞出雷达的监测区域。