CN110349294A - 飞行数据的飞行模式识别方法及装置 - Google Patents
飞行数据的飞行模式识别方法及装置 Download PDFInfo
- Publication number
- CN110349294A CN110349294A CN201910660857.9A CN201910660857A CN110349294A CN 110349294 A CN110349294 A CN 110349294A CN 201910660857 A CN201910660857 A CN 201910660857A CN 110349294 A CN110349294 A CN 110349294A
- Authority
- CN
- China
- Prior art keywords
- flying quality
- mode
- sample
- flight
- offline mode
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开一种飞行数据的飞行模式识别方法及装置,属于数据处理技术领域,方法包括首先按照预设的时间宽度从待识别飞行数据中选取一个个区间飞行数据,然后针对每个区间飞行数据,利用预先训练得到的目标飞行模式的分类模型,自动判断各个区间飞行数据是否为目标飞行模式。提高了飞行数据的处理效率,减少了飞行模式识别的误判和漏判。
Description
技术领域
本发明涉及数据处理技术领域,更具体地说,涉及飞行数据的飞行模式识别方法及装置。
背景技术
飞行器是在大气层内或大气层外空间飞行的器械。飞行器包括航空器和航天器等。在大气层内飞行的称为航空器,如气球、飞艇、飞机等。在太空飞行的称为航天器,如人造地球卫星、载人飞船、空间探测器、航天飞机等。
为了分析飞行器的性能或者为了实现其它目的,需要对飞行器飞行过程中的飞行数据进行分析。飞行器飞行过程中的飞行数据包括速度、高度和俯仰角等。具体分析过程为,试验人员针对飞行数据中不同的飞行模式,采用不同的处理和分析方法。飞行模式包括爬升、巡航和荷兰滚等。
目前,对于不同飞行模式的飞行数据的区分方法,是试验人员首先将各个飞行模式的标准飞行数据绘制成一组参考曲线,再将待识别飞行数据绘制成实际曲线,最后通过人工观测和比对,在实际曲线中识别与参考曲线类似的曲线段,并标注为参考曲线对应的飞行模式,记录该飞行模式的起始和截至时间。这种方法工作效率较低,且容易产生误判和漏判。
发明内容
有鉴于此,本发明提出一种飞行数据的飞行模式识别方法及装置,欲实现飞行数据的飞行模式识别的自动化,提高工作效率,减少飞行模式识别的误判和漏判的目的。
为了实现上述目的,现提出的方案如下:
一种飞行数据的飞行模式识别方法,包括:
获取待识别飞行数据;
按照预设的时间宽度,从所述待识别飞行数据的起始时间开始,每隔预设间隔时间,从所述待识别飞行数据中选取对应时间段的区间飞行数据;
针对每个所述区间飞行数据,利用预先训练得到的目标飞行模式的分类模型,确定是否为目标飞行模式,若是,则输出所述区间飞行数据对应的起止时间。
可选的,所述分类模型的训练过程,包括:
将标准飞行数据以时间为自变量进行离散化,得到标准参数序列,并标注所述标准参数序列为目标飞行模式,得到一组标准样本;
采用与所述标准飞行数据相同的离散化方法,对飞行数据样本进行处理,得到多组实际参数序列,并标注每组所述实际参数序列是否为目标飞行模式,得到多组实际参数样本;
将所述标准样本和所述实际参数样本一起作为训练样本,采用机器学习的分类算法,训练得到分类模型,所述分类模型的输入为参数序列,所述分类模型的输出为目标飞行模式的判断结果。
可选的,基于历史飞行数据或仿真飞行数据,得到所述标准飞行数据。
可选的,所述采用机器学习的分类算法,具体为:
支持向量机或BP神经网络。
可选的,所述目标飞行模式,包括:
爬升飞行模式、巡航飞行模式和荷兰滚飞行模式。
一种飞行数据的飞行模式识别装置,包括:
数据获取单元,用于获取待识别飞行数据;
数据划分单元,用于按照预设的时间宽度,从所述待识别飞行数据的起始时间开始,每隔预设间隔时间,从所述待识别飞行数据中选取对应时间段的区间飞行数据;
模式识别单元,用于针对每个所述区间飞行数据,利用预先训练得到的所述目标飞行模式的分类模型,确定是否为目标飞行模式,若是,则输出所述区间飞行数据对应的起止时间。
可选的,上述飞行数据的飞行模式识别装置,还包括:
标准样本单元,用于将标准飞行数据以时间为自变量进行离散化,得到标准参数序列,并标注所述标准参数序列为目标飞行模式,得到一组标准样本;
参数样本单元,用于采用与所述标准飞行数据相同的离散化方法,对飞行数据样本进行处理,得到多组实际参数序列,并标注每组所述实际参数序列是否为目标飞行模式,得到多组实际参数样本;
模型训练单元,用于将所述标准样本和所述实际参数样本一起作为训练样本,采用机器学习的分类算法,训练得到分类模型,所述分类模型的输入为参数序列,所述分类模型的输出为目标飞行模式的判断结果。
可选的,所述飞行数据的飞行模式识别装置,还包括:
标准飞行数据单元,用于基于历史飞行数据或仿真飞行数据,得到所述标准飞行数据。
可选的,所述模型训练单元采用的分类算法,具体为:支持向量机或BP神经网络。
可选的,所述目标飞行模式,包括:爬升飞行模式、巡航飞行模式和荷兰滚飞行模式。
与现有技术相比,本发明的技术方案具有以下优点:
上述技术方案提供的一种飞行数据的飞行模式识别方法及装置,首先按照预设的时间宽度,从待识别飞行数据中选取一个个区间飞行数据,然后针对每个区间飞行数据,利用预先训练得到的目标飞行模式的分类模型,自动判断各个区间飞行数据是否为目标飞行模式。提高了飞行数据的处理效率,减少了飞行模式识别的误判和漏判。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种飞行数据的飞行模式识别方法的流程示意图;
图2为本发明实施例提供的将待识别飞行数据划分为区间飞行数据的原理示意图;
图3为本发明实施例提供的一种分类模型的训练方法的流程图;
图4为本发明实施例提供的标准飞行数据的离散化方法的原理示意图;
图5为本发明实施例提供的一种飞行数据样本的飞行模式识别的原理示意图;
图6为本发明实施例提供的另一种飞行数据样本的飞行模式识别的原理示意图;
图7为本发明实施例提供的一种飞行数据的飞行模式识别装置的逻辑结构示意图;
图8为本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例提供了一种飞行数据的飞行模式识别方法,可以应用于各类电子设备,如计算机、智能手机和平板电脑等。参见图1,该飞行模式识别方法可以包括步骤:
S11:获取需要待识别飞行数据。
在本实施例中目标飞行模式包括但不限于爬升飞行模式、巡航飞行模式和荷兰滚飞行模式等。待识别飞行数据为飞行器实际或仿真飞行过程随着时间变换的速度、高度或俯仰角等飞行参数。
S12:按照预设的时间宽度,从待识别飞行数据的起始时间开始,每隔预设间隔时间,从待识别飞行数据中选取对应时间段的区间飞行数据。
参见图2所示,待识别飞行数据为图中的曲线,横坐标为时间T,纵坐标为飞行参数V,飞行参数V为速度、高度或俯仰角等数据。令待识别飞行数据的起始时间为T0。预先设置[T1,Tn]作为扫描窗口的时间宽度,以预设间隔时间ΔT为步长进行扫描,获取扫描窗口中的区间飞行数据,直到Tn-T1>Tf-Ti为止,Ti=T0+i*ΔT。针对每类目标飞行模式,预先设置一个相应的时间宽度。不同的目标飞行模式,预先设置的时间宽度可以不同。
S13:针对每个区间飞行数据,利用预先训练得到的目标飞行模式的分类模型,确定是否为目标飞行模式,若是,则输出所述区间飞行数据对应的起止时间。
每类飞行模式对应一个分类模型。示例性的,目标飞行模式为爬升飞行模式,则对应爬升飞行模式的分类模型。
本实施例提供飞行数据的飞行模式识别方法,首先按照预设的时间宽度,从待识别飞行数据中选取一个个区间飞行数据,然后针对每个区间飞行数据,利用预先训练得到的目标飞行模式的分类模型,自动判断各个区间飞行数据是否为目标飞行模式。提高了飞行数据的处理效率,减少了飞行模式识别的误判和漏判。
参见图3,分类模型的训练过程,包括步骤:
S31:将标准飞行数据以时间为自变量进行离散化,得到标准参数序列,并标注标准参数序列为目标飞行模式,得到一组标准样本。
参见图4所示,人工设计目标飞行模式的一个标准飞行数据曲线,也可以基于历史飞行数据或仿真飞行数据,得到目标飞行模式的一个标准飞行数据曲线。将标准飞行曲线以时间T为自变量进行离散化,具体的,利用n维时间序列(T1,T2,T3,……,Tn-1,Tn),得到n维飞行参数序列(V1,V2,V3,……,Vn-1,Vn),即为标准参数序列;并标注该飞行参数序列对应飞行模式M的值为1,最终得到一组标准样本{(V1,V2,V3,……,Vn-1,Vn),M=1},M=1表示该飞行数据为目标飞行模式。飞行参数序列中的各个飞行参数分别对应时间序列中的相应时间。n维时间序列中每两个相邻时间之间的间隔是相同的。图2中的时间宽度,依据时间序列(T1,T2,T3,……,Tn-1,Tn)的时间长度得到。即将目标飞行模式的标准飞行数据曲线的时间长度,作为图2中的时间宽度,获取一个个区间飞行数据。
在本实施例中,离散化程度需要考虑两个因素,一个是飞行参数序列中的相邻两个飞行参数的差值ΔV不易过大,可以设置ΔV≤1.5(V_max-V_min)/n,V_max为标准飞行数据中最大的飞行参数,V_min为标准飞行数据中最小的飞行参数。另一个是离散的总数量n不能过大,设置n小于数量阈值。
S32:采用与标准飞行数据相同的离散化方法,对飞行数据样本进行处理,得到多组实际参数序列,并标注每组实际参数序列是否为目标飞行模式,得到多组实际参数样本。
采用与标准飞行数据相同的离散化方法,具体是对飞行数据样本进行离散化采用的时间序列(T1’,T2’,T3’,……,Tn-1’,Tn’),需要与标准飞行数据离散化过程中,确定的n维时间序列(T1,T2,T3,……,Tn-1,Tn)保持相同的时间间隔。从飞行数据样本中获取与时间序列(T1’,T2’,T3’,……,Tn-1’,Tn’)对应的飞行参数序列(V1’,V2’,V3’,……,Vn-1’,Vn’),并将将飞行参数序列(V1’,V2’,V3’,……,Vn-1’,Vn’)与飞行参数序列(V1,V2,V3,……,Vn-1,Vn)进行比对,确定飞行参数序列(V1’,V2’,V3’,……,Vn-1’,Vn’)是否属于目标飞行模式,若属于,则标注M=1,若不属于,则标注M=0。最终形成多组实际参数样本。参见图5和6,虚线表示飞行数据样本,实线表示标准飞行数据,根据比对结果确定各个飞行数据样本是否属于目标飞行模式。
S33:将标准样本和实际参数样本一起作为训练样本,采用机器学习的分类算法,训练得到分类模型,分类模型的输入为参数序列,分类模型的输出为目标飞行模式的判断结果。
采用机器学习的分类算法具体为支持向量机或BP神经网络。分类模型的训练过程采用现有的训练方法即可,本实施例对此不再赘述。
利用训练好的分类模型对区间飞行数据进行分析,确定其是否为目标飞行模式。参见图2,在每个扫描位置上(Ti,Ti+Tn-T1),对该区间飞行数据进行离散化,离散化方法与标准飞行数据的离散化相同,离散化后得到一组飞行参数序列,将离散化后的飞行参数序列作为训练好的分类模型的输入,得到分类模型输出的分类结果,若M=1表示时间范围(Ti,Ti+Tn-T1)对应的飞行数据,为目标飞行模式,并输出该段飞行数据对应的起止时间,若M=0,则表示时间范围(Ti,Ti+Tn-T1)对应的飞行数据,不是目标飞行模式。
对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。
下述为本发明装置实施例,可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明方法实施例。
参见图7,为本实施例提供的一种飞行数据的飞行模式识别装置,包括:数据获取单元71、数据划分单元72和模式识别单元73,其中,
数据获取单元71,用于获取待识别飞行数据。
数据划分单元72,用于按照预设的时间宽度,从待识别飞行数据的起始时间开始,每隔预设间隔时间,从待识别飞行数据中选取对应时间段的区间飞行数据。
模式识别单元73,用于针对每个区间飞行数据,利用预先训练得到的目标飞行模式的分类模型,确定是否为目标飞行模式,若是,则输出区间飞行数据对应的起止时间。
本实施例提供飞行数据的飞行模式识别装置,包括数据获取单元71、数据划分单元72和模式识别单元73,数据划分单元72按照预设的时间宽度,从待识别飞行数据中选取一个个区间飞行数据;模式识别单元73,针对每个区间飞行数据,利用预先训练得到的目标飞行模式的分类模型,自动判断各个区间飞行数据是否为目标飞行模式。提高了飞行数据的处理效率,减少了飞行模式识别的误判和漏判。
可选的,上述飞行数据的飞行模式识别装置,还可以包括:标准样本单元、参数样本单元和模型训练单元,其中,
标准样本单元,用于将标准飞行数据以时间为自变量进行离散化,得到标准参数序列,并标注标准参数序列为目标飞行模式,得到一组标准样本。
参数样本单元,用于采用与标准飞行数据相同的离散化方法,对飞行数据样本进行处理,得到多组实际参数序列,并标注每组实际参数序列是否为目标飞行模式,得到多组实际参数样本。
模型训练单元,用于将标准样本和实际参数样本一起作为训练样本,采用机器学习的分类算法,训练得到分类模型,分类模型的输入为参数序列,分类模型的输出为目标飞行模式的判断结果。
可选的,上述飞行数据的飞行模式识别装置,还可以包括:
标准飞行数据单元,用于基于历史飞行数据或仿真飞行数据,得到标准飞行数据。
可选的,模型训练单元采用的机器学习分类算法,具体为:支持向量机或BP神经网络。
可选的,目标飞行模式,包括:爬升飞行模式、巡航飞行模式和荷兰滚飞行模式。
本实施例提供的飞行数据的飞行模式识别方法可应用于电子设备,如计算机终端、智能手机、云平台、服务器及服务器集群等。服务器可以是机架式服务器、刀片式服务器、塔式服务器以及机柜式服务器中的一种或几种。参见图8,为本发明电子设备的较佳实施例的示意图。电子设备的硬件结构可以包括:至少一个处理器81,至少一个通信接口82,至少一个存储器83和至少一个通信总线84。
在本实施例中,处理器81、通信接口82、存储器83、通信总线84的数量为至少一个,且处理器81、通信接口82、存储器83通过通信总线84完成相互间的通信。
处理器81在一些实施例中可以是一个CPU(Central Processing Unit,中央处理器),或者是ASIC(Application Specific Integrated Circuit,特定集成电路),或者是被配置成实施本发明实施例的一个或多个集成电路等。
通信接口82可以包括标准的有线接口、无线接口(如WI-FI接口)。通常用于在本发明电子设备与其他电子设备或系统之间建立通信连接。
存储器83包括至少一种类型的可读存储介质。可读存储介质可以为如闪存、硬盘、多媒体卡、卡型存储器等NVM(non-volatile memory,非易失性存储器)。可读存储介质还可以是高速RAM(random access memory,随机存取存储器)存储器。可读存储介质在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的硬盘。在另一些实施例中,可读存储介质还可以是电子设备的外部存储设备,例如该电子设备上配备的插接式硬盘、SMC(Smart Media Card,智能存储卡)、SD(Secure Digital,安全数字)卡,闪存卡(FlashCard)等。
其中,存储器83存储有计算机程序,处理器81可调用存储器83存储的计算机程序,所述计算机程序用于:
获取待识别飞行数据;
按照预设的时间宽度,从待识别飞行数据的起始时间开始,每隔预设间隔时间,从待识别飞行数据中选取对应时间段的区间飞行数据;
针对每个区间飞行数据,利用预先训练得到的所述目标飞行模式的分类模型,确定是否为目标飞行模式,若是,则输出区间飞行数据对应的起止时间。
所述程序的细化功能和扩展功能可参照上文描述。
图8仅示出了具有组件81~84的电子设备,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
可选地,该电子设备还可以包括用户接口,用户接口可以包括输入单元(比如键盘)、语音输入装置(比如包含麦克风的具有语音识别功能的设备)和/或语音输出装置(比如音响、耳机等)。可选地,用户接口还可以包括标准的有线接口和/或无线接口。
可选地,该电子设备还可以包括显示器,显示器也可以称为显示屏或显示单元。在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(OrganicLight-Emitting Diode,有机发光二极管)显示器等。显示器用于显示飞行数据的飞行模式识别结果以及用于显示可视化的用户界面。
可选地,该电子设备还包括触摸传感器。触摸传感器所提供的供用户进行触摸操作的区域称为触控区域。此外,触摸传感器可以为电阻式触摸传感器、电容式触摸传感器等。而且,触摸传感器不仅包括接触式的触摸传感器,也可包括接近式的触摸传感器等。此外,触摸传感器可以为单个传感器,也可以为例如阵列布置的多个传感器。用户可以通过触摸触控区域输入身份识别信息或启动飞行数据的飞行模式识别程序。
此外,该电子设备的显示器的面积可以与触摸传感器的面积相同,也可以不同。可选地,将显示器与触摸传感器层叠设置,以形成触摸显示屏。该装置基于触摸显示屏侦测用户触发的触控操作。
该电子设备还可以包括RF(Radio Frequency,射频)电路、传感器和音频电路等等,在此不再赘。
本发明实施例还提供一种可读存储介质,该可读存储介质可存储有适于处理器执行的程序,所述程序用于:
获取待识别飞行数据;
按照预设的时间宽度,从待识别飞行数据的起始时间开始,每隔预设间隔时间,从待识别飞行数据中选取对应时间段的区间飞行数据;
针对每个区间飞行数据,利用预先训练得到的目标飞行模式的分类模型,确定是否为目标飞行模式,若是,则输出区间飞行数据对应的起止时间。
所述程序的细化功能和扩展功能可参照上文描述。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对本发明所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种飞行数据的飞行模式识别方法,其特征在于,包括:
获取待识别飞行数据;
按照预设的时间宽度,从所述待识别飞行数据的起始时间开始,每隔预设间隔时间,从所述待识别飞行数据中选取对应时间段的区间飞行数据;
针对每个所述区间飞行数据,利用预先训练得到的目标飞行模式的分类模型,确定是否为所述目标飞行模式,若是,则输出所述区间飞行数据对应的起止时间。
2.根据权利要求1所述飞行数据的飞行模式识别方法,其特征在于,所述分类模型的训练过程,包括:
将标准飞行数据以时间为自变量进行离散化,得到标准参数序列,并标注所述标准参数序列为所述目标飞行模式,得到标准样本;
采用与所述标准飞行数据相同的离散化方法,对飞行数据样本进行处理,得到多组实际参数序列,并标注每组所述实际参数序列是否为所述目标飞行模式,得到多组实际参数样本;
将所述标准样本和所述实际参数样本一起作为训练样本,采用机器学习的分类算法,训练得到所述分类模型,所述分类模型的输入为参数序列,所述分类模型的输出为所述目标飞行模式的判断结果。
3.根据权利要求2所述飞行数据的飞行模式识别方法,其特征在于,基于历史飞行数据或仿真飞行数据,得到所述标准飞行数据。
4.根据权利要求2所述飞行数据的飞行模式识别方法,其特征在于,所述采用机器学习的分类算法,具体为:
支持向量机或BP神经网络。
5.根据权利要求1~4任意一项所述飞行数据的飞行模式识别方法,其特征在于,所述目标飞行模式,包括:
爬升飞行模式、巡航飞行模式和荷兰滚飞行模式。
6.一种飞行数据的飞行模式识别装置,其特征在于,包括:
数据获取单元,用于获取待识别飞行数据;
数据划分单元,用于按照预设的时间宽度,从所述待识别飞行数据的起始时间开始,每隔预设间隔时间,从所述待识别飞行数据中选取对应时间段的区间飞行数据;
模式识别单元,用于针对每个所述区间飞行数据,利用预先训练得到的目标飞行模式的分类模型,确定是否为所述目标飞行模式,若是,则输出所述区间飞行数据对应的起止时间。
7.根据权利要求6所述飞行数据的飞行模式识别装置,其特征在于,还包括:
标准样本单元,用于将标准飞行数据以时间为自变量进行离散化,得到标准参数序列,并标注所述标准参数序列为所述目标飞行模式,得到标准样本;
参数样本单元,用于采用与所述标准飞行数据相同的离散化方法,对飞行数据样本进行处理,得到多组实际参数序列,并标注每组所述实际参数序列是否为所述目标飞行模式,得到多组实际参数样本;
模型训练单元,用于将所述标准样本和所述实际参数样本一起作为训练样本,采用机器学习的分类算法,训练得到所述分类模型,所述分类模型的输入为参数序列,所述分类模型的输出为所述目标飞行模式的判断结果。
8.根据权利要求7所述飞行数据的飞行模式识别装置,其特征在于,还包括:
标准飞行数据单元,用于基于历史飞行数据或仿真飞行数据,得到所述标准飞行数据。
9.根据权利要求7所述飞行数据的飞行模式识别装置,其特征在于,所述模型训练单元采用的分类算法,具体为:支持向量机或BP神经网络。
10.根据权利要求6~9任意一项所述飞行数据的飞行模式识别装置,其特征在于,所述目标飞行模式,包括:爬升飞行模式、巡航飞行模式和荷兰滚飞行模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910660857.9A CN110349294B (zh) | 2019-07-22 | 2019-07-22 | 飞行数据的飞行模式识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910660857.9A CN110349294B (zh) | 2019-07-22 | 2019-07-22 | 飞行数据的飞行模式识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110349294A true CN110349294A (zh) | 2019-10-18 |
CN110349294B CN110349294B (zh) | 2021-12-24 |
Family
ID=68179661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910660857.9A Active CN110349294B (zh) | 2019-07-22 | 2019-07-22 | 飞行数据的飞行模式识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110349294B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926745A (zh) * | 2021-02-24 | 2021-06-08 | 北京润科通用技术有限公司 | 一种自动识别和截取试飞动作模式数据的方法及装置 |
CN113093568A (zh) * | 2021-03-31 | 2021-07-09 | 西北工业大学 | 基于长短时记忆网络的飞机自动驾驶操作模拟方法 |
CN113093794A (zh) * | 2021-03-29 | 2021-07-09 | 西北工业大学 | 面向宽域飞行的多模态精确划分方法 |
WO2024067135A1 (zh) * | 2022-09-29 | 2024-04-04 | 亿航智能设备(广州)有限公司 | 基于大数据识别的无人驾驶航空器管理方法、系统和介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2251710A2 (de) * | 2009-05-06 | 2010-11-17 | Robert Bosch GmbH | Ultraschallobjekterfassungssystem und Verfahren zur Erfassung von Objekten mit Hilfe von Ultraschall |
CN103336863A (zh) * | 2013-06-24 | 2013-10-02 | 北京航空航天大学 | 基于雷达飞行航迹观测数据的飞行意图识别方法 |
CN108256436A (zh) * | 2017-12-25 | 2018-07-06 | 上海交通大学 | 一种基于联合分类的雷达hrrp目标识别方法 |
CN108898162A (zh) * | 2018-06-08 | 2018-11-27 | 东软集团股份有限公司 | 一种数据标注方法、装置、设备及计算机可读存储介质 |
CN109240327A (zh) * | 2018-09-11 | 2019-01-18 | 陕西千山航空电子有限责任公司 | 一种固定翼飞机飞行阶段识别方法 |
KR20190024400A (ko) * | 2017-08-31 | 2019-03-08 | 경북대학교 산학협력단 | 객체 인식 장치 및 그 제어 방법 |
CN110018453A (zh) * | 2019-03-28 | 2019-07-16 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 基于飞机航迹特征的智能机型识别方法 |
-
2019
- 2019-07-22 CN CN201910660857.9A patent/CN110349294B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2251710A2 (de) * | 2009-05-06 | 2010-11-17 | Robert Bosch GmbH | Ultraschallobjekterfassungssystem und Verfahren zur Erfassung von Objekten mit Hilfe von Ultraschall |
CN103336863A (zh) * | 2013-06-24 | 2013-10-02 | 北京航空航天大学 | 基于雷达飞行航迹观测数据的飞行意图识别方法 |
KR20190024400A (ko) * | 2017-08-31 | 2019-03-08 | 경북대학교 산학협력단 | 객체 인식 장치 및 그 제어 방법 |
CN108256436A (zh) * | 2017-12-25 | 2018-07-06 | 上海交通大学 | 一种基于联合分类的雷达hrrp目标识别方法 |
CN108898162A (zh) * | 2018-06-08 | 2018-11-27 | 东软集团股份有限公司 | 一种数据标注方法、装置、设备及计算机可读存储介质 |
CN109240327A (zh) * | 2018-09-11 | 2019-01-18 | 陕西千山航空电子有限责任公司 | 一种固定翼飞机飞行阶段识别方法 |
CN110018453A (zh) * | 2019-03-28 | 2019-07-16 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 基于飞机航迹特征的智能机型识别方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926745A (zh) * | 2021-02-24 | 2021-06-08 | 北京润科通用技术有限公司 | 一种自动识别和截取试飞动作模式数据的方法及装置 |
CN113093794A (zh) * | 2021-03-29 | 2021-07-09 | 西北工业大学 | 面向宽域飞行的多模态精确划分方法 |
CN113093568A (zh) * | 2021-03-31 | 2021-07-09 | 西北工业大学 | 基于长短时记忆网络的飞机自动驾驶操作模拟方法 |
WO2024067135A1 (zh) * | 2022-09-29 | 2024-04-04 | 亿航智能设备(广州)有限公司 | 基于大数据识别的无人驾驶航空器管理方法、系统和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110349294B (zh) | 2021-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110349294A (zh) | 飞行数据的飞行模式识别方法及装置 | |
CN108983979B (zh) | 一种手势跟踪识别方法、装置和智能设备 | |
CN110188720A (zh) | 一种基于卷积神经网络的目标检测方法及系统 | |
CN106157959B (zh) | 声纹模型更新方法及系统 | |
CN108197668A (zh) | 模型数据集的建立方法及云系统 | |
CN106528513B (zh) | 一种基于无人机作业的作业报告生成方法及装置 | |
CN109697434A (zh) | 一种行为识别方法、装置和存储介质 | |
CN109408384A (zh) | 软件应用的测试方法、装置、处理器及电子装置 | |
CN109241709A (zh) | 基于滑块验证码验证的用户行为识别方法及装置 | |
CN110118976A (zh) | 一种行驶轨迹绘制方法、装置、终端设备及可读存储介质 | |
CN106020220A (zh) | 无人机、无人机飞行控制方法及装置 | |
CN110162454B (zh) | 游戏运行方法和装置、存储介质及电子装置 | |
CN107179831B (zh) | 启动应用的方法、装置、存储介质及终端 | |
CN110741387B (zh) | 人脸识别方法、装置、存储介质及电子设备 | |
CN110414446A (zh) | 机器人的操作指令序列生成方法及装置 | |
CN108154051A (zh) | 一种基于支持向量机的硬件木马检测判别方法 | |
CN109271762A (zh) | 基于滑块验证码的用户认证方法及装置 | |
CN110148117A (zh) | 基于电力图像的电力设备缺陷识别方法、装置与存储介质 | |
CN109978215A (zh) | 巡防管理方法和装置 | |
CN109284700A (zh) | 图像中多个人脸检测的方法、存储介质、设备及系统 | |
CN111191696A (zh) | 一种基于深度学习算法的钢筋分层方法及系统 | |
CN104077524B (zh) | 用于病毒鉴定的训练方法和病毒鉴定方法及装置 | |
CN110188661A (zh) | 边界识别方法及装置 | |
CN108304852A (zh) | 道路路段类型的确定方法、装置以及存储介质、电子装置 | |
CN109507967A (zh) | 作业控制方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |