CN110782007A - 一种基于神经网络的飞行数据缺失补充方法 - Google Patents
一种基于神经网络的飞行数据缺失补充方法 Download PDFInfo
- Publication number
- CN110782007A CN110782007A CN201910978436.0A CN201910978436A CN110782007A CN 110782007 A CN110782007 A CN 110782007A CN 201910978436 A CN201910978436 A CN 201910978436A CN 110782007 A CN110782007 A CN 110782007A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- fuel flow
- flight
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000013589 supplement Substances 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 239000000446 fuel Substances 0.000 claims abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 230000001502 supplementing effect Effects 0.000 claims abstract description 10
- 210000002569 neuron Anatomy 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 17
- 238000012217 deletion Methods 0.000 claims description 14
- 230000037430 deletion Effects 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000010219 correlation analysis Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000000875 corresponding effect Effects 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 abstract description 2
- 239000000295 fuel oil Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010304 firing Methods 0.000 description 2
- 239000010687 lubricating oil Substances 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于神经网络的飞行数据缺失补充方法，该方法通过分析飞行参数数据，以燃油系统相关的参数为基本输入，将数据进行预处理，并对每个航段中的不同飞行阶段进行划分，整理出训练集和测试集，通过训练集训练神经网络，形成较为有效的回归预测网络，将预测得到的数据作为数据缺失补足内容，并通过测试集对网络进行测试，验证其精度。通过这种数据缺失补充方法，可以有效应对因振动、冲击、高低温转换等严酷环境的影响而导致的系统数据记录异常，可以建立有效且完整的数据集，从而实现对系统的状态监控和趋势分析。由于重视其他数据和被补充数据的关联，可以较为客观的反映被补充的数据变化情况，弥补经典插值补充方法的不足。
Description
技术领域
本发明属于飞行器状态监控领域，尤其涉及一种基于神经网络的飞行数据缺失补充方法。
背景技术
在飞机飞行过程中，会遭受到振动、冲击、高低温转换等严酷环境的影响，由于传感器本身的误差或者数据采集传输过程中的误差，会造成记录数据的异常(记录的数值差别较大)，甚至有可能有些数值没有及时记录进去，造成参数值的缺失。飞行参数原始数据中存在着不完整(有缺失值)、不一致、有异常的数据，严重影响了数据挖掘的效率，甚至可能导致出现偏差。
处理缺失值的方法可以分为三类：删除记录、不处理和数据插补。如果通过简单的删除小部分记录达到既定的目标，那么删除含有缺失值的记录的这种方法是最有效的。然而，这种方法却有很大的局限性。它是以减少历史数据来换取数据的完备，会造成资源的大量浪费，其丢弃了大量隐藏在这些记录中的信息。尤其在数据集本来就包含很少记录的情况下，删除少量记录可能严重影响到分析结果的客观性和准确性。
发明内容
发明目的：本发明提出一种基于神经网络的飞行数据缺失补充方法，弥补删除含有缺失值的记录的这种处理缺失值的方法的不足。
发明技术解决方案
为了实现上述发明目的，本发明采用下述的技术方案：
通过分析飞行参数数据，以燃油系统相关的参数为基本输入，如左发燃油流量、右发燃油流量、左发高压转速、右发高压转速，将数据进行预处理，并对每个航段中的不同飞行阶段进行划分，整理出训练集和测试集，通过训练集训练神经网络，形成较为有效的回归预测网络，将预测得到的数据作为数据缺失补足内容，并通过测试集对网络进行测试，验证其精度。
一种基于神经网络的飞行数据缺失补充方法，该方法通过分析飞行参数数据，以燃油系统相关的参数为基本输入，将数据进行预处理，并对每个航段中的不同飞行阶段进行划分，整理出训练集和测试集，通过训练集训练神经网络，形成回归预测网络，将预测得到的数据作为数据缺失补足内容，并通过测试集对网络进行测试，验证其精度。
优选的，燃油系统相关的参数包括左发燃油流量、右发燃油流量、左发高压转速、右发高压转速。
优选的，在训练集训练神经网络过程中采用基于极限学习机的回归预测方法。
优选的，采用基于极限学习机的回归预测方法进行飞行数据缺失补充流程如下：在相关性分析基础上，提取与燃油流量相关的参数，将这些燃油流量相关的参数作为输入向量，燃油流量作为输出向量；然后通过训练集进行基于极限学习机的算法训练，测试集验证算法的有效性；以绝对值误差、相对误差、平均相对误差MRE、均方误差MSE、均方根误差RMSE作为验证指标；
Absolute_Error＝|Ti-Yi|i＝1,2,...,n
其中Ti为预测的输出，Yi为期望的输出，n为样本个数。
优选的，采用基于Person相关性分析的方法对变量进行相关性分析。
优选的，基于ELM的燃油流量删失补充模型建立过程包括如下步骤：
步骤1：假设测定了n个变量x1,x2,...,xn的M组数据，记作
x1m,x2m,...,xnm,m＝1,2,...,M
这样，n个变量就可以看做是Rk空间中的n个向量，则向量xi,xj之间的相关性，即相关系数定义如下：
式中
相关系数具有以下性质：
1)
2)
步骤2：确定隐含层神经元个数，随机设定输入层与隐含层间的连接权值w和隐含层神经元的偏置b；
如果在算法运行过程中未设置隐含层神经元个数，则默认神经元个数与输入变量的个数相等，如果需要调节神经元个数，利用下式进行选择，R越大越好；
其中timei为隐含层神经元个数为i时的运行时间，Ei为对应的训练和测试误差，为模型输出的预测值，yj为实际值
步骤3：选择一个无限可微的函数作为隐含层神经元的激活函数，进而计算隐含层输出矩阵H；
步骤4：计算输出层权值
其中T'表示T的转置，在燃油流量的删失补充当中，T表示训练样本的输出集向量T＝Y；当得到以后，就建立了基于ELM的燃油流量删失补充模型。
优选的，相关系数R大小经验解释如下：0.00≤∣R∣＜0.20时，极弱相关或无相关；0.20≤∣R∣＜0.40时，弱相关；0.40≤∣R∣＜0.50时，中等程度相关；0.60≤∣R∣＜0.80时强相关；0.80≤∣R∣＜1.00时极强相关；当|R(i,j)|＝1，说明xi＝axj，即是完全线性相关的xi,xj。
优选的，激活函数包括反双曲函数、径向基函数、正弦函数、余弦函数、Sigmoid函数。
本发明的优点
本发明的优点在于：
通过这种数据缺失补充方法，可以有效应对因振动、冲击、高低温转换等严酷环境的影响而导致的系统数据记录异常(如错误和缺失)，可以建立有效且完整的数据集，从而实现对系统的状态监控和趋势分析。由于重视其他数据和被补充数据的关联，可以较为客观的反映被补充的数据变化情况，弥补经典插值补充方法的不足。基于此种技术，可以为飞机部分系统或设备(主要是机电领域)的健康预测奠定基础。
附图说明
图1为ELM算法的结构图。
图2为基于ELM的预测缺失补充流程。
图3为90组左发原始燃油流量信号。
图4为原始信号及预测输出。
图5为预测的输出结果。
图6为预测输出误差。
图7为整个飞行架次基于ELM算法的预测插补结果。
图8为ELM测试集预测误差。
具体实施方式
结合发明内容概述和附图，详细说明本发明的具体实施方式。
基于极限学习机(ExtremeLearningMachine，ELM)的飞机燃油流量删失补充方法本质上是一种基于回归预测的燃油流量删失方法。该方法基于单隐层的前馈神经网络结构。首先，利用相关性分析筛选与燃油流量密切相关的飞行参数；然后，随机生成输入层与隐含层之间的连接权值及隐含层神经元阈值，利用历史数据建立飞行参数与燃油流量之间的非线性关系；最后，利用训练好的模型结合其它飞行参数对删失的飞机燃油流量进行补充。该飞机燃油流量异常检测方法，在训练过程中只需要设置隐含层神经元个数，便可以获得唯一的最优解，并且具有学习效率高，泛化能力强的特点，算法结构如图1所示。
基本原理
如图所示，该模型由输入层、隐含层和输出层三层组成。输入层有n个神经元，对应n个输入变量；隐含层有l个神经元；输出层有m个神经元，对应m个输出变量。对于飞机燃油流量的删失补充来说，输入变量为与飞机燃油流量相关的飞行参数，输出层为飞机燃油流量。假设输入层与隐含层之间的连接权值w为
其中，wji表示输入层第i个神经元与隐含层第j个神经元之间的权值。
设隐含层与输出层之间的连接权值β为：
其中βjk表示隐含层第j个神经元与输出层第k个神经元的连接权值。
设隐含层神经元的阈值b为
假设具有Q个样本的训练集输入矩阵X和输出矩阵Y分别为，每一列分别对应一个训练样本的输入和输出。
激活函数为g(x)，则ELM网络的输出为T＝[t1,t2,…,tQ]，其中wi＝[wi1,wi2,…,win]，xj＝[x1j,x2j,…,xnj]'。
可以表示为
Hβ＝T'
其中，T'表示T的转置，H为隐含层的输出矩阵，具体如下：
根据以下定理：
定理1：给定任意Q个不同样本，一个任意区间无限可微的激活函数g(x)，则对于具有Q个隐含层的SLFN，在任意赋值wi∈Rn和bi∈R的情况下，其隐含层输出矩阵可逆且具有||Hβ-T'||＝0；
定理2：给定任意Q个不同样本，一个任意区间无限可微的激活函数g(x)，给定任意小误差ε>0，则对于具有K(K≤Q)个隐含层的SLFN在任意赋值的情况下，其隐含层输出矩阵可逆且具有||Hβ-T'||≤ε。
由定理2可知，当隐含层神经元个数K小于Q时，SLFN的训练误差可以逼近一个任意ε>0，即
对于ELM算法，在训练的过程中w和b保持不变，而隐含层与输出层之间的连接权值可以通过求解
的最小二乘解获得
其中H+为输出矩阵H的Moore-Penrose广义逆。
基于ELM的飞机燃油流量删失补充具体实施步骤主要包括以下几个方面：
1)确定输入变量个数
由于飞机参数中记录的状态参数较多，为了更好的建立飞行状态参数与飞机燃油流量之间的非线性关系模型，该方法采用Person相关性分析的方法确定基于ELM燃油流量异常检测方法的输入变量个数，如下所示。
分析某型飞机的飞行参数，其中与左发燃油流量可能相关的参数包括左发扭矩、左修正后油门杆位置、左发推力指令、左发推力目标、左发高压转速、左螺旋桨转速、1号气压高度、1号相对气压高度、1号指示空速、1号真实空速、左一燃油流量、左二燃油流量、左三燃油流量等参数，假设测定了n个变量x1,x2,...,xn的M组数据，记作
x1m,x2m,...,xnm,m＝1,2,...,M
这样，n个变量就可以看做是Rk空间中的n个向量，则向量xi,xj之间的相关性，即相关系数可以定义如下：
式中
相关系数具有以下性质，
1)
2)
相关系数R值的大小所代表的统计意义如表1所示。
表1相关系数大小经验解释
| 相关系数R | 相关程度 |
| 0.00≤∣R∣＜0.20 | 极弱相关或无相关 |
| 0.20≤∣R∣＜0.40 | 弱相关 |
| 0.40≤∣R∣＜0.50 | 中等程度相关 |
| 0.60≤∣R∣＜0.80 | 强相关 |
| 0.80≤∣R∣＜1.00 | 极强相关 |
需要特别说明的是，当|R(i,j)|＝1，说明xi＝axj，即是完全线性相关的xi,xj，筛选相关性指数大于0.6的参数作为模型的输入向量。
分析某型飞机的飞行参数，以左发燃油流量为例，其中与左发燃油流量可能相关的参数包括左发扭矩、左修正后油门杆位置、左发推力指令、左发推力目标、左发高压转速、左螺旋桨转速、1号气压高度、1号相对气压高度、1号指示空速、1号真实空速、左一燃油流量、左二燃油流量、左三燃油流量等参数，如下表2所示。
表2飞行参数记录如下表所示
| 序号 | 参数 | 标号 | 检索号码 |
| 1 | 左发扭矩 | D | 4 |
| 2 | 左修正后油门杆角度 | E | 5 |
| 3 | 左发动机推力指令 | F | 6 |
| 4 | 左发动机推力目标 | G | 7 |
| 5 | 左发高压转速 | H | 8 |
| 6 | 左螺旋桨转速 | I | 9 |
| 7 | 左原始油门杆角度 | J | 10 |
| 8 | 1号气压高度 | T | 20 |
| 9 | 1号相对气压高度 | U | 21 |
| 10 | 1号指示空速 | V | 22 |
| 11 | 1号真空速 | W | 23 |
| 12 | 左一燃油流量 | AF | 32 |
| 13 | 左二燃油流量 | AG | 33 |
| 14 | 左三燃油流量 | AH | 34 |
| 15 | 左发涡轮温度 | AL | 38 |
| 16 | 左发燃油流量 | AN | 40 |
| 17 | 左发低压转速 | AP | 42 |
| 18 | 左发滑油压力 | AR | 44 |
| 19 | 左发滑油温度 | AT | 46 |
| 20 | 无线电高度值 | AV | 48 |
对某个飞行架次的参数信息进行Person相关性分析，结果如表3所示。
表3不同参数与左发燃油流量之间的相关性系数
| 参数 | 左发燃油流量 | 参数 | 左发燃油流量 |
| 左发扭矩 | 0.8510 | 1号真空速 | -0.2407 |
| 左修正后油门杆角度 | 0.7652 | 左一燃油流量 | 0.6233 |
| 左发动机推力指令 | 0.8490 | 左二燃油流量 | 0.7650 |
| 左发动机推力目标 | -0.2513 | 左三燃油流量 | -0.6049 |
| 左发高压转速 | 0.8567 | 左发涡轮温度 | 0.8295 |
| 左螺旋桨转速 | 0.5827 | 左发低压转速 | 0.8112 |
| 左原始油门杆角度 | 0.7650 | 左发滑油压力 | 0.6903 |
| 1号气压高度 | 0.1273 | 左发滑油温度 | 0.4066 |
| 1号相对气压高度 | 0.1359 | 无线电高度值 | -0.1770 |
| 1号指示空速 | -0.4250 |
从表3中可以看出左发扭矩、左修正后油门杆角度、左发动机推力指令、左发高压转速、左螺旋桨转速、左一燃油流量、左二燃油流量、左三燃油流量、左发涡轮温度、左发低压转速与左发燃油流量的相关性较强，因此选择这10个参数对左发燃油流量构建输入向量XnQ，其中n＝10，表示10个输入变量，Q表示训练样本个数。将输入变量对应的左发燃油流量作为训练样本的输出YmQ，其中m＝1，表示仅将左发燃油流量作为模型的输出。
2)确定隐含层神经元个数，随机设定输入层与隐含层间的连接权值w和隐含层神经元的偏置b；
如果在算法运行过程中未设置隐含层神经元个数，则默认神经元个数与输入变量的个数相等，即隐含层神经元个数为10。如果需要调节神经元个数，利用下式进行选择，R越大越好。其中timei为隐含层神经元个数为i时的运行时间，Ei为对应的训练和测试误差，
为模型输出的预测值，yj为实际值。
3)选择一个无限可微的函数作为隐含层神经元的激活函数，进而计算隐含层输出矩阵H；
ELM学习算法对于任意无限可微的激活函数都是可用的，激活函数包括反双曲函数、径向基函数、正弦函数、余弦函数、Sigmoid和其它非标准函数，都可以作为ELM算法的激活函数。在实际应用中Sigmoid函数因具有较好的性能被广泛使用，如下所示，因此选择Sigmoid核函数作为燃油流量异常检测的激活函数。
4)计算输出层权值
其中T'表示T的转置，在燃油流量的删失补充当中，T表示训练样本的输出集向量T＝Y。当得到
以后，就建立了基于ELM的燃油流量删失补充模型。对于待补充的左发燃油流量y*，利用对应的相关飞行参数变量x*(相关性分析之后确认的10个飞行参数)，得
其中，
即为基于ELM模型补充的燃油流量。
ELM预测缺失补充流程如图2所示。
在相关性分析基础上，提取与燃油流量相关的参数，将这些相关属性的参数作为输入向量，燃油流量作为输出向量。然后通过训练集进行ELM算法训练，测试集验证算法的有效性。以绝对值误差、相对误差、平均相对误差MRE(MeanRelativeError,MRE)、均方误差MSE(Mean Square Error，MSE)、均方根误差RMSE(Root Mean Square Error，RMSE)作为验证指标。
Absolute_Error＝|Ti-Yi|i＝1,2,...,n
其中Ti为预测的输出，Yi为期望的输出，n为样本个数。
以某型飞机为例，总共102个飞行架次文件，将前90％的飞行架次作为训练样本，后10％的飞行架次作为测试样本，即90个训练样本，12个测试样本集。以左发燃油流量的预测为例，下面是90个样本的左发燃油流量原始信号图(只考虑飞机在离地起飞之后和降落之前的燃油流量)。
利用ELM算法和90个训练样本，构建左发扭矩、左发高压转速等参数与左发燃油流量之间的模型，然后随机选取测试样本中某一个飞行架次的一段数据来进行验证。以“20170424033554_1007.csv”飞行架次为例，通过分析其数据，起飞时间为147，降落时间为3552，整个飞行时间为3406，如下图3所示。
假设其在飞行过程中[50-800]飞行时间中左发燃油流量缺失，通过训练的模型对其进行补充，结果如图4所示。
采用测试集的预测输出结果如图5所示。误差如图6所示
RMSE＝11.8543，MSE＝140.5234，最大的绝对值误差为44.4410，绝大部分的相对误差都不超过4.42％，
整个飞行架次(约3500秒)采用测试集的预测输出结果如图7所示。误差如图8所示。
RMSE＝20.9474，MSE＝438.7955，最大的绝对值误差为80.2484，绝大部分的相对误差都不超过5％。
Claims (8)
1.一种基于神经网络的飞行数据缺失补充方法，其特征在于，该方法通过分析飞行参数数据，以燃油系统相关的参数为基本输入，将数据进行预处理，并对每个航段中的不同飞行阶段进行划分，整理出训练集和测试集，通过训练集训练神经网络，形成回归预测网络，将预测得到的数据作为数据缺失补足内容，并通过测试集对网络进行测试，验证其精度。
2.如权利要求1所述的一种基于神经网络的飞行数据缺失补充方法，其特征在于：燃油系统相关的参数包括左发燃油流量、右发燃油流量、左发高压转速、右发高压转速。
3.如权利要求2所述的一种基于神经网络的飞行数据缺失补充方法，其特征在于：在训练集训练神经网络过程中采用基于极限学习机的回归预测方法。
4.如权利要求3所述的一种基于神经网络的飞行数据缺失补充方法，其特征在于，采用基于极限学习机的回归预测方法进行飞行数据缺失补充流程如下：在相关性分析基础上，提取与燃油流量相关的参数，将这些燃油流量相关的参数作为输入向量，燃油流量作为输出向量；然后通过训练集进行基于极限学习机的算法训练，测试集验证算法的有效性；以绝对值误差、相对误差、平均相对误差MRE、均方误差MSE、均方根误差RMSE作为验证指标；
Absolute_Error＝|Ti-Yi|i＝1,2,...,n
其中Ti为预测的输出，Yi为期望的输出，n为样本个数。
5.如权利要求4所述的一种基于神经网络的飞行数据缺失补充方法，其特征在于：采用基于Person相关性分析的方法对变量进行相关性分析。
6.如权利要求5所述的一种基于神经网络的飞行数据缺失补充方法，其特征在于：基于ELM的燃油流量删失补充模型建立过程包括如下步骤：
步骤1：假设测定了n个变量x1,x2,...,xn的M组数据，记作
x1m,x2m,...,xnm,m＝1,2,...,M
这样，n个变量就可以看做是Rk空间中的n个向量，则向量xi,xj之间的相关性，即相关系数定义如下：
式中
相关系数具有以下性质：
1)
2)
步骤2：确定隐含层神经元个数，随机设定输入层与隐含层间的连接权值w和隐含层神经元的偏置b；
如果在算法运行过程中未设置隐含层神经元个数，则默认神经元个数与输入变量的个数相等，如果需要调节神经元个数，利用下式进行选择，R越大越好；
其中timei为隐含层神经元个数为i时的运行时间，Ei为对应的训练和测试误差，
为模型输出的预测值，yj为实际值
步骤3：选择一个无限可微的函数作为隐含层神经元的激活函数，进而计算隐含层输出矩阵H；
步骤4：计算输出层权值其中T'表示T的转置，在燃油流量的删失补充当中，T表示训练样本的输出集向量T＝Y；当得到
以后，就建立了基于ELM的燃油流量删失补充模型。
7.如权利要求6所述的一种基于神经网络的飞行数据缺失补充方法，其特征在于：相关系数R大小经验解释如下：0.00≤∣R∣＜0.20时，极弱相关或无相关；0.20≤∣R∣＜0.40时，弱相关；0.40≤∣R∣＜0.50时，中等程度相关；0.60≤∣R∣＜0.80时强相关；0.80≤∣R∣＜1.00时极强相关；当|R(i,j)|＝1，说明xi＝axj，即是完全线性相关的xi,xj。
8.如权利要求6所述的一种基于神经网络的飞行数据缺失补充方法，其特征在于：激活函数包括反双曲函数、径向基函数、正弦函数、余弦函数、Sigmoid函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910978436.0A CN110782007B (zh) | 2019-10-15 | 2019-10-15 | 一种基于神经网络的飞行数据缺失补充方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910978436.0A CN110782007B (zh) | 2019-10-15 | 2019-10-15 | 一种基于神经网络的飞行数据缺失补充方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110782007A true CN110782007A (zh) | 2020-02-11 |
| CN110782007B CN110782007B (zh) | 2023-04-07 |
Family
ID=69385689
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910978436.0A Active CN110782007B (zh) | 2019-10-15 | 2019-10-15 | 一种基于神经网络的飞行数据缺失补充方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110782007B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111694827A (zh) * | 2020-05-31 | 2020-09-22 | 重庆大学 | 一种电力设备状态监测数据缺失值分类插补方法和系统 |
| CN112416913A (zh) * | 2020-10-15 | 2021-02-26 | 中国人民解放军空军工程大学 | 一种基于gwo-bp算法的飞机燃油系统状态缺失值补充方法 |
| CN114550945A (zh) * | 2022-02-21 | 2022-05-27 | 湖北省疾病预防控制中心（湖北省预防医学科学院） | 一种肺功能检测缺失数据的修复方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
| CN109146705A (zh) * | 2018-07-02 | 2019-01-04 | 昆明理工大学 | 一种用电特征指标降维与极限学习机算法进行窃电检测的方法 |
| CN110232420A (zh) * | 2019-06-21 | 2019-09-13 | 安阳工学院 | 一种数据的聚类方法 |
-
2019
- 2019-10-15 CN CN201910978436.0A patent/CN110782007B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
| CN109146705A (zh) * | 2018-07-02 | 2019-01-04 | 昆明理工大学 | 一种用电特征指标降维与极限学习机算法进行窃电检测的方法 |
| CN110232420A (zh) * | 2019-06-21 | 2019-09-13 | 安阳工学院 | 一种数据的聚类方法 |
Non-Patent Citations (2)
| Title |
|---|
| 蒋丽丽;姜大庆;: "基于BP神经网络的农资库存数据插补技术" * |
| 袁冬芳;曹富军;李德荣;: "主成分分析结合极限学习机的高炉炉温预测模型" * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111694827A (zh) * | 2020-05-31 | 2020-09-22 | 重庆大学 | 一种电力设备状态监测数据缺失值分类插补方法和系统 |
| CN111694827B (zh) * | 2020-05-31 | 2023-04-07 | 重庆大学 | 一种电力设备状态监测数据缺失值分类插补方法和系统 |
| CN112416913A (zh) * | 2020-10-15 | 2021-02-26 | 中国人民解放军空军工程大学 | 一种基于gwo-bp算法的飞机燃油系统状态缺失值补充方法 |
| CN112416913B (zh) * | 2020-10-15 | 2023-04-25 | 中国人民解放军空军工程大学 | 一种基于gwo-bp算法的飞机燃油系统状态缺失值补充方法 |
| CN114550945A (zh) * | 2022-02-21 | 2022-05-27 | 湖北省疾病预防控制中心（湖北省预防医学科学院） | 一种肺功能检测缺失数据的修复方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110782007B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110782007B (zh) | 一种基于神经网络的飞行数据缺失补充方法 | |
| CN112100865B (zh) | 基于并行cnn模型的航空发动机剩余寿命预测方法 | |
| CN114997051A (zh) | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 | |
| WO2024087128A1 (zh) | 针对航空发动机剩余使用寿命预测的多尺度混杂注意力机制建模方法 | |
| CN112393934B (zh) | 基于稀疏自编码与极限学习机的风电机组故障诊断方法 | |
| CN108573116B (zh) | 一种基于长短时记忆网络的航空发动机过渡态推力估计方法 | |
| WO2024045246A1 (zh) | 一种针对航空发动机故障预测的脉冲回声状态网络模型 | |
| CN114429153A (zh) | 基于终身学习的齿轮箱增量故障诊断方法及系统 | |
| CN110333076B (zh) | 基于CNN-Stacking的轴承故障诊断方法 | |
| CN114297918A (zh) | 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法 | |
| CN111651940A (zh) | 基于pso-narx的涡轴发动机稳态模型辨识方法 | |
| CN114330517A (zh) | 一种基于神经网络的航空发动机传感器故障自诊断方法 | |
| CN115452376A (zh) | 基于改进轻量级深度卷积神经网络的轴承故障诊断方法 | |
| CN115979660A (zh) | 基于mpa优化的内燃机用滤清器故障诊断方法 | |
| CN116070126A (zh) | 基于对抗自监督的航空柱塞泵配油盘磨损检测方法及系统 | |
| CN112801267A (zh) | 动态阈值的航空发动机多重故障诊断器 | |
| CN115238833B (zh) | 一种空气涡轮起动机轴承性能退化特征提取方法 | |
| CN116521406A (zh) | 一种基于残差门gru-vae模型的航空发动机未超限飞参数据异常检测方法 | |
| CN112116101A (zh) | 一种基于群体约减核极限学习机的航空发动机故障诊断方法 | |
| CN114136622B (zh) | 一种基于dbn-dtl的航空发动机气路故障诊断方法 | |
| CN112416913B (zh) | 一种基于gwo-bp算法的飞机燃油系统状态缺失值补充方法 | |
| CN113108949B (zh) | 一种基于模型融合的探空仪温度传感器误差预测方法 | |
| CN115017984A (zh) | 一种航空发动机故障风险预警方法及系统 | |
| Zhai et al. | Prognostics and Health Management (PHM) System Based on a Large-Scale Civil Aircraft Engine System | |
| Qu et al. | Modelling of Fuel Flow in Climb Phase Through Multiple Linear Regression Based on the Data Collected by Quick Access Recorder. |
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 |