CN112926745A - 一种自动识别和截取试飞动作模式数据的方法及装置 - Google Patents
一种自动识别和截取试飞动作模式数据的方法及装置 Download PDFInfo
- Publication number
- CN112926745A CN112926745A CN202110205262.1A CN202110205262A CN112926745A CN 112926745 A CN112926745 A CN 112926745A CN 202110205262 A CN202110205262 A CN 202110205262A CN 112926745 A CN112926745 A CN 112926745A
- Authority
- CN
- China
- Prior art keywords
- sequence
- data
- mode
- flight
- subsequence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000012360 testing method Methods 0.000 title claims abstract description 44
- 230000009471 action Effects 0.000 title claims abstract description 30
- 238000010801 machine learning Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 66
- 230000008569 process Effects 0.000 claims description 50
- 238000005096 rolling process Methods 0.000 claims description 17
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 238000003909 pattern recognition Methods 0.000 claims description 5
- 238000013500 data storage Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 230000024703 flight behavior Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 8
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 24
- 238000004364 calculation method Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000005303 weighing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供的一种自动识别和截取试飞动作模式数据的方法及装置,方法包括预先设定飞行模式的起始端点模板序列和终止模板端点序列,这样利用DTW算法计算子序列的目标参数序列与预设的端点序列的DTW距离,来识别飞行模式的起始点和终止点;然后将待测试飞行数据在起始点和终止点之间的数据作为飞行模式的待识别序列;计算得到待识别序列的特征数据并输入训练好的与飞行模式对应的机器学习模型,得到模型判断结果。实现了自动识别和截取试飞动作模式数据,进而缩短了数据处理时间,降低了人工成本,以及提高了数据识别效果。
Description
技术领域
本发明涉及数据处理领域,更具体地说,涉及一种自动识别和截取试飞动作模式数据的方法及装置。
背景技术
试飞架次飞行过程中产生的数据量庞大且相关物理参数的变换耦合。现大多采用人工识别手动截取的手段获取试飞动作模式数据;即使用专业的工具MatLab或Pyhton脚本将飞行数据绘制出来,再通过专业人员观察和手动截取获取试飞动作模式数据。
通常一次试飞能采集到的飞行数据达到GB级,大数据量情况下依据人工经验截取,截取标准统一性差,容易漏掉有效数据或识别到非有效数据,不仅造成模式数据信息丢失或者错误,且人工成本和学习成本也在增加。
发明内容
有鉴于此,本发明提出一种自动识别和截取试飞动作模式数据的方法及装置,欲缩短数据处理时间,降低人工成本,以及提高数据识别效果。
为了实现上述目的,现提出的方案如下:
第一方面,提供一种自动识别和截取试飞动作模式数据的方法,包括:
将待测试飞数据划分为多个子序列;
分别计算子序列的目标参数序列与飞行模式的起始端点模板序列和终止端点模板序列的DTW(Dynamic Time Warping,动态时间规整)距离,得到起始距离和终止距离;
记录第一子序列的第一个序列点的时间作为第一时间,所述第一子序列为起始距离小于预设的起始距离阈值的子序列;
记录第二子序列的最后一个序列点的时间作为第二时间,所述第二子序列为终止距离小于预设的终止距离阈值的子序列;
建立第一时间和第二时间的时间对,并将所述待测试飞行数据在所述时间对之间的数据作为所述飞行模式的待识别序列;
计算得到待识别序列的特征数据,并将所述特征数据输入训练好的与所述飞行模式对应的机器学习模型,得到机器学习模型输出的模型判断结果;
在所述模型判断结果为是时,根据所述模型判断结果对待识别序列进行标注,并保存。
可选的,所述机器学习模型的训练过程包括:
分别计算正训练样本的目标参数序列与预设的各个飞行模式模板序列的DTW距离,得到第一特征数据,并设置第一特征数据的标签为正训练样本的标签;
分别计算负训练样本的目标参数序列与预设的各个飞行模式模板序列的DTW距离,得到第二特征数据,并设置第二特征数据的标签为负训练样本的标签;
利用第一特征数据和第一特征数据的标签组成的正训练文本,以及第二特征数据和第二特征数据的标签组成的负训练文本,训练得到所述机器学习模型。
可选的,在所述将所述待测试飞行数据在时间对之间的数据作为待识别序列之前,还包括:
判断时间对之间的时间差是否大于预设的时间阈值,若是,则才执行所述将所述待测试飞行数据在所述时间对之间的数据作为待识别序列,若否,则不将所述待测试飞行数据在所述时间对之间的数据作为待识别序列。
可选的,所述将待测试飞数据划分为多个子序列,包括:
以固定长度对待测试飞行数据进行遍历,遍历步长小于所述固定长度,得到多个子序列,若最后一个子序列长度小于所述固定长度,则将最后一个子序列长度补充至所述固定长度,且补充的数据均等于最后一个子序列的最后一个数据。
可选的,所述飞行模式包括:BTB模式、脉冲模式、阶跃模式、盘旋模式、半滚倒转模式和/或斤斗模式;
所述飞行模式为BTB模式时,子序列的目标参数序列为飞机侧杆进程数据序列;
所述飞行模式为脉冲模式时,子序列的目标参数序列为飞机油门进程数据序列;
所述飞行模式为阶跃模式时,子序列的目标参数序列为飞机推杆进程数据序列;
所述飞行模式为盘旋模式时,子序列的目标参数序列为飞行侧杆进程数据序列、飞机滚转角数据序列和飞机偏航角数据序列;
所述飞行模式为半滚倒转模式时,子序列的目标参数序列为飞行侧杆进程数据序列、飞机推杆进程数据序列和飞机俯仰角数据序列;
所述飞行模式为斤斗模式时,子序列的目标参数序列为飞机推杆进程数据序列和飞机俯仰角数据序列。
第二方面,提供一种自动识别和截取试飞动作模式数据的装置,包括:
子序列单元,用于将待测试飞数据划分为多个子序列;
端点识别单元,用于分别计算子序列的目标参数序列与飞行模式的起始端点模板序列和终止端点模板序列的DTW距离,得到起始距离和终止距离;
起始点单元,用于记录第一子序列的第一个序列点的时间作为第一时间,所述第一子序列为起始距离小于预设的起始距离阈值的子序列;
终止点单元,用于记录第二子序列的最后一个序列点的时间作为第二时间,所述第二子序列为终止距离小于预设的终止距离阈值的子序列;
待识别序列单元,用于建立第一时间和第二时间的时间对,并将所述待测试飞行数据在所述时间对之间的数据作为所述飞行模式的待识别序列;
模式识别单元,用于计算得到待识别序列的特征数据,并将所述特征数据输入训练好的与所述飞行模式对应的机器学习模型,得到机器学习模型输出的模型判断结果;
数据保存单元,用于在所述模型判断结果为是时,根据所述模型判断结果对待识别序列进行标注,并保存。
可选的,所述自动识别和截取试飞动作模式数据的装置,还包括:
模型训练单元,用于分别计算正训练样本的目标参数序列与预设的各个飞行模式模板序列的DTW距离,得到第一特征数据,并设置第一特征数据的标签为正训练样本的标签;分别计算负训练样本的目标参数序列与预设的各个飞行模式模板序列的DTW距离,得到第二特征数据,并设置第二特征数据的标签为负训练样本的标签;利用第一特征数据和第一特征数据的标签组成的正训练文本,以及第二特征数据和第二特征数据的标签组成的负训练文本,训练得到所述机器学习模型。
可选的,所述待识别序列单元,还用于:
在所述将所述待测试飞行数据在时间对之间的数据作为待识别序列之前,判断时间对之间的时间差是否大于预设的时间阈值,若是,则才执行所述将所述待测试飞行数据在所述时间对之间的数据作为待识别序列,若否,则不将所述待测试飞行数据在所述时间对之间的数据作为待识别序列。
可选的,所述子序列单元,具体用于:以固定长度对待测试飞行数据进行遍历,遍历步长小于所述固定长度,得到多个子序列,若最后一个子序列长度小于所述固定长度,则将最后一个子序列长度补充至所述固定长度,且补充的数据均等于最后一个子序列的最后一个数据。
可选的,所述飞行模式包括:BTB模式、脉冲模式、阶跃模式、盘旋模式、半滚倒转模式和/或斤斗模式;
所述飞行模式为BTB模式时,子序列的目标参数序列为飞机侧杆进程数据序列;
所述飞行模式为脉冲模式时,子序列的目标参数序列为飞机油门进程数据序列;
所述飞行模式为阶跃模式时,子序列的目标参数序列为飞机推杆进程数据序列;
所述飞行模式为盘旋模式时,子序列的目标参数序列为飞行侧杆进程数据序列、飞机滚转角数据序列和飞机偏航角数据序列;
所述飞行模式为半滚倒转模式时,子序列的目标参数序列为飞行侧杆进程数据序列、飞机推杆进程数据序列和飞机俯仰角数据序列;
所述飞行模式为斤斗模式时,子序列的目标参数序列为飞机推杆进程数据序列和飞机俯仰角数据序列。
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自动识别和截取试飞动作模式数据的方法及装置,方法包括预先设定飞行模式的起始端点模板序列和终止模板端点序列,这样利用DTW算法计算子序列的目标参数序列与预设的端点序列的DTW距离,来识别飞行模式的起始点和终止点;然后将待测试飞行数据在起始点和终止点之间的数据作为飞行模式的待识别序列;计算得到待识别序列的特征数据并输入训练好的与飞行模式对应的机器学习模型,得到模型判断结果。实现了自动识别和截取试飞动作模式数据,进而缩短了数据处理时间,降低了人工成本,以及提高了数据识别效果。
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自动识别和截取试飞动作模式数据的方法的流程图;
图2为本发明实施例提供的一种Dx先正后负的BTB模式端点模板序列示意图;
图3为本发明实施例提供的一种Dx先负后正的BTB模式端点模板序列示意图;
图4为本发明实施例提供的一种正向单脉冲的脉冲模式端点模板序列示意图;
图5为本发明实施例提供的一种负向单脉冲的脉冲模式端点模板序列示意图;
图6为本发明实施例提供的一种倍脉冲Dy参数先正后负的脉冲模式端点模板序列示意图;
图7为本发明实施例提供的一种倍脉冲Dy参数先负后正的脉冲模式端点模板序列示意图;
图8为本发明实施例提供的一种正向阶跃的阶跃模式端点模板序列示意图;
图9为本发明实施例提供的一种负向阶跃的阶跃模式端点模板序列示意图;
图10为DTW算法中最优距离计算的示意图;
图11为本发明实施例提供的一种正向盘旋的盘旋模式端点模板序列示意图;
图12为本发明实施例提供的一种负向盘旋的盘旋模式端点模板序列示意图;
图13为本发明实施例提供的一种半滚倒转模式端点模板序列示意图;
图14为本发明实施例提供的一种斤斗模式端点模板序列示意图;
图15为本发明实施例提供的一种Dx先正后负的BTB模式模板序列示意图;
图16为本发明实施例提供的一种Dx先负后正的BTB模式模板序列示意图;
图17为本发明实施例提供的一种正向单脉冲的脉冲模式模板序列示意图;
图18为本发明实施例提供的一种负向单脉冲的脉冲模式模板序列示意图;
图19为本发明实施例提供的一种倍脉冲Dy参数先正后负的脉冲模式模板序列示意图;
图20为本发明实施例提供的一种正向阶跃的阶跃模式模板序列示意图;
图21为本发明实施例提供的一种负向阶跃的阶跃模式模板序列示意图;
图22为本发明实施例提供的一种正向盘旋的盘旋模式模板序列示意图;
图23为本发明实施例提供的一种负向盘旋的盘旋模式模板序列示意图;
图24为本发明实施例提供的一种半滚倒转模式模板序列示意图;
图25为本发明实施例提供的一种斤斗模式模板序列示意图;
图26为采用本发明提供的方案达到的飞行模式识别效果的示意图;
图27为本发明实施例提供的一种自动识别和截取试飞动作模式数据的装置的逻辑结构示意图。
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。
参见图1,为本实施例提供的一种自动识别和截取试飞动作模式数据的方法,用于对某一种飞行模式的数据进行识别和截取,该方法可以包括以下步骤:
S11:将待测试飞数据划分为多个子序列。
为了进行飞行模式的端点识别,先将待测试飞数据划分为多个子序列。具体的,以固定长度对待测试飞行数据进行遍历,得到多个子序列。遍历步长小于固定长度。若最后一个子序列长度小于固定长度,则将最后一个子序列长度补充至所述固定长度,且补充的数据均等于最后一个子序列的最后一个数据。本实施例用L表示待测试飞行数据的长度,l表示固定长度,s表示遍历步长,r表示划分得到的子序列的数量,则r=(L+rem-(l-s))/s,其中,rem为(L-(l-s))/s的余数。本实施例中的长度表示参数序列的数据量,具体的,待测试飞行数据的长度指的是待测试飞行数据中的参数序列的数据量,固定长度指的是子序列中参数序列的数据量。
本发明对于遍历步长的具体长度本不做限定,只要遍历步长小于固定长度均属于本发明的保护范围;遍历步长越小,产生的子序列越多,则计算量越大,但识别效果越好;遍历步长越大,产生的子序列越少,则计算量越小,但识别效果越差;本领域技术人员可根据实际应用要求,设置相应的遍历步长。
S12:分别计算子序列的目标参数序列与飞行模式的起始端点模板序列和终止端点模板序列的DTW距离,得到起始距离和终止距离。
飞行模式包括不限于BTB模式、脉冲模式、阶跃模式、盘旋模式、半滚倒转模式和斤斗模式。对每种飞行模式的数据进行识别和截取,均按照图1所示的流程进行;子序列包括多个参数序列,飞行模式不同时,子序列的目标参数序列不同,且起始端点模板序列和终止端点模板序列也不相同。飞行模式的端点模板序列可以采用人工截取的方式获得。
BTB模式、脉冲模式和阶跃模式属于机动动作。BTB模式的动作定义为:保持高速速度为常数,左右迅速压杆,达到给定滚转角。脉冲模式的动作定义为:将指令输入到驾驶杆或脚蹬,动作完成后稳定3~5s。阶跃模式的动作定义为:将指令输入到驾驶杆或脚蹬,动作完成后保持3~7s。
盘旋模式、半滚倒转模式和斤斗模式属于飞行状态动作。
盘旋模式的动作定义为:进入盘旋之前,建立给定的速度并协调地移动驾驶杆和脚蹬使飞机进入转弯,同时将发动机推力增大到所需的值;在做发动机最大状态定常盘旋时,速度应靠不大的过载变化来保持,而高度则由坡度的变化来保持;改出盘旋时要协调地移动驾驶杆和脚蹬,同时减小发动机的推力,保持速度。
半滚倒转模式的动作定义为:飞机在进入半滚倒转前的平飞中,将发动机状态、速度和高度调整到给定状态,协调的压杆和蹬舵使飞机在2~3s时间内相对纵轴转过180°,然后平稳拉杆,用2~3s时间建立接近最大的允许过载和极限迎角,在极限限制系统工作边界,不超过允许的迎角和过载值情况下,完成半滚倒转飞行。
斤斗模式的动作定义为:进入斤斗前,调整到规定的发动机工作状态、速度和高度;以2~3s时间平稳的拉杆形成4.5~5.5g的过载,然后保持过载至迎角达到14~16°,然后保持该迎角至斤斗的顶点;在斤斗顶点上,表速不应小于300km/h;飞机通过斤斗顶点时,检查预计的飞行高度和速度,关断加力,减小转速,然后平稳拉杆,用2~3s时间建立接近最大的允许过载和极限迎角,在极限限制系统工作边界,不超过允许的迎角和过载值情况下,完成半滚倒转飞行。
BTB模式、脉冲模式和阶跃模式通过一个参数即可判定出来。飞行模式为BTB模式时,子序列的目标参数序列为飞机侧杆进程数据序列。飞行模式为脉冲模式时,子序列的目标参数序列为飞机油门进程数据序列。飞行模式为阶跃模式时,子序列的目标参数序列为飞机推杆进程数据序列。
BTB模式的端点模板序列包括Dx先正后负和Dx先负后正,分别如图2和图3所示,Dx表示飞机侧杆进程,T表示时间。对于Dx先正后负和Dx先负后正的端点模板序列分别进行步骤S12~S17的计算,即时间对的建立是针对Dx先正后负或Dx先负后正等单个模式的。
脉冲模式的端点模板序列包括正向单脉冲、负向单脉冲、倍脉冲Dy参数先正后负和倍脉冲Dy参数先负后正,分别图4~7所示,Dy表示飞机油门进程。对于正向单脉冲、负向单脉冲、倍脉冲Dy参数先正后负和倍脉冲Dy参数先负后正的端点模板序列分别进行步骤S12~S17的计算,即时间对的建立是针对正向单脉冲、负向单脉冲、倍脉冲Dy参数先正后负或倍脉冲Dy参数先负后正等单个模式的。
阶跃模式的端点模板序列包括正向阶跃和负向阶跃,分别如图8和图9所示,Dz表示飞机推杆进程。对于正向阶跃和负向阶跃的端点模板序列分别进行步骤S12~S17的计算,即时间对的建立是针对正向阶跃或负向阶跃等单个模式的。
DTW一维数据的计算原理如下:假定序列1为标准模板序列,表示为X=x1,x2,...,xi,...,xm;序列2为待匹配序列,表示为Y=y1,y2,...,yi,...,yn;动态规划路径矩阵为P,P的公式如下所示:
其中,矩阵元素DTW最终求取的最优距离是从d11至dmn的最优路径值之和,即本发明中的DTW距离。如图10所示,最优距离求取需要满足连续性和单调性。连续性指的是路径元素dij是连续的,i和j的值均不能跳跃。单调性指的是路径遵从左下角至右上角不能迂回。最优距离表示两段序列的相似程度,越小表示待匹配序列和标准序列越相似,最优距离满足阈值条件的话,则待测序列满足要求,可作为端点。
盘旋模式、半滚倒转模式和斤斗模式需通过多个参数才可判定出来。飞行模式为盘旋模式时,子序列的目标参数序列为飞行侧杆进程数据序列、飞机滚转角数据序列和飞机偏航角数据序列。飞行模式为半滚倒转模式时,子序列的目标参数序列为飞行侧杆进程数据序列、飞机推杆进程数据序列和飞机俯仰角数据序列。飞行模式为斤斗模式时,子序列的目标参数序列为飞机推杆进程数据序列和飞机俯仰角数据序列。
盘旋模式的端点模板序列包括正向盘旋和负向盘旋,分别如图11和图12所示,gamma表示飞机滚转角,psi表示飞机偏航角;图11中psi为正,图12中psi为负。对于正向盘旋和负向盘旋的端点模板序列分别进行步骤S12~S17的计算,即时间对的建立是针对正向盘旋或负向盘旋等单个模式的。
半滚倒转模式的端点模板序列如图13所示,theta表示飞机俯仰角。斤斗模式的端点模板序列如图14所示。
DTW多维矩阵的计算原理如下:假定序列1为标准模板序列,用X表示;序列2为待测序列,用Y表示。两序列的行数,即维数k需保持一致。动态规划路径矩阵为P,公式如下所示:
其中,P的矩阵元素dij公式为Z表示整数集,即包括1~k中所有整数。在本发明中k表示子序列的目标参数序列的数量;例如,飞行模式为盘旋模式时,子序列的目标参数序列为飞行侧杆进程数据序列、飞机滚转角数据序列和飞机偏航角数据序列,k=3。多维数据的最优距离的求取原理和一维数据原理相同,这样不再赘述。
S13:记录第一子序列的第一个序列点的时间作为第一时间,第一子序列为起始距离小于预设的起始距离阈值的子序列。
子序列的目标参数序列与飞行模式的起始端点模板序列的DTW距离,即为起始距离;起始距离小于预设的起始距离阈值,则表示子序列的目标参数序列与飞行模式的起始端点模板序列的相似度较高,选取该子序列的第一个序列点的时间作为第一时间,即飞行模式的起始时间。
S14:记录第二子序列的最后一个序列点的时间作为第二时间,第二子序列为终止距离小于预设的终止距离阈值的子序列。
子序列的目标参数序列与飞行模式的终止端点模板序列的DTW距离,即为终止距离;终止距离小于预设的终止距离阈值,则表示子序列的目标参数序列与飞行模式的终止端点模板序列的相似度较高,选取该子序列的最后一个序列点的时间作为第一时间,即飞行模式的终止时间。
S15:建立第一时间和第二时间的时间对,并将待测试飞行数据在时间对之间的数据作为飞行模式的待识别序列。
执行步骤S13和S14后,可能会得到多个第一时间和多个第二时间。建立第一时间和第二时间的时间对的规则是,将第一时间之后且与第一时间间隔时间最短的第二时间,与该第一时间组成时间对;例如,得到的多个第一时间分别为269.1、297.2、332.4,得到的多个第二时间分别为281.3、310.1、345.2,则建立的时间对分别为269.1和281.3,297.2和310.1,以及332.4和345.2。
每个时间对之间的待测试飞行数据均作为飞行模式的一个待识别序列。在一些具体实施例中,在将待测试飞行数据在时间对之间的数据作为待识别序列之前,还可以包括:判断时间对之间的时间差是否大于预设的时间阈值,若是,则才执行将待测试飞行数据在该时间对之间的数据作为待识别序列,若否,则不将待测试飞行数据在该时间对之间的数据作为待识别序列。一个飞行模式完成需要一定时间,假如时间对之间的时间差过于小,则不满足实际情况,可直接排除该时间对,时间阈值的大小设定则依据实际场景设置即可,本发明对此不做限定。
S16:计算得到待识别序列的特征数据,并将特征数据输入训练好的与飞行模式对应的机器学习模型,得到机器学习模型输出的模型判断结果。
预先训练好与各个飞行模式对应的机器学习模型。飞行模式包括BTB模式、脉冲模式、阶跃模式、盘旋模式、半滚倒转模式和斤斗模式时,与各个飞行模式对应的机器学习模型分别为BTB模式识别模型、脉冲模式识别模型、阶跃模式识别模型、盘旋模式识别模型、半滚倒转模式识别模型和斤斗模式识别模型。
待识别序列的特征数据指的是待识别序列的目标参数序列与预设的各个飞行模式模板序列的DTW距离。对于BTB模式、脉冲模式或阶跃模式等通过一个参数即可判定出来的飞行模式的机器学习模型,待识别序列的目标参数序列和子序列的目标参数序列一致;且预设的各个飞行模式模板序列均为通过一个参数即可判定出来的飞行模式的模板序列。对于盘旋模式、半滚倒转模式或斤斗模式等通过多个参数才可判定出来的飞行模式的机器学习模型,待识别序列的目标参数序列为飞机俯仰角数据序列、飞机滚转角数据序列和飞机偏航角数据序列;且预设的各个飞行模板序列均为通过多个参数才可判定出来的飞行模式的模板序列。
可通过人工截取的方式获取各个飞行模式模板序列。BTB模式模板序列包括Dx先正后负和Dx先负后正,分别如图15和图16所示。脉冲模式模板序列包括正向单脉冲、负向单脉冲、倍脉冲Dy参数先正后负和倍脉冲Dy参数先负后正,分别如图17~19所示。阶跃模式模板序列包括正向阶跃和负向阶跃,分别如图20和图21所示。盘旋模式模板序列包括正向盘旋和负向盘旋,分别如图22和图23所示。半滚倒转模式模板序列如图24所示。斤斗模式模板序列如图25所示。
对于BTB模式、脉冲模式或阶跃模式等通过一个参数即可判定出来的飞行模式,预设的各个飞行模式模板序列可以包括Dx先正后负、Dx先负后正、正向单脉冲、负向单脉冲、倍脉冲Dy参数先正后负、倍脉冲Dy参数先负后正、正向阶跃和负向阶跃等12个飞行模式模板序列。对于盘旋模式、半滚倒转模式或斤斗模式等通过多个参数才可判定出来的飞行模式,预设的各个飞行模板序列可以包括正向盘旋、负向盘旋、半滚倒转模式模板序列和斤斗模式模板序列等4个飞行模式模板序列。
S17:在模型判断结果为是时,根据模型判断结果对待识别序列进行标注,并保存。
通过图1示出的方法流程可以对某一种飞行模式的数据进行识别和截取,且在模型判断结果为是时,标注的就是该飞行模式标识。示例性的,若对BTB模式的数据进行识别和截取,则在模型判断结果为是时,标注的就是BTB模式的标识。并行执行图1所示的方法可以分别对各个飞行模式的数据进行识别和截取。
本实施例提供的一种自动识别和截取试飞动作模式数据的方法,实现了自动识别和截取试飞动作模式数据,进而缩短了数据处理时间,降低了人工成本,以及提高了数据识别效果。保存的数据可以为飞行质量、飞机设计或模式离线训练等提供所需数据。图26示出了试飞数据的飞行模式识别效果。
本发明使用SVM(support vector machine,支持向量机)机器学习方法来训练与飞行模式对应的机器学习模型。下面对与飞行模式对应的机器学习模型的训练文本进行介绍说明:
1)分别计算正训练样本的目标参数序列与预设的各个飞行模式模板序列的DTW距离,得到第一特征数据,并设置第一特征数据的标签为正训练样本的标签;
2)分别计算负训练样本的目标参数序列与预设的各个飞行模式模板序列的DTW距离,得到第二特征数据,并设置第二特征数据的标签为负训练样本的标签;
3)利用第一特征数据和第一特征数据的标签组成的正训练文本,以及第二特征数据和第二特征数据的标签组成的负训练文本,训练得到与飞行模式对应的机器学习模型。
正样本包括试飞数据的所有参数序列,且包括飞行模式标签;可以通过人工截取的方式选取负样本,截取标准是非完整飞行模式数据。对于某个飞行模式的机器学习模型的训练,正训练样本或负样本的目标参数序列与步骤S16中待识别序列的目标参数序列一致;以计算DTW距离时,预设的各个飞行模式模板序列也与步骤S16中计算特征数据时预设的各个飞行模式模板序列一致。
在一些具体实施例中,训练文本的获取过程如下:
对BTB模式的Dx先正后负的正训练样本,提取其Dx参数序列分别与Dx先正后负、Dx先负后正、正向阶跃、负向阶跃、正向单脉冲、负向单脉冲、倍脉冲先正后负和倍脉冲先负后正等共8种飞行模式模板序列求取DTW距离,并作为特征数据。BTB模式的Dx先负后正的训练步骤同上。特征数据标签设为BTB。
对单脉冲模式的正向单脉冲的正训练样本,提取其Dy参数序列分别与上述8种飞行模式模板序列求取DTW距离,并作为特征数据。单脉冲模式的负向单脉冲、倍脉冲Dy参数先正后负和倍脉冲Dy参数先负后正的训练步骤同上。单脉冲模式的特征数据标签为simp,倍脉冲模式的特征数据的标签为dimp。
对阶跃模式的正向阶跃的正训练样本,提取其Dz参数序列分别与上述8种飞行模式模板序列求取DTW距离,并作为特征数据。阶跃模式的负向阶跃的训练步骤同上。阶跃模式的特征数据标签为jy。
对于负样本,可分别提取其目标参数序列数据,再分别与上述8种飞行模式模板序列求取DTW距离,并作为特征数据。负样本的特征数据标签为errorlabel。
经过上述特征数据和特征标签的确定,构造训练文本,使用SVM机器学习方法训练对于BTB模式、脉冲模式或阶跃模式等通过一个参数即可判定出来的飞行模式的机器学习模型。
对盘旋模式的正向盘旋的正训练样本,提取其theta、gamma和psi参数的矩阵序列分别与正向盘旋、负向盘旋、半滚倒转和斤斗共4种飞行模式模板序列求取DTW距离,并作为特征数据。盘旋模式的负向盘旋的训练、半滚倒转、斤斗和负样本的训练步骤同上。盘旋模式、半滚倒转模式、斤斗模式和负样本的特征数据标签分别为px、bgdz、jd和errorlabel。
经过上述特征数据和特征标签的确定,构造训练文本,使用SVM机器学习方法训练对于盘旋模式、半滚倒转模式或斤斗模式等通过多个参数才可判定出来的飞行模式的机器学习模型。
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27,为本实施例提供的一种自动识别和截取试飞动作模式数据的装置,包括:子序列单元221、端点识别单元222、起始点单元223、终止点单元224、待识别序列单元225、模式识别单元226和数据保存单元227。
子序列单元221,用于将待测试飞数据划分为多个子序列。
端点识别单元222,用于分别计算子序列的目标参数序列与飞行模式的起始端点模板序列和终止端点模板序列的DTW距离,得到起始距离和终止距离。
起始点单元223,用于记录第一子序列的第一个序列点的时间作为第一时间,第一子序列为起始距离小于预设的起始距离阈值的子序列。
终止点单元224,用于记录第二子序列的最后一个序列点的时间作为第二时间,第二子序列为终止距离小于预设的终止距离阈值的子序列。
待识别序列单元225,用于建立第一时间和第二时间的时间对,并将待测试飞行数据在该时间对之间的数据作为飞行模式的待识别序列。
模式识别单元226,用于计算得到待识别序列的特征数据,并将特征数据输入训练好的与飞行模式对应的机器学习模型,得到机器学习模型输出的模型判断结果。
数据保存单元227,用于在模型判断结果为是时,根据模型判断结果对待识别序列进行标注,并保存。
可选的,自动识别和截取试飞动作模式数据的装置,还包括:模型训练单元,用于分别计算正训练样本的目标参数序列与预设的各个飞行模式模板序列的DTW距离,得到第一特征数据,并设置第一特征数据的标签为正训练样本的标签;分别计算负训练样本的目标参数序列与预设的各个飞行模式模板序列的DTW距离,得到第二特征数据,并设置第二特征数据的标签为负训练样本的标签;利用第一特征数据和第一特征数据的标签组成的正训练文本,以及第二特征数据和第二特征数据的标签组成的负训练文本,训练得到所述机器学习模型。
可选的,待识别序列单元225,还用于:在将待测试飞行数据在时间对之间的数据作为待识别序列之前,判断该时间对之间的时间差是否大于预设的时间阈值,若是,则才执行将待测试飞行数据在该时间对之间的数据作为待识别序列,若否,则不将待测试飞行数据在该时间对之间的数据作为待识别序列。
可选的,子序列单元221,具体用于:以固定长度对待测试飞行数据进行遍历,遍历步长小于所述固定长度,得到多个子序列,若最后一个子序列长度小于固定长度,则将最后一个子序列长度补充至固定长度,且补充的数据均等于最后一个子序列的最后一个数据。
可选的,飞行模式包括:BTB模式、脉冲模式、阶跃模式、盘旋模式、半滚倒转模式和/或斤斗模式;飞行模式为BTB模式时,子序列的目标参数序列为飞机侧杆进程数据序列;飞行模式为脉冲模式时,子序列的目标参数序列为飞机油门进程数据序列;飞行模式为阶跃模式时,子序列的目标参数序列为飞机推杆进程数据序列;飞行模式为盘旋模式时,子序列的目标参数序列为飞行侧杆进程数据序列、飞机滚转角数据序列和飞机偏航角数据序列;飞行模式为半滚倒转模式时,子序列的目标参数序列为飞行侧杆进程数据序列、飞机推杆进程数据序列和飞机俯仰角数据序列;飞行模式为斤斗模式时,子序列的目标参数序列为飞机推杆进程数据序列和飞机俯仰角数据序列
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,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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,且本说明书中各实施例中记载的特征可以相互替换或者组合。
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)
1.一种自动识别和截取试飞动作模式数据的方法,其特征在于,包括:
将待测试飞数据划分为多个子序列;
分别计算子序列的目标参数序列与飞行模式的起始端点模板序列和终止端点模板序列的DTW距离,得到起始距离和终止距离;
记录第一子序列的第一个序列点的时间作为第一时间,所述第一子序列为起始距离小于预设的起始距离阈值的子序列;
记录第二子序列的最后一个序列点的时间作为第二时间,所述第二子序列为终止距离小于预设的终止距离阈值的子序列;
建立第一时间和第二时间的时间对,并将所述待测试飞行数据在所述时间对之间的数据作为所述飞行模式的待识别序列;
计算得到待识别序列的特征数据,并将所述特征数据输入训练好的与所述飞行模式对应的机器学习模型,得到机器学习模型输出的模型判断结果;
在所述模型判断结果为是时,根据所述模型判断结果对待识别序列进行标注,并保存。
2.根据权利要求1所述自动识别和截取试飞动作模式数据的方法,其特征在于,所述机器学习模型的训练过程包括:
分别计算正训练样本的目标参数序列与预设的各个飞行模式模板序列的DTW距离,得到第一特征数据,并设置第一特征数据的标签为正训练样本的标签;
分别计算负训练样本的目标参数序列与预设的各个飞行模式模板序列的DTW距离,得到第二特征数据,并设置第二特征数据的标签为负训练样本的标签;
利用第一特征数据和第一特征数据的标签组成的正训练文本,以及第二特征数据和第二特征数据的标签组成的负训练文本,训练得到所述机器学习模型。
3.根据权利要求1所述自动识别和截取试飞动作模式数据的方法,其特征在于,在所述将所述待测试飞行数据在时间对之间的数据作为待识别序列之前,还包括:
判断时间对之间的时间差是否大于预设的时间阈值,若是,则才执行所述将所述待测试飞行数据在所述时间对之间的数据作为待识别序列,若否,则不将所述待测试飞行数据在所述时间对之间的数据作为待识别序列。
4.根据权利要求1所述自动识别和截取试飞动作模式数据的方法,其特征在于,所述将待测试飞数据划分为多个子序列,包括:
以固定长度对待测试飞行数据进行遍历,遍历步长小于所述固定长度,得到多个子序列,若最后一个子序列长度小于所述固定长度,则将最后一个子序列长度补充至所述固定长度,且补充的数据均等于最后一个子序列的最后一个数据。
5.根据权利要求1所述自动识别和截取试飞动作模式数据的方法,其特征在于,所述飞行模式包括:
BTB模式、脉冲模式、阶跃模式、盘旋模式、半滚倒转模式和/或斤斗模式;
所述飞行模式为BTB模式时,子序列的目标参数序列为飞机侧杆进程数据序列;
所述飞行模式为脉冲模式时,子序列的目标参数序列为飞机油门进程数据序列;
所述飞行模式为阶跃模式时,子序列的目标参数序列为飞机推杆进程数据序列;
所述飞行模式为盘旋模式时,子序列的目标参数序列为飞行侧杆进程数据序列、飞机滚转角数据序列和飞机偏航角数据序列;
所述飞行模式为半滚倒转模式时,子序列的目标参数序列为飞行侧杆进程数据序列、飞机推杆进程数据序列和飞机俯仰角数据序列;
所述飞行模式为斤斗模式时,子序列的目标参数序列为飞机推杆进程数据序列和飞机俯仰角数据序列。
6.一种自动识别和截取试飞动作模式数据的装置,其特征在于,包括:
子序列单元,用于将待测试飞数据划分为多个子序列;
端点识别单元,用于分别计算子序列的目标参数序列与飞行模式的起始端点模板序列和终止端点模板序列的DTW距离,得到起始距离和终止距离;
起始点单元,用于记录第一子序列的第一个序列点的时间作为第一时间,所述第一子序列为起始距离小于预设的起始距离阈值的子序列;
终止点单元,用于记录第二子序列的最后一个序列点的时间作为第二时间,所述第二子序列为终止距离小于预设的终止距离阈值的子序列;
待识别序列单元,用于建立第一时间和第二时间的时间对,并将所述待测试飞行数据在所述时间对之间的数据作为所述飞行模式的待识别序列;
模式识别单元,用于计算得到待识别序列的特征数据,并将所述特征数据输入训练好的与所述飞行模式对应的机器学习模型,得到机器学习模型输出的模型判断结果;
数据保存单元,用于在所述模型判断结果为是时,根据所述模型判断结果对待识别序列进行标注,并保存。
7.根据权利要求6所述自动识别和截取试飞动作模式数据的装置,其特征在于,还包括:
模型训练单元,用于分别计算正训练样本的目标参数序列与预设的各个飞行模式模板序列的DTW距离,得到第一特征数据,并设置第一特征数据的标签为正训练样本的标签;分别计算负训练样本的目标参数序列与预设的各个飞行模式模板序列的DTW距离,得到第二特征数据,并设置第二特征数据的标签为负训练样本的标签;利用第一特征数据和第一特征数据的标签组成的正训练文本,以及第二特征数据和第二特征数据的标签组成的负训练文本,训练得到所述机器学习模型。
8.根据权利要求6所述自动识别和截取试飞动作模式数据的装置,其特征在于,所述待识别序列单元,还用于:
在所述将所述待测试飞行数据在时间对之间的数据作为待识别序列之前,判断时间对之间的时间差是否大于预设的时间阈值,若是,则才执行所述将所述待测试飞行数据在所述时间对之间的数据作为待识别序列,若否,则不将所述待测试飞行数据在所述时间对之间的数据作为待识别序列。
9.根据权利要求6所述自动识别和截取试飞动作模式数据的装置,其特征在于,所述子序列单元,具体用于:
以固定长度对待测试飞行数据进行遍历,遍历步长小于所述固定长度,得到多个子序列,若最后一个子序列长度小于所述固定长度,则将最后一个子序列长度补充至所述固定长度,且补充的数据均等于最后一个子序列的最后一个数据。
10.根据权利要求6所述自动识别和截取试飞动作模式数据的装置其特征在于,所述飞行模式包括:BTB模式、脉冲模式、阶跃模式、盘旋模式、半滚倒转模式和/或斤斗模式;
所述飞行模式为BTB模式时,子序列的目标参数序列为飞机侧杆进程数据序列;
所述飞行模式为脉冲模式时,子序列的目标参数序列为飞机油门进程数据序列;
所述飞行模式为阶跃模式时,子序列的目标参数序列为飞机推杆进程数据序列;
所述飞行模式为盘旋模式时,子序列的目标参数序列为飞行侧杆进程数据序列、飞机滚转角数据序列和飞机偏航角数据序列;
所述飞行模式为半滚倒转模式时,子序列的目标参数序列为飞行侧杆进程数据序列、飞机推杆进程数据序列和飞机俯仰角数据序列;
所述飞行模式为斤斗模式时,子序列的目标参数序列为飞机推杆进程数据序列和飞机俯仰角数据序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110205262.1A CN112926745A (zh) | 2021-02-24 | 2021-02-24 | 一种自动识别和截取试飞动作模式数据的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110205262.1A CN112926745A (zh) | 2021-02-24 | 2021-02-24 | 一种自动识别和截取试飞动作模式数据的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112926745A true CN112926745A (zh) | 2021-06-08 |
Family
ID=76170612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110205262.1A Pending CN112926745A (zh) | 2021-02-24 | 2021-02-24 | 一种自动识别和截取试飞动作模式数据的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926745A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760823A (zh) * | 2016-02-02 | 2016-07-13 | 南京航空航天大学 | 一种飞机座舱飞行员动作特征识别系统及方法 |
CN109059907A (zh) * | 2018-06-27 | 2018-12-21 | 腾讯科技(深圳)有限公司 | 轨迹数据处理方法、装置、计算机设备和存储介质 |
CN110349294A (zh) * | 2019-07-22 | 2019-10-18 | 北京润科通用技术有限公司 | 飞行数据的飞行模式识别方法及装置 |
-
2021
- 2021-02-24 CN CN202110205262.1A patent/CN112926745A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760823A (zh) * | 2016-02-02 | 2016-07-13 | 南京航空航天大学 | 一种飞机座舱飞行员动作特征识别系统及方法 |
CN109059907A (zh) * | 2018-06-27 | 2018-12-21 | 腾讯科技(深圳)有限公司 | 轨迹数据处理方法、装置、计算机设备和存储介质 |
CN110349294A (zh) * | 2019-07-22 | 2019-10-18 | 北京润科通用技术有限公司 | 飞行数据的飞行模式识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
王志刚等: ""基于动态时间规划和支持向量机的飞机机动动作识别方法"", 《飞机设计》, vol. 40, no. 4, pages 36 - 40 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734151B (zh) | 基于相关滤波以及深度孪生网络的鲁棒长程目标跟踪方法 | |
CN111507335B (zh) | 自动标注利用于深度学习网络的训练图像的方法和装置 | |
CN110298404B (zh) | 一种基于三重孪生哈希网络学习的目标跟踪方法 | |
WO2021036699A1 (zh) | 视频帧的信息标注方法、装置、设备及存储介质 | |
US7899249B2 (en) | Media material analysis of continuing article portions | |
JP2022532460A (ja) | モデル訓練方法、装置、端末及びプログラム | |
CN107103326A (zh) | 基于超像素聚类的协同显著性检测方法 | |
CN107316042A (zh) | 一种绘画图像检索方法及装置 | |
CN109087337B (zh) | 基于分层卷积特征的长时间目标跟踪方法及系统 | |
CN107657008A (zh) | 基于深度判别排序学习的跨媒体训练及检索方法 | |
CN113129341A (zh) | 基于轻量型孪生网络的降落跟踪控制方法和系统及无人机 | |
CN111950393B (zh) | 一种基于边界搜索智能体的时序动作片段分割方法 | |
CN110647802A (zh) | 基于深度学习的遥感影像舰船目标检测方法 | |
CN115457395A (zh) | 基于通道注意力与多尺度特征融合的轻量级遥感目标检测方法 | |
CN110245587B (zh) | 一种基于贝叶斯迁移学习的光学遥感图像目标检测方法 | |
CN111950728A (zh) | 图像特征提取模型的构建方法、图像检索方法及存储介质 | |
CN104616005A (zh) | 一种领域自适应的人脸表情分析方法 | |
CN115100238A (zh) | 基于知识蒸馏的轻量化单目标跟踪器训练方法 | |
CN110147724B (zh) | 用于检测视频中的文本区域的方法、装置、设备以及介质 | |
CN112926745A (zh) | 一种自动识别和截取试飞动作模式数据的方法及装置 | |
CN113591839A (zh) | 一种特征提取模型构建方法、目标检测方法及其设备 | |
CN115937249A (zh) | 一种基于孪生网络的多预测输出对齐的目标跟踪方法及装置 | |
Zhang et al. | Robust correlation tracking in unmanned aerial vehicle videos via deep target-specific rectification networks | |
US20220164571A1 (en) | Model training method and apparatus, electronic device and readable storage medium | |
CN114882372A (zh) | 一种目标检测的方法及设备 |
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 |