CN112784487B - 飞行动作识别方法和装置 - Google Patents

飞行动作识别方法和装置 Download PDF

Info

Publication number
CN112784487B
CN112784487B CN202110093632.7A CN202110093632A CN112784487B CN 112784487 B CN112784487 B CN 112784487B CN 202110093632 A CN202110093632 A CN 202110093632A CN 112784487 B CN112784487 B CN 112784487B
Authority
CN
China
Prior art keywords
flight
neural network
convolutional neural
parameter matrix
characteristic parameter
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
Application number
CN202110093632.7A
Other languages
English (en)
Other versions
CN112784487A (zh
Inventor
闫文君
刘传辉
王玉
张立民
方伟
凌青
朱子强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
School Of Aeronautical Combat Service Naval Aeronautical University Of Pla
Original Assignee
School Of Aeronautical Combat Service Naval Aeronautical University Of Pla
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by School Of Aeronautical Combat Service Naval Aeronautical University Of Pla filed Critical School Of Aeronautical Combat Service Naval Aeronautical University Of Pla
Priority to CN202110093632.7A priority Critical patent/CN112784487B/zh
Publication of CN112784487A publication Critical patent/CN112784487A/zh
Application granted granted Critical
Publication of CN112784487B publication Critical patent/CN112784487B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/12—Simultaneous equations, e.g. systems of linear equations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/13—Differential equations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本申请提出一种飞行动作识别方法和装置，涉及数据处理技术领域，其中，方法包括：获取飞行参数；对飞行参数进行微分处理，获取特征参数矩阵；将特征参数矩阵输入已训练的卷积神经网络进行处理，获取动作类型。由此，将离散采样的飞行参数按时间等样分割，得到飞行参数的矩阵形式，将其时序特征转换为图像特征，进而可以利用卷积神经网络对图像处理的优势实现飞行的动作的快速识别，实现飞行动作识别效果好、识别准确率高，特别是能够实现在线识别。

Description

飞行动作识别方法和装置
技术领域
本申请涉及数据处理技术领域，尤其涉及一种飞行动作识别方法和装置。
背景技术
通常，飞行动作识别方法主要可以分成三类：一是基于专家系统的识别方法；二是基于概率图模型的识别方法，如贝叶斯网络模型(Bayesian Network，简称BN)，支持向量机(Support Vector Machine，简称SVM)等；三是神经网络的识别方法。
相关技术中，比如专家系统的识别方法依赖于规则判据，而规则判据的确定需要大量的先验知识，受到知识库不完备的影响，容易出现错识别和漏识别现象；还比如基于概率图模型的识别方法，能够运用机器学习的知识形成飞行动作的模型，准确率高，但由于计算复杂，存在所需识别时间长的缺点。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本申请的第一个目的在于提出一种飞行动作识别方法，通将离散采样的飞行参数按时间等样分割，得到飞行参数的矩阵形式，将其时序特征转换为图像特征，进而可以利用卷积神经网络对图像处理的优势实现飞行的动作的快速识别，实现飞行动作识别效果好、识别准确率高，特别是能够实现在线识别。
本申请的第二个目的在于提出一种飞行动作识别装置。
为达上述目的，本申请第一方面实施例提出了一种飞行动作识别方法，包括：
获取飞行参数；
对所述飞行参数进行微分处理，获取特征参数矩阵；
将所述特征参数矩阵输入已训练的卷积神经网络进行处理，获取动作类型。
本申请实施例的飞行动作识别方法，通过获取飞行参数；对飞行参数进行微分处理，获取特征参数矩阵；将特征参数矩阵输入已训练的卷积神经网络进行处理，获取动作类型。由此，将离散采样的飞行参数按时间等样分割，得到飞行参数的矩阵形式，将其时序特征转换为图像特征，进而可以利用卷积神经网络对图像处理的优势实现飞行的动作的快速识别，实现飞行动作识别效果好、识别准确率高，特别是能够实现在线识别。
可选地，在本申请的一个实施例中，所述获取飞行参数，包括：
根据飞行动力学模型，以机体坐标系为基础，获取飞机在三轴线上的动力学方程为：
Figure BDA0002912121610000021
其中，m为飞机质量，vx、vy、vz为速度三轴分量，ωx、ωy、ωz为三轴角速度分量，θ为俯仰角，γ为滚转角，Fx、Fy、Fz为合力在三轴上的分量
根据刚体转动定律，获取三轴转动的力矩平衡方程组：
Figure BDA0002912121610000022
其中，Ix、Iy、Iz为三轴转动惯量，Ixy为惯性积，假设飞机为完全对称的刚体，则，Ixy＝0Mx、My、Mz为三轴合力矩，公式(1)和公式(2)组成飞机六自由度动力学方程；
根据飞参数据中的高度、经度、纬度、航向角、俯仰角和滚转角进行坐标变换，获取所述飞机六自由度动力学方程中vx、vy、vz、ωx、ωy、ωz，获取所述飞行参数为所述高度、所述经度、所述纬度、所述航向角、所述俯仰角和所述滚转角。
可选地，在本申请的一个实施例中，所述对所述飞行参数进行微分处理，获取特征参数矩阵，包括：
对所述飞行参数进行离散采样，获取多个飞行参数集合；
将离散采样的所述多个飞行参数集合按时间等样分割，获取所述特征参数矩阵。
可选地，在本申请的一个实施例中，所述将所述特征参数矩阵输入已训练的卷积神经网络进行处理，获取动作类型，包括：
通过卷积神经网络的卷积核对所述特征参数矩阵进行计算，获取特征图；其中，所述特征图与所述特征参数矩阵的关系满足公式(3)：
Figure BDA0002912121610000023
其中，Mj为输入的特征参数矩阵，
Figure BDA0002912121610000024
为输入的特征参数矩阵l-1层卷积层的第i个特征图，
Figure BDA0002912121610000025
为第l层卷积层的第j个特征图，
Figure BDA0002912121610000026
为卷积核，
Figure BDA0002912121610000027
为偏置，f()为激活函数；
所述卷积神经网络的全连接层将所述特征图转换为列向量，对所述列向量进行权重加权，并通过激活函数输出工作类型概率；其中，关系满足公式(4)：
Figure BDA0002912121610000031
其中，Yi表示基本飞行动作单元，wik为全连接层第i个神经元与上一层第k个神经元的权重，xk为上一层特征图，bi为偏置，σ()为激活函数；
根据所述工作类型概率确定所述动作类型。
可选地，在本申请的一个实施例中，在所述将所述特征参数矩阵输入已训练的卷积神经网络进行处理，获取动作类型之前，还包括：
获取训练样本{(x1,y1),(x2,y2),…,(xm,ym)}，其中，xi(i＝1,2,…,m)为输入的参数特征矩阵，yi(i＝1,2,…,m)为热独编码后的基本飞行单元类型标签；
将所述训练样本输入所述卷积神经网络进行训练，获取样本类型概率，根据所述样本类型概率与目标值误差调整所述卷积神经网络的参数，以及基于所述误差从后到前传递通过阶梯下降法更新所述卷积神经网络的权重和偏置，获取已训练的卷积神经网络；
其中，梯度下降法的公式为：
Figure BDA0002912121610000032
Figure BDA0002912121610000033
其中，α为学习率，
Figure BDA0002912121610000034
为交叉熵损失函数，公式(3)(4)中
Figure BDA0002912121610000035
wik和
Figure BDA0002912121610000036
bi表示为权重W和偏置b，检查W和b的变化值，如果小于停止迭代的阀值，就跳出循环输出各层的W和b。
为达上述目的，本申请第二方面实施例提出了一种飞行动作识别装置，包括：
第一获取模块，用于获取飞行参数；
第一处理模块，用于对所述飞行参数进行微分处理，获取特征参数矩阵；
第二处理模块，用于将所述特征参数矩阵输入已训练的卷积神经网络进行处理，获取动作类型。
本申请实施例的飞行动作识别装置，通过获取飞行参数；对飞行参数进行微分处理，获取特征参数矩阵；将特征参数矩阵输入已训练的卷积神经网络进行处理，获取动作类型。由此，将离散采样的飞行参数按时间等样分割，得到飞行参数的矩阵形式，将其时序特征转换为图像特征，进而可以利用卷积神经网络对图像处理的优势实现飞行的动作的快速识别，实现飞行动作识别效果好、识别准确率高，特别是能够实现在线识别。
可选地，在本申请的一个实施例中，所述第一获取模块，具体用于：
根据飞行动力学模型，以机体坐标系为基础，获取飞机在三轴线上的动力学方程为：
Figure BDA0002912121610000041
其中，m为飞机质量，vx、vy、vz为速度三轴分量，ωx、ωy、ωz为三轴角速度分量，θ为俯仰角，γ为滚转角，Fx、Fy、Fz为合力在三轴上的分量
根据刚体转动定律，获取三轴转动的力矩平衡方程组：
Figure BDA0002912121610000042
其中，Ix、Iy、Iz为三轴转动惯量，Ixy为惯性积，假设飞机为完全对称的刚体，则，Ixy＝0Mx、My、Mz为三轴合力矩，公式(1)和公式(2)组成飞机六自由度动力学方程；
根据飞参数据中的高度、经度、纬度、航向角、俯仰角和滚转角进行坐标变换，获取所述飞机六自由度动力学方程中vx、vy、vz、ωx、ωy、ωz，获取所述飞行参数为所述高度、所述经度、所述纬度、所述航向角、所述俯仰角和所述滚转角。
可选地，在本申请的一个实施例中，所述第一处理模块，具体用于：
对所述飞行参数进行离散采样，获取多个飞行参数集合；
将离散采样的所述多个飞行参数集合按时间等样分割，获取所述特征参数矩阵。
可选地，所述第二处理模块，具体用于：
通过卷积神经网络的卷积核对所述特征参数矩阵进行计算，获取特征图；其中，所述特征图与所述特征参数矩阵的关系满足公式(3)：
Figure BDA0002912121610000043
其中，Mj为输入的特征参数矩阵，
Figure BDA0002912121610000044
为输入的特征参数矩阵l-1层卷积层的第i个特征图，
Figure BDA0002912121610000045
为第l层卷积层的第j个特征图，
Figure BDA0002912121610000046
为卷积核，
Figure BDA0002912121610000047
为偏置，f()为激活函数；
所述卷积神经网络的全连接层将所述特征图转换为列向量，对所述列向量进行权重加权，并通过激活函数输出工作类型概率；其中，关系满足公式(4)：
Figure BDA0002912121610000048
其中，Yi表示基本飞行动作单元，wik为全连接层第i个神经元与上一层第k个神经元的权重，xk为上一层特征图，bi为偏置，σ()为激活函数；
根据所述工作类型概率确定所述动作类型。
可选地，所述的装置，还包括：
第二获取模块，用于获取训练样本{(x1,y1),(x2,y2),…,(xm,ym)}，其中，xi(i＝1,2,…,m)为输入的参数特征矩阵，yi(i＝1,2,…,m)为热独编码后的基本飞行单元类型标签；
训练模块，用于将所述训练样本输入所述卷积神经网络进行训练，获取样本类型概率，根据所述样本类型概率与目标值误差调整所述卷积神经网络的参数，以及基于所述误差从后到前传递通过阶梯下降法更新所述卷积神经网络的权重和偏置，获取已训练的卷积神经网络；
其中，梯度下降法的公式为：
Figure BDA0002912121610000051
Figure BDA0002912121610000052
其中，α为学习率，
Figure BDA0002912121610000053
为交叉熵损失函数，公式(3)(4)中
Figure BDA0002912121610000054
wik和
Figure BDA0002912121610000055
bi表示为权重W和偏置b，检查W和b的变化值，如果小于停止迭代的阀值，就跳出循环输出各层的W和b。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例一所提供的一种飞行动作识别方法的流程示意图；
图2为本申请实施例的坐标系示意图；
图3为本申请实施例的卷积神经网络模型示意图；
图4为本申请实施例的混淆矩阵示意图；
图5为本申请实施例的测试数据识别仿真示意图；
图6为本申请实施例所提供的一种飞行动作识别装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的飞行动作识别方法和装置。
图1为本申请实施例一所提供的一种飞行动作识别方法的流程示意图。
如图1所示，该飞行动作识别方法包括以下步骤：
步骤101，获取飞行参数。
步骤102，对飞行参数进行微分处理，获取特征参数矩阵。
步骤103，将特征参数矩阵输入已训练的卷积神经网络进行处理，获取动作类型。
在本申请实施例中，根据飞行动力学模型，以机体坐标系为基础，如图2所示的坐标系示意图，获取飞机在三轴线上的动力学方程为：
Figure BDA0002912121610000061
其中，m为飞机质量，vx、vy、vz为速度三轴分量，ωx、ωy、ωz为三轴角速度分量，θ为俯仰角，γ为滚转角，Fx、Fy、Fz为合力在三轴上的分量
根据刚体转动定律，获取三轴转动的力矩平衡方程组：
Figure BDA0002912121610000062
其中，Ix、Iy、Iz为三轴转动惯量，Ixy为惯性积，假设飞机为完全对称的刚体，则，Ixy＝0Mx、My、Mz为三轴合力矩，公式(1)和公式(2)组成飞机六自由度动力学方程；
根据飞参数据中的高度、经度、纬度、航向角、俯仰角和滚转角进行坐标变换，获取所述飞机六自由度动力学方程中vx、vy、vz、ωx、ωy、ωz，获取飞行参数为高度、所述经度、纬度、航向角、俯仰角和滚转角。
具体地，飞参数据是由飞行参数记录系统(黑匣子)采集获取的整个飞行过程的所有数据信息，数据类型多，可以提供飞行动作识别所需的参数，通过这些参数可以复现整个飞行过程，实现人工判读识别飞行动作，本申请的目的就是通过深度学习的方法，实现机器快速识别飞行动作。
飞参数据中的高度H、经度LON、纬度LAT、航向角ψ、俯仰角θ、滚转角γ构成特征参数向量：α＝(H,LON,LAT,ψ,θ,γ)。同时，可以利用航向角、俯仰角、滚转角作为卷积神经网络的训练集添加标签参数，高度、经度、纬度作为验证参数。
在本申请实施例中，军用飞机的飞行动作主要分为两类：一是简单动作，如盘旋、上升转弯、下降转弯等；二是复杂动作，如斤斗、半斤、半滚倒转、高低yo-yo等。假设将飞机看作质点，简单动作和复杂动作可以从时间和空间分割成基本飞行动作单元。基本飞行动作单元应在具有普遍性和独特性的特点，即在整航段分布上具有普遍性，在特征参数表现上具有独特性。结合以上两个特点和专家的先验知识，飞行动作可以分为四种基本飞行动作单元：平飞、上升、下降、转弯，如表1中S1-S4所示。本申请以基本飞行动作单元为主要研究内容，利用卷积神经网络实现飞行的动作单元的快速识别。
表1飞机动作单元特征参数
Figure BDA0002912121610000071
具体地，飞行参数是一种时序信息，因此飞行动作具有所需时间不等长和随时间连续相关变换的时序特征，这使得在进行识别时需要对飞参数据进行预处理。在传统的飞行动作识别方法中，一般是通过判断动作状态变换来确定一种动作的起点和终点，再对这样分割出的数据进行识别，而这种方法需要对整段飞参数据进行推理判断，对识别速度和准确率有较大影响。利用神经网络进行模块化识别能够有效去除对原始数据的判断过程，但神经网络需要以等长的数据进行动作模型训练和测试，因此本发明提出以微分思想的方法对飞行参数进行处理解决这一问题。飞行参数的微分思想就是将离散采样的飞行参数按时间等样分割，得到飞行参数的矩阵形式，将其时序特征转换为空间(图像)特征，进而可以利用卷积神经网络对图像处理的优势实现飞行的动作的快速识别。
在本申请实施例中，对飞行参数进行离散采样，获取多个飞行参数集合；将离散采样的多个飞行参数集合按时间等样分割，获取特征参数矩阵。
具体地，一段长度为T的飞参数据，记为(α1,α2,…,αT),利用微分思想，以n为采样点个数，得飞行参数的矩阵为{(α1,α2,…,αn),(αn,αn+1,…,α2n),…(αkn,αkn+1,…,αT)}，其中，k＝T/n-1。n的取值可以由阿卡克信息标准确定。同时，n的取值也是飞行动作的最小单元数，应与飞行动作单元相关联，与采样频率有关，采样频率越大，n越大；采样频率越小，n越小。
在本申请实施例中，卷积神经网络模型如图3所示，通过卷积神经网络的卷积核对特征参数矩阵进行计算，获取特征图；其中，特征图与特征参数矩阵的关系满足公式(3)：
Figure BDA0002912121610000081
其中，Mj为输入的特征参数矩阵，
Figure BDA0002912121610000082
为输入的特征参数矩阵l-1层卷积层的第i个特征图，
Figure BDA0002912121610000083
为第l层卷积层的第j个特征图，
Figure BDA0002912121610000084
为卷积核，
Figure BDA0002912121610000085
为偏置，f()为激活函数；卷积神经网络的全连接层将所述特征图转换为列向量，对列向量进行权重加权，并通过激活函数输出工作类型概率；其中，关系满足公式(4)：
Figure BDA0002912121610000086
其中，Yi表示基本飞行动作单元，wik为全连接层第i个神经元与上一层第k个神经元的权重，xk为上一层特征图，bi为偏置，σ()为激活函数；根据工作类型概率确定动作类型。
具体地，将提取的飞参数据按时间顺序组成的特征参数矩阵(α1,α2,…,αn)，其中，n为基本动作单元的采样个数，将特征参数矩阵输入卷积神经网络，网络包括卷积层、Dropout层和连接层，其中卷积层单元数为64，卷积核大小为2×2。卷积层实现每个神经元按步长完成核卷积计算。首先，为保持边界信息和补齐输入数据差异进行边缘补充；其次，运用激活函数实现去线性化,使用线性整流函数(ReLU)实现(最后全连接层后使用归一化指数函数作为激活函数)；最终达到特征提取的目的。输出层让某些神经元的激活值以一定的概率停止工作，从而达到防止过拟合的效果。全连接层完成分类任务，使用独热编码的形式输出飞行动作单元种类。
在本申请实施例中，根据监督学习的相关知识，获取训练样本{(x1,y1),(x2,y2),…,(xm,ym)}，其中，xi(i＝1,2,…,m)为输入的参数特征矩阵，yi(i＝1,2,…,m)为热独编码后的基本飞行单元类型标签；将训练样本输入卷积神经网络进行训练，获取样本类型概率，根据样本类型概率与目标值误差调整卷积神经网络的参数，卷积神经网络的训练过程主要分为两个阶段，第一阶段是数据从前到后传递得到输出与目标值误差，即向前传播阶段，以及第二阶段基于误差从后到前传递通过阶梯下降法更新卷积神经网络的权重和偏置，获取已训练的卷积神经网络。
其中，梯度下降法的公式为：
Figure BDA0002912121610000087
Figure BDA0002912121610000088
其中，α为学习率，
Figure BDA0002912121610000089
为交叉熵损失函数，公式(3)(4)中
Figure BDA00029121216100000810
wik和
Figure BDA00029121216100000811
bi表示为权重W和偏置b，检查W和b的变化值，如果小于停止迭代的阀值，就跳出循环输出各层的W和b。
举例而言，如图4和图5所示，从图4中可以看出，四种基本飞行单元颜色区分明显，并且真实标签与网络预测标签一致，证明本网络对四种基本飞行单元具有较好的分类效果。以及提取网络训练的相关权重参数，利用公式(4)对一整段仿真飞行数据进行检验，通过坐标转换得到飞行轨迹如图5，其中，黑色段为上升单元，灰色段为平飞单元，浅灰色段为下降单元，深黑色段为转弯单元，不难发现位置1处为一段平飞单元段，其产生原因为飞机转弯方向变化期间飞机处于平飞状态。网络参数对新输入飞行数据具有较好的识别效果，同时也证明本网络模型具有快速的在线识别能力。
由此，识别效果好，识别准确率高，特别是能够实现在线识别。在智能空战和飞行质量评估(如飞机着舰能力分析)等领域，飞参数据的实时性非常重要，本算法对这些领域支撑效果明显。
最后，本申请实施例的方式与相关技术进行对比验证，第一种，运用动态贝叶斯模型对飞行动作进行识别，并通过在线调制机制将低了算法复杂度，算法准确率为99.7％，但其依然没有摆脱传统贝叶斯算法的推理过程，本算法通过提取网络权重，可直接对飞行参数进行识别，具有较好的实时性，在线识别能力强。第二种，首先运用先验知识确定飞行动作的状态转移关系，然后运用神经网络进行识别，虽对特定的飞行具有较高的识别率，但受到初始状态关系影响，不能实现准确的在线识别。第三种，采用决策树支持向量机的方法对飞行数据进行识别，其通过数据相似度构建决策树结构，可扩展性较差；其次，该方法使用遗传算法进行参数寻优提高了其算法的复杂度；文献算法的准确率最高为91.6％，明显低于本发明算法。算法性能比较如表2。
表2不同算法性能比较
Figure BDA0002912121610000091
本申请实施例的飞行动作识别方法，通过获取飞行参数；对飞行参数进行微分处理，获取特征参数矩阵；将特征参数矩阵输入已训练的卷积神经网络进行处理，获取动作类型。由此，将离散采样的飞行参数按时间等样分割，得到飞行参数的矩阵形式，将其时序特征转换为图像特征，进而可以利用卷积神经网络对图像处理的优势实现飞行的动作的快速识别，实现飞行动作识别效果好、识别准确率高，特别是能够实现在线识别。
为了实现上述实施例，本申请还提出一种飞行动作识别装置。
图6为本申请实施例提供的一种飞行动作识别装置的结构示意图。
如图6所示，该飞行动作识别装置包括：第一获取模块210、第一处理模块220和第二处理模块230。
第一获取模块210，用于获取飞行参数。
第一处理模块220，用于对所述飞行参数进行微分处理，获取特征参数矩阵。
第二处理模块230，用于将所述特征参数矩阵输入已训练的卷积神经网络进行处理，获取动作类型。
在本申请实施例中，第一获取模块210，具体用于：根据飞行动力学模型，以机体坐标系为基础，获取飞机在三轴线上的动力学方程为：
Figure BDA0002912121610000101
其中，m为飞机质量，vx、vy、vz为速度三轴分量，ωx、ωy、ωz为三轴角速度分量，θ为俯仰角，γ为滚转角，Fx、Fy、Fz为合力在三轴上的分量
根据刚体转动定律，获取三轴转动的力矩平衡方程组：
Figure BDA0002912121610000102
其中，Ix、Iy、Iz为三轴转动惯量，Ixy为惯性积，假设飞机为完全对称的刚体，则，Ixy＝0Mx、My、Mz为三轴合力矩，公式(1)和公式(2)组成飞机六自由度动力学方程；
根据飞参数据中的高度、经度、纬度、航向角、俯仰角和滚转角进行坐标变换，获取所述飞机六自由度动力学方程中vx、vy、vz、ωx、ωy、ωz，获取所述飞行参数为所述高度、所述经度、所述纬度、所述航向角、所述俯仰角和所述滚转角。
在本申请实施例中，第一处理模块220，具体用于：对所述飞行参数进行离散采样，获取多个飞行参数集合；将离散采样的所述多个飞行参数集合按时间等样分割，获取所述特征参数矩阵。
在本申请实施例中，第二处理模块230，具体用于：通过卷积神经网络的卷积核对所述特征参数矩阵进行计算，获取特征图；其中，所述特征图与所述特征参数矩阵的关系满足公式(3)：
Figure BDA0002912121610000111
其中，Mj为输入的特征参数矩阵，
Figure BDA0002912121610000112
为输入的特征参数矩阵l-1层卷积层的第i个特征图，
Figure BDA0002912121610000113
为第l层卷积层的第j个特征图，
Figure BDA0002912121610000114
为卷积核，
Figure BDA0002912121610000115
为偏置，f()为激活函数；
所述卷积神经网络的全连接层将所述特征图转换为列向量，对所述列向量进行权重加权，并通过激活函数输出工作类型概率；其中，关系满足公式(4)：
Figure BDA0002912121610000116
其中，Yi表示基本飞行动作单元，wik为全连接层第i个神经元与上一层第k个神经元的权重，xk为上一层特征图，bi为偏置，σ()为激活函数；根据所述工作类型概率确定所述动作类型。
在本申请实施例中，所述装置还包括：第二获取模块，用于获取训练样本{(x1,y1),(x2,y2),…,(xm,ym)}，其中，xi(i＝1,2,…,m)为输入的参数特征矩阵，yi(i＝1,2,…,m)为热独编码后的基本飞行单元类型标签；训练模块，用于将所述训练样本输入所述卷积神经网络进行训练，获取样本类型概率，根据所述样本类型概率与目标值误差调整所述卷积神经网络的参数，以及基于所述误差从后到前传递通过阶梯下降法更新所述卷积神经网络的权重和偏置，获取已训练的卷积神经网络；其中，梯度下降法的公式为：
Figure BDA0002912121610000117
Figure BDA0002912121610000118
其中，α为学习率，
Figure BDA0002912121610000119
为交叉熵损失函数，公式(3)(4)中
Figure BDA00029121216100001110
wik和
Figure BDA00029121216100001111
bi表示为权重W和偏置b，检查W和b的变化值，如果小于停止迭代的阀值，就跳出循环输出各层的W和b。
本申请实施例的飞行动作识别装置，通过获取飞行参数；对飞行参数进行微分处理，获取特征参数矩阵；将特征参数矩阵输入已训练的卷积神经网络进行处理，获取动作类型。由此，将离散采样的飞行参数按时间等样分割，得到飞行参数的矩阵形式，将其时序特征转换为图像特征，进而可以利用卷积神经网络对图像处理的优势实现飞行的动作的快速识别，实现飞行动作识别效果好、识别准确率高，特别是能够实现在线识别。
需要说明的是，前述对飞行动作识别方法实施例的解释说明也适用于该实施例的飞行动作识别装置，此处不再赘述。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (6)

1.一种飞行动作识别方法，其特征在于，包括以下步骤：
获取飞行参数；
对所述飞行参数进行微分处理，获取特征参数矩阵；
将所述特征参数矩阵输入已训练的卷积神经网络进行处理，获取动作类型；
其中，所述获取飞行参数，包括：
根据飞行动力学模型，以机体坐标系为基础，获取飞机在三轴线上的动力学方程为：
Figure FDA0003521382120000011
其中，m为飞机质量，vx、vy、vz为速度三轴分量，ωx、ωy、ωz为三轴角速度分量，θ为俯仰角，γ为滚转角，Fx、Fy、Fz为合力在三轴上的分量；
根据刚体转动定律，获取三轴转动的力矩平衡方程组：
Figure FDA0003521382120000012
其中，Ix、Iy、Iz为三轴转动惯量，Ixy为惯性积，假设飞机为完全对称的刚体，则Ixy＝0，Mx、My、Mz为三轴合力矩，公式(1)和公式(2)组成飞机六自由度动力学方程；
根据飞参数据中的高度、经度、纬度、航向角、俯仰角和滚转角进行坐标变换，获取所述飞机六自由度动力学方程中vx、vy、vz、ωx、ωy、ωz，获取所述飞行参数为所述高度、所述经度、所述纬度、所述航向角、所述俯仰角和所述滚转角；
所述将所述特征参数矩阵输入已训练的卷积神经网络进行处理，获取动作类型，包括：
通过卷积神经网络的卷积核对所述特征参数矩阵进行计算，获取特征图；其中，所述特征图与所述特征参数矩阵的关系满足公式(3)：
Figure FDA0003521382120000013
其中，Mj为输入的特征参数矩阵，
Figure FDA0003521382120000014
为输入的特征参数矩阵l-1层卷积层的第i个特征图，
Figure FDA0003521382120000021
为第l层卷积层的第j个特征图，
Figure FDA0003521382120000022
为卷积核，
Figure FDA0003521382120000023
为偏置，f()为激活函数；
所述卷积神经网络的全连接层将所述特征图转换为列向量，对所述列向量进行权重加权，并通过激活函数输出工作类型概率；其中，关系满足公式(4)：
Figure FDA0003521382120000024
其中，Yi表示基本飞行动作单元，wik为全连接层第i个神经元与上一层第k个神经元的权重，xk为上一层特征图，bi为偏置，σ()为激活函数；
根据所述工作类型概率确定所述动作类型。
2.如权利要求1所述的方法，其特征在于，所述对飞行参数进行微分处理，获取特征参数矩阵，包括：
对所述飞行参数进行离散采样，获取多个飞行参数集合；
将离散采样的所述多个飞行参数集合按时间等样分割，获取所述特征参数矩阵。
3.如权利要求1所述的方法，其特征在于，在所述将所述特征参数矩阵输入已训练的卷积神经网络进行处理，获取动作类型之前，还包括：
获取训练样本{(x1,y1),(x2,y2),…,(xm,ym)}，其中，xi(i＝1,2,…,m)为输入的参数特征矩阵，yi(i＝1,2,…,m)为热独编码后的基本飞行单元类型标签；
将所述训练样本输入所述卷积神经网络进行训练，获取样本类型概率，根据所述样本类型概率与目标值误差调整所述卷积神经网络的参数，以及基于所述误差从后到前传递通过阶梯下降法更新所述卷积神经网络的权重和偏置，获取已训练的卷积神经网络；
其中，梯度下降法的公式为：
Figure FDA0003521382120000025
Figure FDA0003521382120000026
其中，α为学习率，
Figure FDA0003521382120000027
为交叉熵损失函数，公式(3)(4)中
Figure FDA0003521382120000028
wik和
Figure FDA0003521382120000029
bi表示为权重W和偏置b，检查W和b的变化值，如果小于停止迭代的阀值，就跳出循环输出各层的W和b。
4.一种飞行动作识别装置，其特征在于，包括：
第一获取模块，用于获取飞行参数；
第一处理模块，用于对所述飞行参数进行微分处理，获取特征参数矩阵；
第二处理模块，用于将所述特征参数矩阵输入已训练的卷积神经网络进行处理，获取动作类型；
其中，所述第一获取模块，具体用于：
根据飞行动力学模型，以机体坐标系为基础，获取飞机在三轴线上的动力学方程为：
Figure FDA0003521382120000031
其中，m为飞机质量，vx、vy、vz为速度三轴分量，ωx、ωy、ωz为三轴角速度分量，θ为俯仰角，γ为滚转角，Fx、Fy、Fz为合力在三轴上的分量；
根据刚体转动定律，获取三轴转动的力矩平衡方程组：
Figure FDA0003521382120000032
其中，Ix、Iy、Iz为三轴转动惯量，Ixy为惯性积，假设飞机为完全对称的刚体，则，Ixy＝0Mx、My、Mz为三轴合力矩，公式(1)和公式(2)组成飞机六自由度动力学方程；
根据飞参数据中的高度、经度、纬度、航向角、俯仰角和滚转角进行坐标变换，获取所述飞机六自由度动力学方程中vx、vy、vz、ωx、ωy、ωz，获取所述飞行参数为所述高度、所述经度、所述纬度、所述航向角、所述俯仰角和所述滚转角；
所述第二处理模块，具体用于：
通过卷积神经网络的卷积核对所述特征参数矩阵进行计算，获取特征图；其中，所述特征图与所述特征参数矩阵的关系满足公式(3)：
Figure FDA0003521382120000033
其中，Mj为输入的特征参数矩阵，
Figure FDA0003521382120000034
为输入的特征参数矩阵l-1层卷积层的第i个特征图，
Figure FDA0003521382120000035
为第l层卷积层的第j个特征图，
Figure FDA0003521382120000036
为卷积核，
Figure FDA0003521382120000037
为偏置，f()为激活函数；
所述卷积神经网络的全连接层将所述特征图转换为列向量，对所述列向量进行权重加权，并通过激活函数输出工作类型概率；其中，关系满足公式(4)：
Figure FDA0003521382120000038
其中，Yi表示基本飞行动作单元，wik为全连接层第i个神经元与上一层第k个神经元的权重，xk为上一层特征图，bi为偏置，σ()为激活函数；
根据所述工作类型概率确定所述动作类型。
5.如权利要求4所述的装置，其特征在于，所述第一处理模块，具体用于：
对所述飞行参数进行离散采样，获取多个飞行参数集合；
将离散采样的所述多个飞行参数集合按时间等样分割，获取所述特征参数矩阵。
6.如权利要求4所述的装置，其特征在于，还包括：
第二获取模块，用于获取训练样本{(x1,y1),(x2,y2),…,(xm,ym)}，其中，xi(i＝1,2,…,m)为输入的参数特征矩阵，yi(i＝1,2,…,m)为热独编码后的基本飞行单元类型标签；
训练模块，用于将所述训练样本输入所述卷积神经网络进行训练，获取样本类型概率，根据所述样本类型概率与目标值误差调整所述卷积神经网络的参数，以及基于所述误差从后到前传递通过阶梯下降法更新所述卷积神经网络的权重和偏置，获取已训练的卷积神经网络；
其中，梯度下降法的公式为：
Figure FDA0003521382120000041
Figure FDA0003521382120000042
其中，α为学习率，
Figure FDA0003521382120000043
为交叉熵损失函数，公式(3)(4)中
Figure FDA0003521382120000044
wik和
Figure FDA0003521382120000045
bi表示为权重W和偏置b，检查W和b的变化值，如果小于停止迭代的阀值，就跳出循环输出各层的W和b。
CN202110093632.7A 2021-01-22 2021-01-22 飞行动作识别方法和装置 Active CN112784487B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110093632.7A CN112784487B (zh) 2021-01-22 2021-01-22 飞行动作识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110093632.7A CN112784487B (zh) 2021-01-22 2021-01-22 飞行动作识别方法和装置

Publications (2)

Publication Number Publication Date
CN112784487A CN112784487A (zh) 2021-05-11
CN112784487B true CN112784487B (zh) 2022-05-03

Family

ID=75758790

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110093632.7A Active CN112784487B (zh) 2021-01-22 2021-01-22 飞行动作识别方法和装置

Country Status (1)

Country Link
CN (1) CN112784487B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113450599B (zh) * 2021-05-31 2022-12-23 北京军懋国兴科技股份有限公司 一种飞行动作实时识别方法
CN115221210A (zh) * 2022-07-25 2022-10-21 中国人民解放军陆军航空兵学院 一种基于航空装备飞参数据分析机动能力的方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Aircraft Dynamics Model Augmentation for RPAS Navigation and Guidance;CAPPELLO F等;《2016 IEEE International Conference on Unmanned Aircraft Systems》;20161231;全文 *
分析参数相关和时序特征的飞行动作识别方法;张玉叶等;《计算机工程与应用》;20161231;全文 *
基于动态贝叶斯网络的机动动作识别方法;孟光磊等;《系统仿真学报》;20171231;全文 *
基于模糊支持向量机的飞机飞行动作识别;杨俊等;《航空学报》;20051231;全文 *
基于贝叶斯网络的飞行动作识别方法;沈一超等;《计算机工程与应用》;20171215(第24期);全文 *
基于飞参数据的直升机飞行动作识别方法研究;付雅斌;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20150815;全文 *

Also Published As

Publication number Publication date
CN112784487A (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
CN108594788B (zh) 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法
CN114048889B (zh) 基于长短期记忆网络的飞行器轨迹预测的方法
CN108062569B (zh) 一种基于红外和雷达的无人车驾驶决策方法
CN106845430A (zh) 基于加速区域卷积神经网络的行人检测与跟踪方法
CN110647912A (zh) 细粒度图像识别方法、装置、计算机设备及存储介质
CN112784487B (zh) 飞行动作识别方法和装置
CN107977683B (zh) 基于卷积特征提取和机器学习的联合sar目标识别方法
CN110956154A (zh) 一种基于cnn-lstm的振动信息地形分类识别方法
CN112859898B (zh) 一种基于双通道双向神经网络的飞行器轨迹预测方法
US10878292B2 (en) Automatic generation of a new class in a classification system
CN110018453A (zh) 基于飞机航迹特征的智能机型识别方法
CN111142538B (zh) 一种水环境监测的无人船运行策略实时决策方法
CN108491650B (zh) 一种基于智能学习的火星进入终端状态高效评估方法
CN110082738B (zh) 基于高斯混合和张量循环神经网络的雷达目标识别方法
Xie et al. Dual-channel and bidirectional neural network for hypersonic glide vehicle trajectory prediction
CN114492634B (zh) 一种细粒度装备图片分类识别方法及系统
CN114937182A (zh) 一种基于情感轮和卷积神经网络的图像情感分布预测方法
CN111216126A (zh) 基于多模态感知的足式机器人运动行为识别方法及系统
US10935938B1 (en) Learning from operator data for practical autonomy
CN113406623A (zh) 基于雷达高分辨距离像的目标识别方法、装置及介质
Neloy et al. Alpha-N-V2: Shortest path finder automated delivery robot with obstacle detection and avoiding system
Wastupranata et al. UAV detection using web application approach based on SSD pre-trained model
CN112464750B (zh) 一种基于深度学习的车牌特征点检测方法
Toubeh et al. Risk-aware planning by confidence estimation using deep learning-based perception
CN112101263A (zh) 一种主动学习样本选取方法、系统及计算机可读存储介质

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