CN111474538A - 一种基于模糊逻辑推理的目标分类方法 - Google Patents
一种基于模糊逻辑推理的目标分类方法 Download PDFInfo
- Publication number
- CN111474538A CN111474538A CN202010349294.4A CN202010349294A CN111474538A CN 111474538 A CN111474538 A CN 111474538A CN 202010349294 A CN202010349294 A CN 202010349294A CN 111474538 A CN111474538 A CN 111474538A
- Authority
- CN
- China
- Prior art keywords
- target
- speed
- height
- fuzzy
- radar
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
- G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
- G01S13/726—Multiple target tracking
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于模糊逻辑推理的目标分类方法,只需获取雷达当前测量的目标的速度、目标的高度以及目标的雷达散射截面积均值,即可通过求取三者对各等级的隶属度,再将隶属度与模糊关系作模糊运算,得到模糊集合后再进行反模糊化,得到目标分类结果,进而能够在密集杂波情况下对空中多个机动目标进行目标识别。
Description
技术领域
本发明属于雷达技术领域,尤其涉及一种基于模糊逻辑推理的目标分类方法。
背景技术
雷达监测过程中的一大重要任务就是对目标进行分类与识别。虽然目前基于高分辨距离像(HRRP)、基于特征谱散布特征等雷达目标分类方法取得了较好的成果,但是目前我国广为使用的窄带低分辨雷达却无法得到复杂的目标信息。
为了使用窄带低分辨率雷达在密集杂波情况下对空中多个机动目标跟踪的同时进行目标识别,本文提出了一种基于模糊推理算法的空中目标识别算法。
发明内容
为解决上述问题,本发明提供一种基于模糊逻辑推理的目标分类方法,能够在密集杂波情况下对空中多个机动目标进行目标识别。
一种基于模糊逻辑推理的目标分类方法,包括以下步骤:
S1:为目标的速度、目标的高度、目标类型的可能性以及目标的雷达散射截面积均值设定等级,其中,目标的速度、目标的高度以及目标类型的可能性分为五个等级,目标的雷达散射截面积均值分为四个等级,且各目标类型的速度之间的重叠范围、高度之间的重叠范围以及雷达散射截面积均值之间的重叠范围均小于设定值;
S2:将目标的速度、目标的高度以及目标的雷达散射截面积均值的各个等级进行排列组合,得到等级组合,然后按照经验进行分析判断,为每个等级组合确定对应的目标类型的可能性的所属等级,其中,目标的速度、目标的高度以及目标的雷达散射截面积均值与目标类型的可能性之间的对应关系为模糊关系;
S3:对于雷达当前测量的目标的速度、目标的高度以及目标的雷达散射截面积均值,采用三角形隶属度函数分别将目标的速度与目标的高度进行模糊化处理,得到目标的速度与目标的高度对各等级的隶属度;采用广义钟型隶属度函数和三角形隶属度函数将目标的雷达散射截面积均值进行模糊化处理,得到目标的雷达散射截面积均值对各等级的隶属度;
S4:将目标的速度、目标的高度以及目标的雷达散射截面积均值对各等级的隶属度与所述模糊关系作模糊运算,得到目标类型的可能性的模糊集合;
S5:将所述模糊集合进行去模糊化,得到雷达当前测量到的目标的速度、目标的高度以及目标的雷达散射截面积均值属于各目标类型的可能性,将可能性最高的目标类型作为分类结果。
进一步地,将目标的速度的等级为慢、较慢、中、较快以及快;将目标的高度的等级为低、较低、中、较高以及高;将目标的雷达散射截面积均值的等级为小、较小、较大以及大;目标类型的可能性的等级为低、较低、中、较高以及高。
进一步地,所述目标类型包括直升机、民航客机、战斗机以及轰炸机。
进一步地,采用质心法将所述模糊集合进行去模糊化。
有益效果:
本发明提供一种基于模糊逻辑推理的目标分类方法,只需获取雷达当前测量的目标的速度、目标的高度以及目标的雷达散射截面积均值,即可通过求取三者对各等级的隶属度,再将隶属度与模糊关系作模糊运算,得到模糊集合后再进行反模糊化,得到目标分类结果,进而能够在密集杂波情况下对空中多个机动目标进行目标识别。
附图说明
图1为本发明提供的一种基于模糊逻辑推理的目标分类方法的流程图;
图2为本发明提供的目标的速度隶属度函数;
图3为本发明提供的目标高度的隶属度函数;
图4为本发明提供的目标的RCS隶属度函数;
图5为本发明提供的分类结果为直升机的隶属度函数;
图6为本发明提供的单次目标识别结果。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
假设存在四种会不断进行机动的空中飞行目标,分别为直升机,战斗机和大型轰炸机、民航客机。四种目标分别在各自常规的飞行区域飞行,通过雷达对四种目标进行观测,得到每一时刻目标的位置信息以及RCS特征信息。利用目标的高度特征,速度特征以及RCS特征作为模糊输入从而对目标进行分类。
参见图1,为本发明提供的一种基于模糊逻辑推理的目标分类方法的流程图。一种基于模糊逻辑推理的目标分类方法,包括以下步骤:
S1:为目标的速度、目标的高度、目标类型的可能性以及目标的雷达散射截面积均值设定等级,其中,目标的速度、目标的高度以及目标类型的可能性分为五个等级,目标的雷达散射截面积均值分为四个等级,且各目标类型的速度之间的重叠范围、高度之间的重叠范围以及雷达散射截面积均值之间的重叠范围均小于设定值。
等级具体设定如表1所示:
表1模糊输入与模糊输出
需要说明的是,直升机受到构造所限,其飞行速度相对而言较为缓慢,一般在200~300km/h之间波动。民航客机的飞行速度一般处于500~1000km/h之间。达到平稳飞行状态后其速度会保持在900km/h上下。而战斗机的速度则一般可以达到1000km/h以上。而轰炸机的速度一般相比于战斗机要慢一些,通常可以达到500-900km/h从四类目标的稳定飞行速度来看,四类模板的速度重叠范围较少。
对于目标的高度特征,将空中常见的目标分为四类:即直升机、轰炸机、战斗机以及民航客机,这些飞行目标一般在几百米到上万米的高空范围内飞行。民航客机由于受到规定的限制,只能按照固定的航线飞行,在飞行过程中民航客机大部分时间都会保持固定的高度和速度。其飞行高度一般位于8000~13000m之间,而直升机受到其结构特性的限制一般在几百米至几千米的范围内活动,而战斗机和轰炸机的飞行高度最高可以到达20000m以上。
对于目标的RCS特征,RCS信息的观测方程如下:
由于直升机的结构较为特殊,民航客机的体积较大,因此两者的RCS均较高,其中直升机的RCS范围在50~140之间较为常见,而民航客机的RCS在120~140之间。战斗机和轰炸机的RCS根据其型号和涂料使用有着很大的缩小,以苏-27和F15为例其RCS为10左右,而F16,F18等的反射截面积在5~6左右。战略轰炸机相比于战斗机来说体型更大,一般RCS值在10以上,如俄罗斯的图-160RCS约为15。
下面介绍如何提取上述目标运动信息:
通过雷达对目标的量测可以得到目标的位置信息,位置信息在雷达信号中的表示为目标的与雷达观测站之间的径向距离,水平角与俯仰角。通过坐标变换的方法可以进一步求解出目标在笛卡尔坐标系下的坐标,将目标的位置信息输入滤波器进行滤波则可以估算出目标的状态信息,包括了目标的速度与加速度。在单目标跟踪的过程中,通过IMM-UKF滤波算法可以对目标的运动模型进行估计,从而可以得到目标的运动特性。
在滤波过程中选择当前目标的状态变量为X,则对当前目标的速度观测矩阵如下所示:
目标当前的速度估计为:
v=HvX (3)
雷达所接收到的回波量测数据格式一般为其中ρ表示的是雷达相对于目标之间的径向距离,而θ表示雷达相对于目标的水平角,表示雷达相对于目标的俯仰角。在处理数据的过程中一般需要将雷达的量测信息从极坐标系下向笛卡尔坐标系下进行坐标变换从而更加方便的对目标进行观测。两个坐标转换公式如下:
由此可以通过雷达的量测信息直接得到目标的高度信息。本发明使用的是UKF滤波器,不止能够估计出目标的速度信息还能够估计出目标的加速度信息,然而由于加速度信息在识别过程中起到的作用并不大,因此本文在运动特征中只选取了速度以及高度信息,再结合目标的RCS特征对目标进行识别。
下面介绍如何提取目标的雷达散射截面积特征:
雷达接受到目标回波信号的强弱可以由雷达散射截面积(RCS)表示,一般来说在雷达量测过程中,目标的RCS值是多种因素综合作用的结果,其中最为关键的影响因素主要包括目标的尺寸、结构、材料属性和入射波的频率和波形,以及接收方向的姿态角。
由于RCS可以在很大程度上成为目标形状和体积的参考信息,因此基于RCS信息的目标分类算法成为了很多雷达系统中目标识别的主要手段。
目标的RCS特征包含RCS的峰度系数、偏度系数、标准差、极差、均值和最值等,由于本文只需要对四种较为典型的目标进行识别因此只选取RCS均值这一个RCS特征,结合目标的运动特征进行目标识别。
S2:将目标的速度、目标的高度以及目标的雷达散射截面积均值的各个等级进行排列组合,得到等级组合,然后按照经验进行分析判断,为每个等级组合确定对应的目标类型的可能性的所属等级,其中,目标的速度、目标的高度以及目标的雷达散射截面积均值与目标类型的可能性之间的对应关系为模糊关系。
例如,模糊规则采用if(A)and(B)and(C)then(D)and(E)and(F)and(G)规则。几条较为典型的规则设置如下所示:
if(速度慢)and(高度低)and(RCS值大)then(直升机可能性高)and(民航可能性较高)and(战斗机可能性低)and(轰炸机可能性低)。
if(速度快)and(高度高)and(RCS值较小)then(直升机可能性低)and(民航可能性低)and(战斗机可能性高)and(轰炸机可能性较高)。
if(速度较快)and(高度较高)and(RCS值较小)then(直升机可能性低)and(民航可能性低)and(战斗机可能性较高)and(轰炸机可能性较高)。
本系统中共存在100条模糊规则。
S3:对于雷达当前测量的目标的速度、目标的高度以及目标的雷达散射截面积均值,采用三角形隶属度函数分别将目标的速度与目标的高度进行模糊化处理,得到目标的速度与目标的高度对各等级的隶属度;采用广义钟型隶属度函数和三角形隶属度函数将目标的雷达散射截面积均值进行模糊化处理,得到目标的雷达散射截面积均值对各等级的隶属度。
也就是说,将目标当前的飞行高度信息利用“隶属度”的概念转换成模糊化的语言,包括低、较低、中、较高、高;通过滤波器模型中得出的目标运动状态得到关于目标速度的估计,将目标的速度信息转换为模糊化的语言,包括慢、较慢、中、较快、快;由于RCS会随着目标的俯仰角等因素改变,因此本发明利用目标的RCS均值对目标进行识别,将目标的RCS均值转换为模糊化的语言,包括小、较小、较大、大;此外,除了输入量以外,需要模糊化的还有输出量,本文中模糊逻辑推理系统以四类目标的分类结果的可能性作为模糊输出。由于飞行目标只可能有一种,因此只需要选取模糊输出中数值最高的输出作为分类结果即可。每个分类的结果都用低、较低、中、较高、高进行模糊化。
需要说明的是,目标的速度隶属度函数、目标的高度隶属度函数和分类结果的隶属度函数采用三角形隶属函数来计算隶属度,三种输入隶属度函数如图2~4所示,其函数形式为:
其中,a、b、c为设定常数,x指代目标的速度、目标的高度以及分类结果的可能性。
目标的RCS隶属度函数采用三角形隶属函数和广义钟型隶属函数,广义钟型隶属函数如图5所示,其具体函数形式为:
其中,a、b、c为设定常数,x指代目标的RCS。
S4:将目标的速度、目标的高度以及目标的雷达散射截面积均值对各等级的隶属度与所述模糊关系作模糊运算,得到目标类型的可能性的模糊集合。
例如,当前测量到的目标速度为300km/h,然后根据隶属度函数得到其对各等级的隶属度如下:
其中,NB表示慢、NS表示较慢、Z表示中、PS表示较快、PB表示快;即300km/h的目标速度,有0.2的可能性属于中,0.2的可能性属于较快;同理,可以得到目标的高度与目标的雷达散射截面积均值对各等级的隶属度A2和A3;然后,将A1、A2和A3与模糊关系作模糊运算,得到目标类型的可能性的模糊集合,例如得到模糊集合B(假设B为分类结果是直升机的模糊集合):
S5:将所述模糊集合进行去模糊化,得到雷达当前测量到的目标的速度、目标的高度以及目标的雷达散射截面积均值属于各目标类型的可能性,将可能性最高的目标类型作为分类结果。
也就是说,利用质心法对模糊集合进行去模糊化处理,最终可以得到目标属于直升机、民航客机、战斗机以及轰炸机的相似度,最终的分类结果取四个相似度中最大值所属的目标类型。
需要说明的是,模糊逻辑推理系统不能输出精确值,而是经过模糊逻辑推理系统输出的一个推理模糊集合,在具体运用的时候需要在最后将模糊集经过反模糊运算从而得到确定值,反模糊运算的方法有最大值法、质心法以及重心加权平均法,其原理是将得到的结果模糊集B的隶属度函数与X轴围城的闭合区域的质心所对应的B上的值作为反模糊化结果,质心法利用了模糊集B的区域内所有元素,是反模糊化中最为合理以及最为常用的方法,其公式如下:
下面对本发明的目标分类方法进行仿真分析:
本发明利用MATLAB软件进行模糊推理系统的构建,设定系统的输入为目标高度、速度、RCS均值,输出为四种目标的可能性,隶属度函数按照之前查询的相关资料进行设置。
利用Matlab软件设计仿真实验,以验证本章提出算法的可行性,在三维场景下随机生成多个不同的目标,并且为目标生成阶段设置目标的种类以及符合其种类的RCS特征以及初始运动状态,并在随机加速度添加过程中对加速度进行限制,使仿真目标的速度不会超过其应处的范围。在跟踪结果的基础上提取出所需的输入信息并输出识别结果。目标的种类共有4类,其中直升机类目标的速度范围设置为[100km/h,300km/h],高度范围设置为[1000m,8000m],雷达散射截面积范围设置为[50,120];民航客机类的目标速度范围设置为[200km/h,1000km/h],[4000m,15000m],雷达散射截面积范围设置为[100,200];战斗机类目标的速度范围设置为[500km/h,2500km/h],高度范围设置为[4000m,25000m],雷达散射截面积范围设置为[5,10]。轰炸机类目标的速度范围设置为[500km/h,900km/h],高度范围设置为[10000m,20000m],雷达散射截面积范围设置为[8,15]。
单次蒙特卡洛仿真的结果如图6所示。
图6中的星号线表示目标分类结果为直升机,圆形线表示分类结果为民航客机,加号线表示识别结果为战斗机,菱形线表示识别结果为轰炸机。
由图可见该次仿真过程中共生成了12个目标,其中共有3个目标被识别为直升机,4个目标被识别为战斗机,4个目标被识别为民航客机,1个目标被识别为轰炸机,通过比对matlab中生成航迹过程中的状态,证明了所有12个目标的识别结果均为正确。
表2为针对每个目标各进行100次蒙特卡洛仿真后的统计结果,通过表格中的数据可以看出分类识别的成功率都可以达到95%以上,而战斗机和轰炸机由于其RCS值和运动特征都有很多相似之处因此识别率稍有降低。
表2本发明对四种目标识别成功率
通过仿真实验可以看出本发明提出的基于目标运动特征以及RCS特征的模糊推理分类算法能够较为有效的对文中提到的四类飞行器即直升机,民航客机,战斗机和轰炸机进行初步的分类识别。
由此可见,本发明以部分目标在平稳飞行阶段的运动特征以及雷达散射截面积(RCS)特征作为模糊输入,利用模糊理论将目标的运动信息以及RCS信息进行模糊处理,根据相关的专家经验生成相应的模糊规则,最终得到目标分类结果。
当然,本发明还可有其他多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当然可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (4)
1.一种基于模糊逻辑推理的目标分类方法,其特征在于,包括以下步骤:
S1:为目标的速度、目标的高度、目标类型的可能性以及目标的雷达散射截面积均值设定等级,其中,目标的速度、目标的高度以及目标类型的可能性分为五个等级,目标的雷达散射截面积均值分为四个等级,且各目标类型的速度之间的重叠范围、高度之间的重叠范围以及雷达散射截面积均值之间的重叠范围均小于设定值;
S2:将目标的速度、目标的高度以及目标的雷达散射截面积均值的各个等级进行排列组合,得到等级组合,然后按照经验进行分析判断,为每个等级组合确定对应的目标类型的可能性的所属等级,其中,目标的速度、目标的高度以及目标的雷达散射截面积均值与目标类型的可能性之间的对应关系为模糊关系;
S3:对于雷达当前测量的目标的速度、目标的高度以及目标的雷达散射截面积均值,采用三角形隶属度函数分别将目标的速度与目标的高度进行模糊化处理,得到目标的速度与目标的高度对各等级的隶属度;采用广义钟型隶属度函数和三角形隶属度函数将目标的雷达散射截面积均值进行模糊化处理,得到目标的雷达散射截面积均值对各等级的隶属度;
S4:将目标的速度、目标的高度以及目标的雷达散射截面积均值对各等级的隶属度与所述模糊关系作模糊运算,得到目标类型的可能性的模糊集合;
S5:将所述模糊集合进行去模糊化,得到雷达当前测量到的目标的速度、目标的高度以及目标的雷达散射截面积均值属于各目标类型的可能性,将可能性最高的目标类型作为分类结果。
2.如权利要求1所述的一种基于模糊逻辑推理的目标分类方法,其特征在于,将目标的速度的等级为慢、较慢、中、较快以及快;将目标的高度的等级为低、较低、中、较高以及高;将目标的雷达散射截面积均值的等级为小、较小、较大以及大;目标类型的可能性的等级为低、较低、中、较高以及高。
3.如权利要求1所述的一种基于模糊逻辑推理的目标分类方法,其特征在于,所述目标类型包括直升机、民航客机、战斗机以及轰炸机。
4.如权利要求1所述的一种基于模糊逻辑推理的目标分类方法,其特征在于,采用质心法将所述模糊集合进行去模糊化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010349294.4A CN111474538A (zh) | 2020-04-28 | 2020-04-28 | 一种基于模糊逻辑推理的目标分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010349294.4A CN111474538A (zh) | 2020-04-28 | 2020-04-28 | 一种基于模糊逻辑推理的目标分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111474538A true CN111474538A (zh) | 2020-07-31 |
Family
ID=71762979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010349294.4A Pending CN111474538A (zh) | 2020-04-28 | 2020-04-28 | 一种基于模糊逻辑推理的目标分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111474538A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256274A (zh) * | 2021-07-14 | 2021-08-13 | 支付宝(杭州)信息技术有限公司 | 基于专家系统的业务处理方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0769705A1 (de) * | 1995-10-19 | 1997-04-23 | Daimler-Benz Aerospace Aktiengesellschaft | Verfahren und Anordnung zur Steuerung eines Multifunktionsradars |
CN102831298A (zh) * | 2012-07-30 | 2012-12-19 | 北京理工大学 | 一种用于目标发生器的目标实时路径规划方法 |
CN106970383A (zh) * | 2017-03-13 | 2017-07-21 | 天津师范大学 | 基于模糊模式识别和遗传算法的墙后人体多状态目标的检测方法 |
CN109990786A (zh) * | 2019-02-28 | 2019-07-09 | 深圳大学 | 机动目标跟踪方法及装置 |
US20190317191A1 (en) * | 2018-04-11 | 2019-10-17 | Infineon Technologies Ag | Human Detection and Identification in a Setting Using Millimiter-Wave Radar |
-
2020
- 2020-04-28 CN CN202010349294.4A patent/CN111474538A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0769705A1 (de) * | 1995-10-19 | 1997-04-23 | Daimler-Benz Aerospace Aktiengesellschaft | Verfahren und Anordnung zur Steuerung eines Multifunktionsradars |
CN102831298A (zh) * | 2012-07-30 | 2012-12-19 | 北京理工大学 | 一种用于目标发生器的目标实时路径规划方法 |
CN106970383A (zh) * | 2017-03-13 | 2017-07-21 | 天津师范大学 | 基于模糊模式识别和遗传算法的墙后人体多状态目标的检测方法 |
US20190317191A1 (en) * | 2018-04-11 | 2019-10-17 | Infineon Technologies Ag | Human Detection and Identification in a Setting Using Millimiter-Wave Radar |
CN109990786A (zh) * | 2019-02-28 | 2019-07-09 | 深圳大学 | 机动目标跟踪方法及装置 |
Non-Patent Citations (3)
Title |
---|
M. GAN, Y. CHENG, Y. WANG AND J. CHEN: "《Hierarchical particle filter tracking algorithm based on multi-feature fusion》", 《SYSTEMS ENGINEERING AND ELECTRONICS》 * |
吴强、姜礼平、 季傲: "《基于模糊集和D-S证据理论的空中作战目标识别》", 《指挥控制与仿真》 * |
曾钰: "《SAR与光学影像融合的变化信息提取》", 30 June 2015, 中国科学技术出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256274A (zh) * | 2021-07-14 | 2021-08-13 | 支付宝(杭州)信息技术有限公司 | 基于专家系统的业务处理方法及装置 |
CN113256274B (zh) * | 2021-07-14 | 2022-02-25 | 支付宝(杭州)信息技术有限公司 | 基于专家系统的业务处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104077601B (zh) | 一种利用不同类型信息进行目标综合识别的方法 | |
CN103903481B (zh) | 一种近地告警系统的阈值和包线设计方法 | |
CN113128342B (zh) | 航迹数据预处理方法及空中目标识别方法 | |
CN105956790B (zh) | 低空飞行态势安全性评估指标及其评估方法 | |
CN109284896B (zh) | 人误模式影响分析方法 | |
CN105518763B (zh) | 飞机航行用信息生成装置以及飞机航行用信息生成方法 | |
CN101853531A (zh) | 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 | |
Dong et al. | Deep learning in aircraft design, dynamics, and control: Review and prospects | |
CN105550473A (zh) | 一种基于支持向量机分类的重着陆预测方法 | |
Christopher et al. | Prediction of warning level in aircraft accidents using data mining techniques | |
Jarry et al. | Approach and landing aircraft on-board parameters estimation with lstm networks | |
Kong et al. | Bayesian deep learning for aircraft hard landing safety assessment | |
CN112633322A (zh) | 基于三维K-Means涡轴发动机载荷谱聚类分析方法 | |
Gil et al. | E-pilots: A system to predict hard landing during the approach phase of commercial flights | |
Weijun et al. | Deep learning for aircraft wake vortex identification | |
Chin et al. | Phases of flight identification for rotorcraft operations | |
CN111474538A (zh) | 一种基于模糊逻辑推理的目标分类方法 | |
CN105118332B (zh) | 一种基于聚类分析法的空中交通管制模拟仿真异常检测方法和装置 | |
CN106127407B (zh) | 基于多传感器信息融合的飞机行程打分方法及打分系统 | |
CN102968553A (zh) | 一种飞行器着陆风险评测方法 | |
Wu et al. | Flight situation recognition under different weather conditions | |
Garbarino et al. | Neural network based architecture for fault detection and isolation in air data systems | |
Fala et al. | Study on Machine Learning Methods for General Aviation Flight Phase Identification | |
Greenwood | Estimating helicopter noise abatement information with machine learning | |
JPH08509061A (ja) | 飛行中ドップラー気象レーダーウィンドシャー検出システム |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200731 |