CN112965965A - 一种基于模糊预测系统的野值剔除方法、系统及计算机相关产品 - Google Patents
一种基于模糊预测系统的野值剔除方法、系统及计算机相关产品 Download PDFInfo
- Publication number
- CN112965965A CN112965965A CN202110170631.8A CN202110170631A CN112965965A CN 112965965 A CN112965965 A CN 112965965A CN 202110170631 A CN202110170631 A CN 202110170631A CN 112965965 A CN112965965 A CN 112965965A
- Authority
- CN
- China
- Prior art keywords
- value
- moment
- prediction system
- fuzzy
- epsilon
- 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 38
- 230000008030 elimination Effects 0.000 title claims abstract description 15
- 238000003379 elimination reaction Methods 0.000 title claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 230000000717 retained effect Effects 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 4
- 241000764238 Isis Species 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000013450 outlier detection Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENTS OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于模糊预测系统的野值剔除方法、系统及计算机相关产品,解决现有技术无法适应于飞行参数变化的多样性导致野值识别准确度和实时性仍然不够理想的问题。该基于模糊预测系统的野值剔除方法,包括以下步骤:1)在线构造k时刻的时间序列模糊预测系统;2)基于所述时间序列模糊预测系统获得k+1时刻的预测值,并计算预测值与观测值之间的残差;3)利用k+1时刻之前的残差序列,按照狄克松准则确定k+1时刻的残差是否为异常值;如果k+1时刻的残差为异常值,则当前观测值为野值,予以剔除;否则,保留观测值及残差。该方法对信号没有特殊要求,适合于各类信号的野值剔除,适用范围广。
Description
技术领域
本申请主要涉及一种飞行数据的野值剔除方法。
背景技术
由机载传感器测得的速度、位置、高度、加速度、压力等飞行数据,均是在动态测量中完成的,包含着大量被测物理量、测控设备和系统以及外界环境干扰等多方面信息。观测数据中包含了大量的严重偏离被测量真值的数据点,这些异常数据称为野值。野值的存在严重影响信号的读取和分析,特别是在飞行路径和姿态的融合分析中严重影响仿真的计算精度,在实时指挥显示中严重影响飞行轨迹显示效果,引起误判等问题。
金慧琴等在2017年发表的文章“飞机飞行参数数据预处理方法研究”中,针对不满足统计特性的数据误差,总结了飞行参数数据野值剔除三种方法,分别是增量法,差分法,稳健异值检测方法。
增量法对前后帧数据的差值进行阈值判断,计算简单,实时性好,但只能针对一些有确定边界的连续信号进行处理;
差分法是根据n次多项式的n+1阶导数为零,得出的一种处理确定信号的近似方法,野值的鉴别相较于增量法更为精确,但基于统计的基础,前期需要完备的统计数据;
稳健异值检测方法对时序数据按段进行代数多项式与三角多项式的线性组合的一致逼近,使用Huber型或Hampel型函数来构建具有抗异值干扰能力的稳健拟合曲线,相对于差分法有更高的野值检测精度,且不需要前期的统计数据,但是计算量大,对当前拟合的数据段的中点值判断准确,对实时性有显著的影响。
左思佳等在2019年发表的题为“航空发动机试飞数据野值识别与补正算法”的文章中,针对在航空发动机智能实时监视系统中由数据野值导致的虚报警问题,提出了基于最小二乘拟合和莱特准则的野值识别算法,在对原始数据进行最小二乘拟合计算拟合残差后,对拟合残差的标准差进行标准判断,若不达标则调整拟合阶数重新拟合直至残差的标准差在一个设定的合理范围内,通过多次迭代的方式来减少野值本身对数据标准差的干扰,最后根据莱特准则判断是否存在野值。通过选用合适的阶数进行拟合来保证将偏离真实值不大的野值识别出来,与之前的三种方法相对比,这种方法兼顾了野值识别准确度和实时性,但是对于飞参变化的多样性,对于部分情况其残差的标准差值的范围标准无法有效确定。
发明内容
本发明的目的是提出一种数据帧的野值剔除方法,解决现有技术无法适应于飞行参数变化的多样性导致野值识别准确度和实时性仍然不够理想的问题。
为了实现以上目的,本发明提出以下方案:
一种基于模糊预测系统的野值剔除方法,其特殊之处在于,包括以下步骤:
1)在线构造k时刻的时间序列模糊预测系统;
2)基于所述时间序列模糊预测系统获得k+1时刻的预测值,并计算预测值与观测值之间的残差;
3)利用k+1时刻之前的残差序列,按照狄克松准则确定k+1时刻的残差是否为异常值;如果k+1时刻的残差为异常值,则当前观测值为野值,予以剔除;否则,保留观测值及残差。
进一步地,步骤3)中所述按照狄克松准则确定k+1时刻的残差是否为异常值,具体按照以下方式确定:
设k时刻的残差序列为[ε(k-m+1),ε(k-m+2),…,ε(k)],排序后获得从小到大序列ε'(i),i=1,2,…,m;计算k+1时刻的残差ε(k+1),将ε(k+1)与k时刻的残差序列中的最小值ε'(1)和最大值ε'(m)比较,如果ε'(1)≤ε(k+1)≤ε'(m),则ε(k+1)不是异常值,相应的,k+1时刻所对应的观测值不是野值。
进一步地,在步骤1)之前,还进行:
步骤0)初始参数设置:循环控制参数k=1,狄克松准则判别野值的残差序列长度K,时间序列模糊预测系统输入维数n,精度控制参数σ,聚类半径r和遗忘因子τ;构造输入-输出数据对把设为聚类中心并令B1(1)=1,A表示模糊系统预测因子,B表示模糊系统单位因子。
进一步地,步骤1)中所述根据模糊系统聚类算法构造时间序列模糊预测系统,具体是:
1.1)聚类
当l≠lk,l=1,2,…,M时,令
1.2)模糊系统设计
进一步地,当确定当前观测值为野值、予以剔除后,将其替换为前一帧数据。
本发明还提供一种基于模糊预测系统的野值剔除系统,其特殊之处在于,包括以下程序模块:
时间序列模糊预测系统在线构造模块,用于在线构造k时刻的时间序列模糊预测系统;
残差计算模块,用于基于所述时间序列模糊预测系统获得k+1时刻的预测值,并计算预测值与观测值之间的残差;
野值判断模块,用于利用k+1时刻之前的残差序列,按照狄克松准则确定k+1时刻的残差是否为异常值;如果k+1时刻的残差为异常值,则当前观测值为野值,予以剔除;否则,保留观测值及残差。
本发明还提供一种计算机设备,包括处理器和存储器,所述存储器存储有若干程序,其特殊之处在于,所述程序被处理器加载运行时实现上述的一种基于模糊预测系统的野值剔除方法。
本发明还提供一种计算机可读存储介质,存储有若干程序,其特殊之处在于,所述程序被处理器加载运行时实现上述的一种基于模糊预测系统的野值剔除方法。
相比现有技术,本发明具有以下优点:
在线构造的时间序列模糊预测系统能够准确完成一步预测,且能够动态跟踪真实信号系统的变化,具有较强的自适应跟踪能力;聚类算法降低了模糊预测系统的复杂度,计算效率显著提高;模糊系统能动态跟踪数据信号变化,实时更新,具有自适应处理能力;通过调整参数,可以调整模糊系统的预测精度,满足不同条件下的应用要求。
该方法对信号没有特殊要求,适合于各类信号的野值剔除,适用范围广。
附图说明
图1为本发明一个实施例的模糊系统规则库设计流程。
图2为本发明一个实施例的野值判断流程。
图3为狄克松判别准则。
图4为一个飞行参数具体实例的翻滚角(阶跃特性序列),其中(a)为观测序列,(b)为结果序列,(c)为残差序列。
图5为一个飞行参数具体实例的高度(平滑曲线序列),其中(a)为观测序列,(b)为结果序列,(c)为残差序列。
具体实施方式
以下结合附图,通过实施例进一步详述本发明。
本实施例提出的一种基于模糊预测系统的野值剔除方法,首先构造k时刻的时间序列模糊预测系统;再基于此系统获得k+1时刻的预测值及预测值与观测值之间的残差;然后,利用k+1时刻之前的n点残差序列,按照狄克松准则确定k+1时刻的残差是否为异常值;如果k+1时刻的残差为异常值,则当前观测值为野值,予以剔除;否则,保留观测值及残差。
设k时刻的残差序列为ε(k-m+1),ε(k-m+2),…,ε(k),排序后获得从小到大序列ε'(i),i=1,2,…,m。计算k+1时刻的残差ε(k+1),将ε(k+1)与最小值ε'(1)和最大值ε'(m)比较:如果ε'(1)≤ε(k+1)≤ε'(m),则ε(k+1)不是异常值,k+1时刻所对应的观测值不是野值。
具体实现步骤如图1、图2所示:
步骤一:初始化参数。
1)聚类
当l≠lk,l=1,2,…,M时,令
2)模糊系统设计
步骤四:由k+1时刻之前的N个残差数据,采用狄克松准则判别ε(k+1)是否为异常值,如图3所示;若ε(k+1)异常,则x(k+1)为野值,并剔除;否则,x(k+1)为正常观测值予以保留;
步骤五:返回步骤二,直到数据结束。
具体实例:
构造模糊系统的规则数目M=12,利用狄克松准则识别异常值的残差序列个数n=4,且设ε=0.02。
选取具有阶跃和连续变化的参数进行预处理,其结果分别如图4、图5所示。图4所示序列具有阶跃特性,其误检概率为0.6%。图5所示序列是连续变化的平滑曲线,其误检概率为6.12%。
Claims (9)
1.一种基于模糊预测系统的野值剔除方法,其特征在于,包括以下步骤:
1)在线构造k时刻的时间序列模糊预测系统;
2)基于所述时间序列模糊预测系统获得k+1时刻的预测值,并计算预测值与观测值之间的残差;
3)利用k+1时刻之前的残差序列,按照狄克松准则确定k+1时刻的残差是否为异常值;如果k+1时刻的残差为异常值,则当前观测值为野值,予以剔除;否则,保留观测值及残差。
2.根据权利要求1所述的一种基于模糊预测系统的野值剔除方法,其特征在于,步骤3)中所述按照狄克松准则确定k+1时刻的残差是否为异常值,具体按照以下方式确定:
设k时刻的残差序列为[ε(k-m+1),ε(k-m+2),…,ε(k)],排序后获得从小到大序列ε'(i),i=1,2,…,m;计算k+1时刻的残差ε(k+1),将ε(k+1)与k时刻的残差序列中的最小值ε'(1)和最大值ε'(m)比较,如果ε'(1)≤ε(k+1)≤ε'(m),则ε(k+1)不是异常值,相应的,k+1时刻所对应的观测值不是野值。
5.根据权利要求4所述的一种基于模糊预测系统的野值剔除方法,其特征在于,步骤1)中所述根据模糊系统聚类算法构造时间序列模糊预测系统,具体是:
1.1)聚类
当l≠lk,l=1,2,…,M时,令
1.2)模糊系统设计
6.根据权利要求1所述的一种基于模糊预测系统的野值剔除方法,其特征在于,当确定当前观测值为野值、予以剔除后,将其替换为前一帧数据。
7.一种基于模糊预测系统的野值剔除系统,其特征在于,包括以下程序模块:
时间序列模糊预测系统在线构造模块,用于在线构造k时刻的时间序列模糊预测系统;
残差计算模块,用于基于所述时间序列模糊预测系统获得k+1时刻的预测值,并计算预测值与观测值之间的残差;
野值判断模块,用于利用k+1时刻之前的残差序列,按照狄克松准则确定k+1时刻的残差是否为异常值;如果k+1时刻的残差为异常值,则当前观测值为野值,予以剔除;否则,保留观测值及残差。
8.一种计算机设备,包括处理器和存储器,所述存储器存储有若干程序,其特征在于,所述程序被处理器加载运行时实现权利要求1至6任一所述的一种基于模糊预测系统的野值剔除方法。
9.一种计算机可读存储介质,存储有若干程序,其特征在于,所述程序被处理器加载运行时实现权利要求1至6任一所述的一种基于模糊预测系统的野值剔除方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110170631.8A CN112965965A (zh) | 2021-02-08 | 2021-02-08 | 一种基于模糊预测系统的野值剔除方法、系统及计算机相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110170631.8A CN112965965A (zh) | 2021-02-08 | 2021-02-08 | 一种基于模糊预测系统的野值剔除方法、系统及计算机相关产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112965965A true CN112965965A (zh) | 2021-06-15 |
Family
ID=76275333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110170631.8A Pending CN112965965A (zh) | 2021-02-08 | 2021-02-08 | 一种基于模糊预测系统的野值剔除方法、系统及计算机相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112965965A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116627380A (zh) * | 2023-07-24 | 2023-08-22 | 自然资源部第一海洋研究所 | 基于三角多项式拟合的电导率异常值识别方法、系统 |
-
2021
- 2021-02-08 CN CN202110170631.8A patent/CN112965965A/zh active Pending
Non-Patent Citations (2)
Title |
---|
朱学锋 等: "基于模糊预测系统的观测数据野值剔除方法", 系统工程与电子技术, vol. 28, no. 3, pages 479 - 482 * |
朱学锋: "基于聚类模糊系统的动态数据野值剔除方法", 飞行器测控学报, vol. 30, no. 5, pages 81 - 84 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116627380A (zh) * | 2023-07-24 | 2023-08-22 | 自然资源部第一海洋研究所 | 基于三角多项式拟合的电导率异常值识别方法、系统 |
CN116627380B (zh) * | 2023-07-24 | 2023-12-05 | 自然资源部第一海洋研究所 | 基于三角多项式拟合的电导率异常值识别方法、系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034376B (zh) | 一种基于lstm的无人机飞行状态预测方法及系统 | |
CN103116688B (zh) | 用于机载航电系统的多源异类传感器目标航迹关联方法 | |
CN108801387B (zh) | 一种基于学习模型的飞机油箱剩余油量测量系统和方法 | |
CN108573496B (zh) | 基于lstm网络和深度增强学习的多目标跟踪方法 | |
CN112101278A (zh) | 基于k近邻特征提取和深度学习的宅基地点云分类方法 | |
CN114090718B (zh) | 基于Bi-LSTM预测与模糊分析的中断航迹关联方法 | |
CN111259332B (zh) | 一种杂波环境下的模糊数据关联方法及多目标跟踪方法 | |
CN112965965A (zh) | 一种基于模糊预测系统的野值剔除方法、系统及计算机相关产品 | |
CN113030940B (zh) | 一种转弯机动下的多星凸型扩展目标跟踪方法 | |
Li et al. | A lightweight and explainable data-driven scheme for fault detection of aerospace sensors | |
CN116501183B (zh) | 一种基于多传感器融合的鼠标位移调控方法以及系统 | |
Jiang et al. | A radar filtering model for aerial surveillance base on kalman filter and neural network | |
CN112965966B (zh) | 一种基于实测飞参数据的快速预处理方法、系统及计算机相关产品 | |
CN112965964B (zh) | 一种实测飞参数据的野值检测方法、系统及计算机相关产品 | |
Zhao et al. | Attention-based Dual-channel Deep Neural Network for Aero-engine RUL Prediction Under Time-varying Operating Conditions | |
CN114740467A (zh) | 基于幅度点迹的集群目标跟踪及数量、轮廓动态估计方法 | |
CN114067224A (zh) | 一种基于多传感器数据融合的无人机集群目标数量检测方法 | |
CN115372957A (zh) | 高超声速飞行器轨迹跟踪方法 | |
Guo et al. | A Hybrid clustering method for bridge structure health monitoring | |
CN113222229B (zh) | 一种基于机器学习的非合作无人机轨迹预测方法 | |
CN117407744B (zh) | 基于数字孪生的多源数据融合方法 | |
CN114881110B (zh) | 一种在轨航天器舱内总压变化模式的实时检测方法 | |
CN114088086B (zh) | 一种抗测量野值干扰的多目标鲁棒定位方法 | |
CN110889227B (zh) | 一种基于多传感器信息融合的飞机燃油测量方法 | |
Chen et al. | Study of Synthetic Airspeed Algorithm Based on Machine Learning for Lift Coefficient Curve Fitting |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210615 |
|
WD01 | Invention patent application deemed withdrawn after publication |