CN105489069B - 一种基于svm的低空空域通航飞机冲突检测方法 - Google Patents
一种基于svm的低空空域通航飞机冲突检测方法 Download PDFInfo
- Publication number
- CN105489069B CN105489069B CN201610028838.0A CN201610028838A CN105489069B CN 105489069 B CN105489069 B CN 105489069B CN 201610028838 A CN201610028838 A CN 201610028838A CN 105489069 B CN105489069 B CN 105489069B
- Authority
- CN
- China
- Prior art keywords
- target aircraft
- aircraft
- particle
- svm
- fitness
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/04—Anti-collision systems
Abstract
本发明公开了一种基于SVM的低空空域通航飞机冲突检测方法,包括如下步骤:S1,通过选取核函数及其参数构建SVM模型;S2,获取目标飞机和本机的信息,并对信息进行预处理,通过预处理得到目标飞机与本机的相对信息;S3,将预处理得到的目标飞机与本机的相对信息输入SVM模型,通过SVM模型对输入的相对信息进行分类,并根据分类设定预测值;S4,参照前一段时间的预测结果,对预测值进行移动平均加权,得到最终预测值,根据最终预测值判断目标飞机是否对本机产生冲突。该方法用于对相对较远距离的目标飞机进行冲突探测,可以有效地检测飞机在低空空域的冲突,以增强低空空域飞行环境下飞行员的交通态势感知能力,及时调整飞行方案,避免冲突发生。
Description
技术领域
本发明涉及一种通航飞机冲突检测方法,尤其涉及一种基于SVM(支持向量机)的低空空域通航飞机冲突检测方法。
背景技术
近些年来,随着航空事业的蓬勃发展,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,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,还是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,就很难保证乘客人身及财产安全。另外,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。
为了解决上述问题,相关机构在飞机飞行过程中的各个阶段以及不同原因引起的冲突分别进行研究,例如,在申请号为201310323633.1的中国发明专利申请中公开了一种基于A-SMGCS系统的滑行道冲突检测方法,可以有效地检测飞机在滑行过程中产生的冲突,及时采取相应措施;在申请号为201110120282.5的中国发明专利申请中公开了一种空中目标的冲突检测方法,可以有效地检测飞机在高空飞行过程中产生的冲突,使得飞行员较早获知飞机发生的冲突和碰撞的可能性,及时调整飞行方案,避免冲突发生;在申请号为201210368083.0的中国发明专利申请中公开了一种飞行冲突解脱方法及装置,可以有效地检测由于飞机延迟产生的冲突。上述研究能很好地检测冲突发生的可能性,使飞行员提前采取措施,降低飞行风险。
但是对于低空空域的冲突探测问题,并没有相应的研究。低空空域的冲突探测问题一般为短期问题,飞机速度相对较慢,飞行自由度高且飞行环境复杂。按照传统TCAS冲突探测逻辑,在进行解脱机动时,如果两架飞机的距离相对较近,那么所执行的规避机动相对剧烈。如果在更广的范围进行冲突检测,提前向飞行员提供当前的交通态势,有利于飞行员提前进行判断处理,能够有效避免近距离的剧烈规避机动。但是,由于低空空域的不确定性,在远距离进行传统的线性外推具有较大的难度和不确定性。
发明内容
针对现有技术的不足,本发明所要解决的技术问题在于提供一种基于SVM的低空空域通航飞机冲突检测方法。
为实现上述发明目的,本发明采用下述的技术方案:
一种基于SVM的低空空域通航飞机冲突检测方法,包括如下步骤:
S1,通过选取核函数及其参数构建SVM模型;
S2,获取目标飞机和本机的信息,并对所述信息进行预处理,通过预处理得到目标飞机与本机的相对信息;
S3,将预处理得到的目标飞机与本机的相对信息输入SVM模型,通过SVM模型对输入的相对信息进行分类,并根据分类设定预测值;
S4,参照前一段时间的预测结果,对预测值进行移动平均加权,得到最终预测值,根据最终预测值判断目标飞机是否对本机产生冲突。
其中较优地,在步骤S1中,所述参数包括惩罚因子和径向基函数。
其中较优地,在步骤S1中,选取核函数的参数,包括如下步骤:
S11,设定种群规模、迭代次数、搜索空间大小和速度,根据限制随机初始化粒子的位置X=(X1,X2,...,Xn)和速度V=(V1,V2,...,Vn);
S12,根据每个粒子的位置Xi=(xi1,xi2)对SVM模型进行训练,将交叉验证的正确率作为所述粒子的适应度,位置Xi=(xi1,xi2)的横纵坐标分别代表惩罚因子和径向基函数;
S13,根据每个粒子的适应度,与所述粒子历史位置上的适应度相比较,将适应度高的作为新的个体极值Pi=(Pi1,Pi2,...,PiD);
S14,根据每个粒子的适应度和所有粒子经过的最优适应度相比较,将适应度高的作为新的全局极值Pg=(Pg1,Pg2,...,PgD);
S15,根据粒子的速度和位置更新公式对粒子进行更新;
S16,判断当前迭代次数是否满足条件:gen<下降阈值,如果满足,则转向步骤S17;否则,判断当前迭代次数是否满足最大迭代次数,如果满足,则输出结果,适应度最高的粒子的坐标值即为所述参数的值;若不满足,则转向步骤S13;
S17,计算粒子的适应度值,根据粒子适应度的大小按一定比例从种群P中选取出种群P2,并对P2进行重组交叉和变异;
S18,计算P2的适应度,根据适应度重插入种群P中,转向步骤S13。
其中较优地,在步骤S15中,所述粒子的速度更新公式为:
其中,Vi=(Vi1,Vi2,...,ViD)为每一个粒子的速度,Xi=(xi1,xi2,...,xiD)为每一个粒子位置;Pi=(Pi1,Pi2,...,PiD)为个体极值,Pg=(Pg1,Pg2,...,PgD)为全局极值,k代表种群的当前代数,c1,c2为加速度常数,r1,r2为(0,1)之内的随机数;
其中,gen为当前迭代次数,MAXGEN为最大迭代次数;
所述粒子的位置更新公式为:
其中,Vi=(Vi1,Vi2,...,ViD)为每一个粒子的速度,Xi=(xi1,xi2,...,xiD)为每一个粒子位置;k代表种群的当前代数。
其中较优地,在步骤S2中,所述对信息进行预处理,包括如下步骤:
S21,以本机为参考,对目标飞机进行坐标转换,得到相对位置:PR=(xR,yR,zR)=Pi-Po=(xi-xo,yi-yo,zi-zo);
S22,以本机航向方向为y轴正方向方向,对目标飞机的速度进行转换,得到相对速度:VR=(vRx,vRy,vRz)=Vi-Vo=(vxi-vxo,vyi-vyo,vzi-vzo);
S23,根据相对位置和相对速度计算目标飞机的水平相对航向和垂直航向。
其中较优地,在步骤S23中,计算目标飞机的水平相对航向,包括如下步骤:
获取目标飞机相对速度在x轴正方向和y轴正方向的分速度vRx和vRy;
判断vRx和vRy的方向,根据vRx和vRy的方向,确定目标飞机的水平相对航向:
如果目标飞机的相对速度vRx>0,vRy>0,水平相对航向为:
如果目标飞机的相对速度vRx<0,vRy>0或者vRx<0,vRy<0,水平相对航向为:
如果目标飞机的相对速度vRx>0,vRy<0,水平相对航向w为:
其中较优地,在步骤S23中,计算目标飞机的垂直航向,包括如下步骤:
获取目标飞机相对速度在z轴正方向的分速度vRx;
判断vRz的方向,根据vRz的方向,确定目标飞机的垂直航向:
如果垂直相对速度(z轴正方向的分速度)vRz>0,垂直航向为:
如果垂直相对速度vRz<0,垂直航向为:
其中较优地,在步骤S2中,通过预处理得到目标飞机与本机的相对信息为:
其中,VR=(vRx,vRy,vRz)为目标飞机的相对速度;PR=(xR,yR,zR)为目标飞机的相对位置;θRi为目标飞机的水平相对航向;为目标飞机的垂直航向。
其中较优地,在步骤S3中,将预处理得到的目标飞机与本机的相对信息输入SVM模型之后,先将相对信息进行过滤处理,将位于圆柱形的冲突保护区之外的目标飞机提前划分为非冲突目标。
其中较优地,在步骤S4中,参照前一段时间的预测结果,对所述预测值进行移动平均加权,即采用如下公式对预测值进行处理:
其中,Pj(Ti)为根据分类设定的预测值;wj为滑动加权系数。
本发明所提供的基于SVM的低空空域通航飞机冲突检测方法,通过获取监视区域内飞机的位置和速度等信息,计算目标飞机相对于本机位置和速度航向信息,利用已经训练好SVM模型进行冲突的判断分类,同时考虑历史的判断信息,采用移动时间加权平均对判断时刻和历史判断情况进行综合考虑之后,对目标飞机进行判断分类。该方法通过对相对较远距离的目标飞机进行冲突探测,增强低空空域飞行环境下飞行员的交通态势感知能力,及时作出相应处理,以避免产生较近距离下的剧烈飞行机动。
附图说明
图1为本发明所提供的基于SVM的低空空域通航飞机冲突检测方法的流程图;
图2为本发明所提供的通航飞机冲突检测方法中,选取核函数参数的流程图;
图3为本发明所提供的一个实施例中,以本机作为坐标原点建立圆柱形的冲突保护区的结构图。
具体实施方式
下面结合附图和具体实施例对本发明的技术内容进行详细具体的说明。
针对低空空域通航飞机的冲突检测,主要用于对相对较远距离的目标飞机进行冲突检测,以增强低空空域飞行环境下飞行员的交通态势感知能力,在相对较远的情况下,基于目标飞机当前和历史飞行状态进行冲突判断,以避免产生较近距离下的剧烈飞行机动。在本发明中,通过ADS-B获取监视区域内飞机的位置和速度等信息,ADS-B具有较高的信息更新速率,每秒获取一次目标飞机的更新信息,计算目标飞机相对于本机位置和速度航向信息,通过已经训练好的SVM(支持向量机)模型进行冲突的判断分类,同时考虑历史的判断信息,采用移动时间加权平均的方法对判断时刻和历史判断情况进行综合考虑之后,对目标飞机进行判断分类。如图1所示,本发明所提供的基于SVM的低空空域通航飞机冲突检测方法,包括如下步骤:首先,通过选取核函数及其参数构建SVM模型;其次,获取目标飞机和本机的信息,并对信息进行预处理,通过预处理得到目标飞机与本机的相对信息;然后,将预处理得到的目标飞机与本机的相对信息输入SVM模型,通过SVM模型对输入的相对信息进行分类,并根据分类设定预测值;最后,参照前一段时间的预测结果,对预测值进行移动平均加权,得到最终预测值,根据最终预测值判断目标飞机是否对本机产生冲突。下面对这一过程做详细具体的说明。
S1,通过选取核函数及其参数构建SVM模型。
支持向量机(SVM)是由Vapnik提出的一种基于统计学习理论的机器学习方法,它是基于结构风险最小化原则对数据进行分类,将原始数据通过核函数映射到高维空间中,采用线性超平面对数据进行分类,解决了在低维数据空间中线性不可分的问题。
SVM的训练参数选取是SVM模型建立的关键步骤,主要涉及SVM映射的核函数及相应核函数的具体参数选取。常用的核函数有:
线性核函数:K(x,xi)=<x·xi>;
多项式核函数:K(x,xi)=(<x·xi>+R)d;
径向基核函数:
通过选取适当的核函数及相应的参数,可以建立一个适当的分类模型,对信息进行分类。在本发明所提供的实施例中,选取径向基函数作为核函数,涉及到的参数有:
1)惩罚因子C:惩罚因子C主要影响建立SVM模型的复杂度。C越低,建立的SVM模型越简单,SVM模型的推广能力越高,但SVM模型训练准确度会降低。较高的C虽然使得SVM模型训练准确度高,但是较高的C值使得SVM模型的复杂度高,SVM模型的推广能力差,对于预测样本的分类正确率低。所以选取一个合适的惩罚因子的值对于SVM模型的准确度,进而对于样本分类的正确率至关重要。
2)径向基函数σ:径向基函数σ为径向基函数的宽度,控制了径向的作用范围,σ越高,对于特征数据的映射能力越弱,σ越小,映射能力越强,但是可能会造成过拟合的情况。所以选取一个合适的径向基函数σ的值对于特征数据的映射能力至关重要。
传统的参数选取的方法包括网格搜索法Grid-Search和经验选择法,经验选择法虽然简单,但是存在很大的主观性。网格搜索法在一定的搜索空间中以一定的步进逐步搜索,但是存在计算量大,搜索精度不足等问题。
近年来,国内外许多研究学者采用进化算法对SVM的参数进行选取。常用的有遗传算法和粒子群算法。遗传算法借鉴生物界中生物进化繁衍的规律,通过对个体的选择、交叉、变异等操作来寻找解空间的潜在最优解。但是遗传算法具有较大的随机性,且算法本身的参数设置过多,容易产生早熟收敛等问题。粒子群算法模拟鸟群捕食行为,通过考虑粒子的个体最优值和全体最优值来引导粒子的搜索策略。但是粒子群算法存在容易陷入局部最优的情况。所以,在本发明所提供的实施例中,结合遗传算法和粒子群算法各自的优点,提出一种GA-PSO混合算法,来解决SVM模型的参数寻优问题,以期解决GA算法搜索效率低和PSO算法容易陷入局部最优的缺陷。
其中,PSO算法粒子种群由n个粒子组成X=(X1,X2,...,Xn),每一个粒子位置Xi=(xi1,xi2,...,xiD),D表示解空间的维数;每一个粒子的速度为Vi=(Vi1,Vi2,...,ViD),粒子的适应度函数P为K类交叉验证(cross-validation)正确率CVAccuracy。所谓K类交叉验证,就是将训练集平均分为K份,每次取1份作为测试集,剩余的K-1份作为训练集,然后采用当前的参数取值,也就是粒子位置Xi=(xi1,xi2,...,xiD)作为训练参数时进行模型的建立和对测试集的分类,最后将K个模型的分类正确率平均。个体极值为:Pi=(Pi1,Pi2,...,PiD),全局极值为:Pg=(Pg1,Pg2,...,PgD),粒子的更新公式为:
k代表种群的当前代数,其中,c1,c2为加速度常数,r1,r2为(0,1)之内的随机数。
粒子的位置变化幅度是由粒子的飞行速度的大小决定的,粒子飞行速度大,能够在短时间内飞到搜索空间中最优解的区域,其全局搜索能力较强,粒子飞行速度较低时,粒子的位置变化幅度较小,有利于增加搜索的精度,局部搜索能力强,全局搜索能力弱。但是,如果粒子的飞行速度一直保持一个较高的值,可能会导致粒子越过最优解区域,飞行速度一直较低的时候,虽然搜索的精度会增加,但是可能导致粒子陷入局部最优解。所以对速度更新公式增加了一个权重系数:
其中,gen为当前迭代次数,MAXGEN为最大迭代次数。
以此,粒子在迭代初期能够保持较高的更新速度,以获得较强的全局搜索能力,在迭代后期具有较低的更新速度,具有较强的局部搜索能力。所以,在算法迭代初期,为了加大粒子的不确定度,增强算法的全局搜索能力参考遗传算法的机理,对粒子进行变异。下面对选取核函数参数的过程进行详细说明。
如图2所示,选取核函数的参数,具体包括如下步骤:
S11,设定种群规模、迭代次数、搜索空间大小和速度等参数,根据限制随机初始化粒子的位置X=(X1,X2,...,Xn)和速度V=(V1,V2,...,Vn)。
S12,根据每个粒子的位置Xi=(xi1,xi2)对SVM模型进行训练,将交叉验证的正确率作为该粒子的适应度,位置Xi=(xi1,xi2)的横纵坐标分别代表惩罚因子C和径向基函数σ。
S13,根据每个粒子的适应度,与其历史位置上的适应度相比较,将适应度较高的作为新的个体极值Pi=(Pi1,Pi2,...,PiD)。
S14,根据每个粒子的适应度和所有粒子经过的最优适应度相比较,将适应度较高的作为新的全局极值Pg=(Pg1,Pg2,...,PgD)。
S15,根据粒子的速度和位置更新公式对粒子进行更新。其中,粒子的速度更新公式为:
Vi=(Vi1,Vi2,...,ViD)为每一个粒子的速度,Xi=(xi1,xi2,...,xiD)为每一个粒子的位置;Pi=(Pi1,Pi2,...,PiD)为个体极值,Pg=(Pg1,Pg2,...,PgD)为全局极值,k代表种群的当前代数,c1,c2为加速度常数,r1,r2为(0,1)之内的随机数。
其中,gen为当前迭代次数,MAXGEN为最大迭代次数。在本发明所提供的实施例中,D和d代表相同的含义。
粒子的位置更新公式为:
Vi=(Vi1,Vi2,...,ViD)为每一个粒子的速度,Xi=(xi1,xi2,...,xiD)为每一个粒子的位置;k代表种群的当前代数。
S16,判断当前迭代次数是否满足条件:gen<下降阈值,若满足,则转向步骤S17;否则,判断当前迭代次数是否满足最大迭代次数,如果满足,则输出结果,适应度最高的粒子的坐标值即为参数值;若不满足,则转向步骤S13。在本发明所提供的实施例中,通过实验数据证明,当迭代次数超过40时,适应度值迅速下降,所以将下降阈值设为40。
S17,计算粒子的适应度值,根据粒子适应度的大小按一定比例从种群P中选取出种群P2,并对P2进行重组交叉和变异。从种群P中选取适应度较小的种群P2,对P2进行重组交叉和变异之后,可以在一定程度上提高新粒子的适用度,即提高交叉验证的正确率。
S18,计算P2的适应度,根据适应度重插入种群P中,转向步骤S3。
对种群P2进行交叉重组和变异之后,计算P2的适应度,根据适应度重插入种群P中,使种群P中保留适应度高的粒子,排除适应度小的粒子。
S2,获取目标飞机和本机的信息,并对信息进行预处理,通过预处理得到目标飞机与本机的相对信息。
在本发明所提供的实施例中,假设空域内的飞机均装有ADS-B OUT设备,飞机通过获取由监视空域内其他飞机播发的ADS-B报文数据,获得目标飞机的信息;由自身的机载设备获取到本机的信息。数据选取主要选择目标飞机的识别号ID、目标飞机和本机的位置信息、目标飞机和本机的速度信息。目标飞机的位置表示为Pi=(xi,yi,zi),速度为Vi=(vxi,vyi,vzi),本机的位置表示为Po=(xo,yo,zo),速度为Vo=(vxo,vyo,vzo)。
对获取的目标飞机和本机的信息进行预处理,主要是计算目标飞机相对于本机的位置、速度航向等信息,具体包括如下步骤:
S21,以本机为参考,对目标飞机进行坐标转换,得到相对位置表示为:PR=(xR,yR,zR)=Pi-Po=(xi-xo,yi-yo,zi-zo);此时,本机位于坐标原点。
S22,以本机航向方向为y轴正方向方向,对目标飞机的速度进行转换,得到相对速度表示为:VR=(vRx,vRy,vRz)=Vi-Vo=(vxi-vxo,vyi-vyo,vzi-vzo)。
S23,根据相对位置和相对速度计算目标飞机的水平相对航向和垂直航向。
其中,水平相对航向是以相对坐标系的x轴正方向为基准的。根据相对位置和相对速度计算目标飞机的水相对平航向,具体包括如下步骤:
首先,获取目标飞机相对速度在x轴正方向和y轴正方向的分速度vRx和vRy;
然后,判断vRx和vRy的方向,根据vRx和vRy的方向,确定目标飞机的水平相对航向:
如果目标飞机的相对速度vRx>0,vRy>0,水平相对航向为:
如果目标飞机的相对速度vRx<0,vRy>0或者vRx<0,vRy<0,水平相对航向为:
如果目标飞机的相对速度vRx>0,vRy<0,水平相对航向w为:
垂直航向是以相对坐标轴中z轴正方向为基准。根据相对位置和相对速度计算目标飞机的垂直航向,具体包括如下步骤:
首先,获取目标飞机相对速度在z轴正方向的分速度vRz;
然后,判断vRz的方向,根据vRz的方向,确定目标飞机的垂直航向:如果垂直相对速度(z轴正方向的分速度)vRz>0,垂直航向为:
如果垂直相对速度vRz<0,垂直航向为:
经过预处理得到目标飞机与本机的相对信息,其中,相对信息为: 其中,VR=(vRx,vRy,vRz)为目标飞机的相对速度;PR=(xR,yR,zR)为目标飞机的相对位置;θRi为目标飞机的水平相对航向;为目标飞机的垂直航向;将经过预处理的数据输入SVM模型进行分类判别。
S3,将预处理得到的目标飞机与本机的相对信息输入SVM模型,通过SVM模型对输入的相对信息进行分类,并根据分类设定预测值。
在将预处理得到的目标飞机与本机的相对信息输入SVM模型之后,首先将数据进行过滤处理,将一些一定不会发生冲突的目标飞机提前进行分类处理。
在本发明所提供的实施例中,为避免飞机与飞机发生物理接触,设置一个环绕于飞机的圆柱形区域作为冲突保护区,如图3所示,该圆柱形区域同时考虑了两架飞机导航设备的精度而产生的不确定性和飞机本身的尺寸。当一架飞机的位置处于另一架飞机的冲突保护区内时,则认为两架飞机发生冲突。当一架飞机的航迹将在一定时间后到达另一架飞机的冲突保护区内,则认为存在潜在冲突,保护区半径设置为528ft,高度200ft。根据冲突保护区的位置和大小,对数据进行过滤处理,将一些一定不会发生冲突的目标飞机提前进行分类处理。具体包括如下内容:
对于相对位置处于相对坐标系中的第一卦限xR>0,yR>0,zR>0的目标飞机,如果判定为不冲突;
对于相对位置处于相对坐标系中的第二卦限xR<0,yR>0,zR>0的目标飞机,如果判定为不冲突;
对于相对位置处于相对坐标系中的第三卦限xR<0,yR<0,zR>0的目标飞机,如果判定为不冲突;
对于相对位置处于相对坐标系中的第四卦限xR>0,yR<0,zR>0的目标飞机,如果判定为不冲突;
对于相对位置处于相对坐标系中的第五卦限xR>0,yR>0,zR<0的目标飞机,如果判定为不冲突;
对于相对位置处于相对坐标系中的第六卦限xR<0,yR>0,zR<0的目标飞机如果,判定为不冲突;
对于相对位置处于相对坐标系中的第七卦限xR<0,yR<0,zR<0的目标飞机,如果判定为不冲突;
对于相对位置处于相对坐标系中的第八卦限xR>0,yR<0,zR<0的目标飞机,如果判定为不冲突。
经过过滤处理之后,对过滤处理之后的数据进行归一化处理,使数据符合SVM模型的数据处理范围,然后将其输入SVM模型,通过SVM模型对输入的相对信息进行分类。对于所有的目标飞机,如果在t时刻目标飞机为存在潜在冲突可能,则设定对于第i架飞机在t时刻的预测值为Pt(Ti)=1,如果目标在t时刻经过SVM分类检测不存在冲突可能,则Pt(Ti)=-1。
S4,参照前一段时间的预测结果,对预测值进行移动平均加权,得到最终预测值,根据最终预测值判断目标飞机是否对本机产生冲突。
数据后期处理主要采用移动平均加权,考虑到对飞机的冲突检测是一个连续的过程,在某个时间点对冲突进行探测,需要考虑前一段时间的预测结果。在本发明所提供的实施例中,前一段时间为设定的时间阈值,时间阈值的大小根据实际需要进行设定。参照前一段时间的预测结果,移动加权平均的滑动窗口设为m,滑动加权系数w={wt-m+1,...,wt-1,wt},则对于第i架飞机在t时刻经过移动加权平均后的预测值为:
其中,Pj(Ti)为根据分类设定的预测值;wj为滑动加权系数。
设置判断阀值Threshold,如果则在t时刻对于此目标飞机判定为存在冲突的可能,即目标飞机为冲突目标;否则,判为非冲突目标。
综上所述,本发明所提供的基于SVM的低空空域通航飞机冲突检测方法,通过选取核函数及其参数构建SVM模型;其次,获取目标飞机和本机的信息,并对信息进行预处理,通过预处理得到目标飞机与本机的相对信息;然后,将预处理得到的目标飞机与本机的相对信息输入SVM模型,通过SVM模型对输入的相对信息进行分类,并根据分类设定预测值;参照前一段时间的预测结果,对预测值进行移动平均加权,得到最终预测值,根据最终预测值判断目标飞机是否对本机产生冲突。该方法用于对相对较远距离的目标飞机进行冲突探测,可以有效地检测飞机在低空空域的冲突,以增强低空空域飞行环境下飞行员的交通态势感知能力,使得飞行员较早获知飞机发生的冲突和碰撞的可能性,及时调整飞行方案,避免冲突发生。
上面对本发明所提供的基于SVM的低空空域通航飞机冲突检测方法进行了详细的说明。对本领域的一般技术人员而言,在不背离本发明实质精神的前提下对它所做的任何显而易见的改动,都将构成对本发明专利权的侵犯,将承担相应的法律责任。
Claims (9)
1.一种基于SVM的低空空域通航飞机冲突检测方法,其特征在于包括如下步骤:
S1,通过选取核函数及其参数构建SVM模型;
S2,获取目标飞机和本机的信息,并对所述信息进行预处理,通过预处理得到目标飞机与本机的相对信息;
S3,将预处理得到的目标飞机与本机的相对信息输入SVM模型,先将相对信息进行过滤处理,将位于圆柱形的冲突保护区之外的目标飞机提前划分为非冲突目标,通过SVM模型对输入的相对信息进行分类,并根据分类设定预测值;
S4,参照前一段时间的预测结果,对预测值进行移动平均加权,得到最终预测值,根据最终预测值判断目标飞机是否对本机产生冲突。
2.如权利要求1所述的基于SVM的低空空域通航飞机冲突检测方法,其特征在于:
在步骤S1中,所述参数包括惩罚因子和径向基函数。
3.如权利要求2所述的基于SVM的低空空域通航飞机冲突检测方法,其特征在于在步骤S1中,选取核函数的参数,包括如下步骤:
S11,设定种群规模、迭代次数、搜索空间大小和速度,根据限制随机初始化粒子的位置X=(X1,X2,...,Xn)和速度V=(V1,V2,...,Vn);
S12,根据每个粒子的位置Xi=(xi1,xi2)对SVM模型进行训练,将交叉验证的正确率作为所述粒子的适应度,位置Xi=(xi1,xi2)的横纵坐标分别代表惩罚因子和径向基函数;
S13,根据每个粒子的适应度,与所述粒子历史位置上的适应度相比较,将适应度高的作为新的个体极值Pi=(Pi1,Pi2,...,PiD);
S14,根据每个粒子的适应度和所有粒子经过的最优适应度相比较,将适应度高的作为新的全局极值Pg=(Pg1,Pg2,...,PgD);
S15,根据粒子的速度和位置更新公式对粒子进行更新;
S16,判断当前迭代次数是否满足条件:gen<下降阈值,如果满足,则转向步骤S17;否则,判断当前迭代次数是否满足最大迭代次数,如果满足,则输出结果,适应度最高的粒子的坐标值即为所述参数的值;若不满足,则转向步骤S13;
S17,计算粒子的适应度值,根据粒子适应度的大小按一定比例从种群P中选取出种群P2,并对P2进行重组交叉和变异;
S18,计算P2的适应度,根据适应度重插入种群P中,转向步骤S13。
4.如权利要求3所述的基于SVM的低空空域通航飞机冲突检测方法,其特征在于:
在步骤S15中,所述粒子的速度更新公式为:
其中,Vi=(Vi1,Vi2,...,ViD)为每一个粒子的速度,Xi=(xi1,xi2,...,xiD)为每一个粒子位置;Pi=(Pi1,Pi2,...,PiD)为个体极值,Pg=(Pg1,Pg2,...,PgD)为全局极值,k代表种群的当前代数,c1,c2为加速度常数,r1,r2为(0,1)之内的随机数;
其中,gen为当前迭代次数,MAXGEN为最大迭代次数;
所述粒子的位置更新公式为:
其中,Vi=(Vi1,Vi2,...,ViD)为每一个粒子的速度,Xi=(xi1,xi2,...,xiD)为每一个粒子位置;k代表种群的当前代数。
5.如权利要求1所述的基于SVM的低空空域通航飞机冲突检测方法,其特征在于在步骤S2中,所述对信息进行预处理,包括如下步骤:
S21,以本机为参考,对目标飞机进行坐标转换,得到相对位置:PR=(xR,yR,zR)=Pi-Po=(xi-xo,yi-yo,zi-zo);其中,Pi为目标飞机的位置,Po为本机的位置;
S22,以本机航向方向为y轴正方向方向,对目标飞机的速度进行转换,得到相对速度:VR=(vRx,vRy,vRz)=Vi-Vo=(vxi-vxo,vyi-vyo,vzi-vzo);Vi为目标飞机的速度,V0为本机的速度;
S23,根据相对位置和相对速度计算目标飞机的水平相对航向和垂直航向。
6.如权利要求5所述的基于SVM的低空空域通航飞机冲突检测方法,其特征在于在步骤S23中,计算目标飞机的水平相对航向,包括如下步骤:
获取目标飞机相对速度在x轴正方向和y轴正方向的分速度vRx和vRy;
判断vRx和vRy的方向,根据vRx和vRy的方向,确定目标飞机的水平相对航向:
如果目标飞机的相对速度vRx>0,vRy>0,水平相对航向为:
如果目标飞机的相对速度vRx<0,vRy>0或者vRx<0,vRy<0,水平相对航向为:
如果目标飞机的相对速度vRx>0,vRy<0,水平相对航向为:
7.如权利要求5所述的基于SVM的低空空域通航飞机冲突检测方法,其特征在于在步骤S23中,计算目标飞机的垂直航向,包括如下步骤:
获取目标飞机相对速度在z轴正方向的分速度vRz;
判断vRz的方向,根据vRz的方向,确定目标飞机的垂直航向:
如果垂直相对速度(z轴正方向的分速度)vRz>0,垂直航向为:
如果垂直相对速度vRz<0,垂直航向为:
8.如权利要求1所述的基于SVM的低空空域通航飞机冲突检测方法,其特征在于:
在步骤S2中,通过预处理得到目标飞机与本机的相对信息为:
其中,VR=(vRx,vRy,vRz)为目标飞机的相对速度;PR=(xR,yR,zR)为目标飞机的相对位置;θRi为目标飞机的水平相对航向;为目标飞机的垂直航向。
9.如权利要求1所述的基于SVM的低空空域通航飞机冲突检测方法,其特征在于:
在步骤S4中,参照前一段时间的预测结果,对所述预测值进行移动平均加权,即采用如下公式对预测值进行处理:
其中,Pj(Ti)为根据分类设定的预测值;wj为滑动加权系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610028838.0A CN105489069B (zh) | 2016-01-15 | 2016-01-15 | 一种基于svm的低空空域通航飞机冲突检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610028838.0A CN105489069B (zh) | 2016-01-15 | 2016-01-15 | 一种基于svm的低空空域通航飞机冲突检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105489069A CN105489069A (zh) | 2016-04-13 |
CN105489069B true CN105489069B (zh) | 2017-08-08 |
Family
ID=55676031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610028838.0A Active CN105489069B (zh) | 2016-01-15 | 2016-01-15 | 一种基于svm的低空空域通航飞机冲突检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105489069B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931497B (zh) * | 2016-05-20 | 2019-06-21 | 中国民用航空总局第二研究所 | 通航空中冲突检测方法、装置和通用航空器 |
CN107677275B (zh) * | 2017-09-15 | 2018-08-07 | 北京航空航天大学 | 一种混合空域异质飞行器路径规划方法及装置 |
WO2019212892A2 (en) | 2018-05-04 | 2019-11-07 | Interdigital Patent Holdings, Inc. | Market based detect and avoid (daa) solutions |
CN109739255B (zh) * | 2018-11-29 | 2020-11-24 | 北京航空航天大学 | 无人机的航行轨迹规划方法、装置及系统 |
CN110428666B (zh) * | 2019-08-01 | 2021-06-29 | 中国民航大学 | 一种基于人机协同进化智能的民航飞机空中冲突解决决策方法 |
CN111508282B (zh) * | 2020-05-08 | 2021-07-20 | 沈阳航空航天大学 | 低空无人机农田作业飞行障碍物冲突检测方法 |
CN112002148B (zh) * | 2020-07-17 | 2021-12-17 | 中国民航管理干部学院 | 基于飞机对思想的飞机连续下降碰撞率评估方法及装置 |
CN112365746B (zh) * | 2020-10-19 | 2022-03-04 | 中国电子科技集团公司第二十八研究所 | 一种用于军机穿越民航航路的方法及系统 |
CN112562421B (zh) * | 2020-11-27 | 2022-04-12 | 大蓝洞(南京)科技有限公司 | 一种基于指标体系的飞行冲突评价方法 |
CN113706935B (zh) * | 2021-08-11 | 2023-08-22 | 广西电网有限责任公司电力科学研究院 | 一种多架次无人机同时飞行时的航线冲突检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101286071A (zh) * | 2008-04-24 | 2008-10-15 | 北京航空航天大学 | 基于微粒群优化和遗传算法的多无人机三维编队重构方法 |
CN103679263A (zh) * | 2012-08-30 | 2014-03-26 | 重庆邮电大学 | 基于粒子群支持向量机的雷电临近预测方法 |
CN104050506A (zh) * | 2014-06-24 | 2014-09-17 | 电子科技大学 | 一种基于Spiking神经网络的飞机冲突检测方法 |
CN104408518A (zh) * | 2014-11-12 | 2015-03-11 | 山东地纬数码科技有限公司 | 基于粒子群优化算法的神经网络学习优化方法 |
-
2016
- 2016-01-15 CN CN201610028838.0A patent/CN105489069B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101286071A (zh) * | 2008-04-24 | 2008-10-15 | 北京航空航天大学 | 基于微粒群优化和遗传算法的多无人机三维编队重构方法 |
CN103679263A (zh) * | 2012-08-30 | 2014-03-26 | 重庆邮电大学 | 基于粒子群支持向量机的雷电临近预测方法 |
CN104050506A (zh) * | 2014-06-24 | 2014-09-17 | 电子科技大学 | 一种基于Spiking神经网络的飞机冲突检测方法 |
CN104408518A (zh) * | 2014-11-12 | 2015-03-11 | 山东地纬数码科技有限公司 | 基于粒子群优化算法的神经网络学习优化方法 |
Non-Patent Citations (2)
Title |
---|
An Algorithm for Airborne Conflict Detection Based on Support Vector Machine;Jiao Yuliang,Zhang Xuejun,Guan Xiangmin;《Applied Mechanics and Materials》;20121130;第1142页第1段,图2 * |
基于GA-PSO优化支持向量机的漏洞分类器;任远芳;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150115;第30页第2-12段,图4-3 * |
Also Published As
Publication number | Publication date |
---|---|
CN105489069A (zh) | 2016-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105489069B (zh) | 一种基于svm的低空空域通航飞机冲突检测方法 | |
CN102915652B (zh) | 飞行器交通分离系统及方法 | |
CN108319291B (zh) | 一种基于安全边界分析的无人机认知防碰撞控制方法 | |
Huang et al. | A probabilistic risk assessment framework considering lane-changing behavior interaction | |
CN107424443A (zh) | 一种基于Vicsek模型的飞行器集群调控方法及装置 | |
CN106373435B (zh) | 面向飞行员的非集中式安全间隔自主保持系统 | |
CN109191923A (zh) | 一种无人机飞行冲突解脱方法及解脱系统 | |
Wan et al. | Distributed conflict-detection and resolution algorithm for UAV swarms based on consensus algorithm and strategy coordination | |
CN112733251B (zh) | 一种多无人飞行器协同航迹规划方法 | |
Wang et al. | Virtual reality technology of multi uavearthquake disaster path optimization | |
CN104504942B (zh) | 一种空中交通管制系统的飞行冲突预警方法 | |
Liu et al. | A three-level game-theoretic decision-making framework for autonomous vehicles | |
Dong et al. | Study on the resolution of multi-aircraft flight conflicts based on an IDQN | |
Weijun et al. | Deep learning for aircraft wake vortex identification | |
Yang et al. | Improved reinforcement learning for collision-free local path planning of dynamic obstacle | |
Xie et al. | Long and short term maneuver trajectory prediction of UCAV based on deep learning | |
Cao et al. | Fuzzy social force model for pedestrian evacuation under view-limited condition | |
Shi et al. | A distributed conflict detection and resolution method for unmanned aircraft systems operation in integrated airspace | |
Ni et al. | A deterministic collision avoidance decision-making system for multi-MASS encounter situation | |
CN110826891A (zh) | 一种基于船舶集群态势的相对碰撞危险度获取方法 | |
CN109543497A (zh) | 一种适于自动驾驶的多目的控制机器学习模型的构建方法 | |
Zhang et al. | Path planning for fixed-wing UAVs based on expert knowledge and improved VFH in cluttered environments | |
Liang et al. | Shared steering control with predictive risk field enabled by digital twin | |
Lovato et al. | A hybrid approach for detecting and resolving conflicts in air traffic routes | |
Han et al. | Research on civil aircraft conflict resolution based on TBO |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |