CN113076510A - 一种基于一维卷积神经网络的直升机飞行状态识别方法 - Google Patents
一种基于一维卷积神经网络的直升机飞行状态识别方法 Download PDFInfo
- Publication number
- CN113076510A CN113076510A CN202110390010.0A CN202110390010A CN113076510A CN 113076510 A CN113076510 A CN 113076510A CN 202110390010 A CN202110390010 A CN 202110390010A CN 113076510 A CN113076510 A CN 113076510A
- Authority
- CN
- China
- Prior art keywords
- data
- flight
- layer
- state
- convolution
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Abstract
一种基于一维卷积神经网络的直升机飞行状态识别方法,包括以下步骤:(1)去除偏离正常的飞行参数数据段;(2)飞行参数预处理;(3)制作飞行状态标签数据集;(4)设计用于飞行状态识别的一维卷积神经网络模型;(5)训练并保存网络模型参数;(6)测试数据并获取每个状态识别准确率。本发明的优点是,使用所有的飞行参数作为网络输入,充分利用参数特征,增强了网络特征的多样性,提高了识别准确率;无需对飞行状态进行预分类,避免了预分类错误导致的分类误差,进一步提高了飞行状态识别的准确率;具有速度快、精度高和鲁棒性好的优点,能够准确识别出直升机的飞行状态。
Description
技术领域
本发明属于直升机飞行状态识别技术研究领域,尤其涉及一种基于一维卷积神经网络的直升机飞行状态识别方法。
背景技术
直升机是一种特殊的航空器,广泛应用于军事、运输、救援等多个领域。由于直升机应用场合复杂(需要应用于高原、沙漠、极寒及其它恶劣气候场合),且飞行任务多变,使得直升机上存在的动部件承受着高周振动疲劳,这是造成动部件损坏的主要原因,而这些结构部件的损伤程度与直升机飞行状态密切相关。因此,正确识别飞行状态对直升机动部件和有寿件的故障诊断和寿命预测具有重要意义。
近年来随着神经网络算法的发展,飞行状态识别方法从原先的动力学法和图像分析法转为神经网络法,不仅提高了状态识别效果,还避免了部分飞行状态识别不了的缺点。传统神经网络方法采用的径向基函数(RBF)神经网络、Elman神经网络和支持向量机(SVM),这些方法都需要先根据状态特征参数对飞行状态进行预分类,再选取不同的敏感飞行参数来训练各小类对应的网络模型,最后通过训练好的模型进行飞行状态识别。传统神经网络方法对预分类结果要求很高,且没有充分利用参数特征,导致飞行状态识别效果不佳。
发明内容
本发明的目的在于提供一种直升机飞行状态识别方法,采用一维卷积神经网络算法直接将经过预处理的飞行参数作为网络输入,训练设计好的一维卷积神经网络,实现飞行状态识别,得到能够识别直升机飞行状态的算法。
为实现上述目的,本发明采用以下技术方案来实现。本发明提供了一种基于一维卷积神经网络的直升机状态识别方法,包括以下步骤:
1)去除偏离正常的飞行参数数据段,具体步骤如下:
(1.a)对每一个飞行状态对应的速度和高度进行可视化;
(1.b)通过参数曲线,确定每个飞行状态速度和高度的阈值;
(1.c)根据阈值和每个飞行状态下理想的高度和速度,去除实际高度与速度超过阈值的飞行参数数据段;
2)飞行参数预处理,具体步骤如下:
(2.a)数据去噪,采用样本分位数确定野点值,并使用一阶差分法替换野点值,对第i时刻飞行参数采样值xi,以m为时间窗口,获取对应子序列对子序列进行样本分位数求解,得到样本分位数qi,设置阈值M,当xi与qi的差值超过阈值时,则认为xi为野点,采用一阶差分法替换该野点的值,其表达公式为:
x′i=xi-1+(xi-1-xi-2)
式中,x′i表示修复后第i点数据的值,xi-1和xi-2分别表示第i-1和第i-2个点的值;
(2.b)限幅,将第i时刻飞行参数采样值xi与直升机实际飞行时所能达到的最大值xmax做比较,若xi>xmax,则将xi限制为xmax的大小;
(2.c)数据平滑,采用均值滤波技术对飞行参数进行滤波,对第i时刻飞行参数采样值xi,取其前后各M1个点,滤波后第i时刻的值等于这2M1+1个点的平均值;
(2.d)参数拟合,对指示空速、气压高度和偏航角这三个飞行参数的每个采样数据,取其前后各M2个参数数据,用最小二乘法进行直线拟合,直线所得斜率为该点对应的参数变换率;
3)制作飞行状态标签数据集,具体步骤如下:
(3.a)将步骤2)预处理得到的飞行参数与速度变化率、高度变化率和偏航角变化率作为新的飞行参数数据,并为每个飞行状态的飞行参数数据标注标签,每个标签对应一个飞行状态;
(3.b)将已标注好的每个状态数据以num个采样数据点为基准进行分段,按比例将每段数据分别分为训练、测试和验证数据,将所有训练、测试和验证数据分别整合后,得到实验所需的训练集、测试集和验证集数据;
4)设计用于飞行状态识别的一维卷积神经网络模型,具体步骤如下:
(4.a)确定输入层,输入层的数据为每个状态同一时刻对应的m个飞行参数,以m×1的向量形式输入网络;
(4.b)确定特征提取层,特征提取层由卷积层和激活层组成,卷积层对输入数据进行卷积操作,得到输入数据的特征,一层卷积由多个卷积核构成,一个卷积核提取一类特征,多类特征组成特征映射图,第一层卷积包含K1个卷积核,卷积核均为3×1的大小,第二层卷积包含K2个卷积核,卷积核均为3×1的大小,第三层卷积包含K3个卷积核,卷积核均为3×1的大小,每层卷积操作之后都使用ReLU激活函数对输出进行非线性变换,其表达公式为:
a=f(y)=max{0,y}
式中,y表示卷积层的输出,a表示y的激活值;
(4.c)确定全连接层,全连接层将卷积层获取的局部特征,通过权值矩阵组装成完整的图,实现从特征到标签的映射,第一层全连接层的输入数据为最后一层卷积层输出铺展成的一维特征向量,包含N1个神经元,使用ReLU作为激活函数,第二层全连接层为分类层,包含的神经元个数为待识别状态的总个数N2,使用Softmax作为激活函数,并对两层全连接层设置L2正则化,防止过拟合;
(4.d)确定目标函数,目标函数是评价神经网络输出与实际目标值一致性的函数,本发明所述目标函数为交叉熵函数,其表达公式为:
5)训练并保存网络模型参数,具体步骤如下:
(5.a)设置一维卷积神经网络模型的迭代批次数据量为batchsize个、迭代次数为epoch次;
(5.b)将步骤3)制作好的训练集和验证集用于网络训练,并将测试集用于分类准确率计算,依据测试准确率调整参数,使得准确率达到最优,得到最优网络模型;
(5.c)保存训练得到的最优网络模型;
6)测试数据并获取每个状态识别准确率。分别将每个状态未经训练的数据集输入步骤5)保存好的网络模型中,运行网络模型进行测试,获得每个状态相应的测试准确率。
本发明的有益效果:
本发明的优点是,使用所有的飞行参数作为网络输入,充分利用参数特征,增强了网络特征的多样性,提高了测试准确率;无需对飞行状态进行预分类,避免了预分类错误导致的分类误差,进一步提高了飞行状态识别的准确率。本发明提供的一种基于一维卷积神经网络的直升机飞行状态识别方法,解决了现有技术存在的问题,具有速度快、精度高和鲁棒性好的优点,能够准确识别出直升机的飞行状态。
附图说明
图1为本发明的工作流程图。
图2为本发明的制作飞行状态标签数据集的流程图。
图3为本发明的一维卷积神经网络结构图。
具体实施方式
本发明方法的实验数据为直升机实际飞行时的23个传感器采集到的飞行参数,用于识别35个直升机飞行状态。表1所示为直升机待识别的35种飞行状态。
表1直升机飞行状态
本发明采用如图1所示的工作流程图,实现基于一维卷积神经网络的直升机飞行状态识别,其具体实施步骤如下:
1、去除偏离正常的飞行参数数据段
所述去除偏离正常飞行参数的数据段,是采用可视化的方式,找出并去除飞行参数中不符合对应状态参数值的数据段,具体实施步骤如下:
1)对每一个飞行状态对应的速度和高度进行可视化。
2)通过参数曲线,确定每个飞行状态速度和高度的阈值。
3)根据阈值和每个飞行状态下理想的高度和速度,去除实际高度与速度超过阈值的飞行参数数据段。
需要说明的是,本发明实施例中,通过观察与计算取速度振荡阈值为40km/h,当速度在均值的±40km/h以内为正常数据;高度以270km为阈值,当高度均值大于270km时,去除高度低于270km的数据段,当高度均值小于270km时,去除高度大于270km的数据段。
2、飞行参数预处理
所述飞行参数处理,首先,使用样本分位数和一阶差分的方法,找出并替换野点值;其次,对飞行参数进行最大值限幅;然后,使用均值滤波方法对飞行参数进行滤波;最后,进行参数拟合计算速度变换率、高度变换率和偏航角变换率,其具体实施步骤如下:
1)对第i时刻飞行参数采样值xi,以m=3为时间窗口,得到对应子序列(xi-1,xi,xi+1),解得该子序列的样本分位数为qi,将设置的阈值M,并与xi和qi的差值进行比较,当差值超过阈值M时,则认为xi为野点,并采用一阶差分法替换该野点的值,其表达公式为:
x′i=xi-1+(xi-1-xi-2)
式中,x′i表示修复后第i点数据的值,xi-1和xi-2分别表示第i-1和第i-2个点的值。
需要说明的是,本发明实施例中,阈值M为10。
2)将第i时刻飞行参数采样值xi与直升机实际飞行时所能达到的最大值xmax做比较,若xi>xmax,则将xi限制为xmax的大小。
3)采用均值滤波技术对飞行参数进行滤波,对第i时刻飞行参数采样值xi,取其前后各M1个点,滤波后第i时刻的值等于这2M1+1个点的平均值。
需要说明的是,本发明实例中,M1的值为5。
4)对指示空速、气压高度和偏航角这三个飞行参数的每个采样数据,取其前后各M2个数据,用最小二乘法进行直线拟合,直线所得斜率为该点对应的参数变换率。
需要说明的是,本发明实例中,M2的值为25。
3、制作飞行状态标签数据集
所述制作标签数据集,是将经过预处理的数据打好标签,并按比例将其分为训练集、测试集和验证集,具体实施步骤如下所示:
1)将步骤2预处理得到的23个飞行参数与速度变化率、高度变化率和偏航角变化率作为新的飞行参数数据,并将这些数据按列放入对应状态的case文本文件中,为每个飞行状态的飞行参数数据标注标签,每个标签对应一个飞行状态,网络最终预测的结果为这些case中的一个。
2)将已标注好的每个状态数据以num个采样数据点为基准进行分段,按7:2:1的比例将每段数据分别分为训练、测试和验证数据,将所有训练、测试和验证数据分别整合后,得到实验所需的训练集、测试集和验证集数据。
需要说明的是,本发明实例中,分段样本点个数num为100个。
4、设计用于飞行状态识别的一维卷积神经网络模型
所述设计用于飞行状态识别的一维卷积神经网络模型,包括确定其输入层、特征提取层、全连接层和目标函数,具体实施步骤如下:
1)确定输入层,输入层的数据为每个状态同一时刻对应的26个飞行参数,以26×1的向量形式输入网络,26个飞行参数如表2所示。
表2飞行参数表
编号 | 符号 | 参数名称 | 编号 | 符号 | 参数名称 |
1 | Vi | 指示空速 | 14 | Wczmk | 尾传动轴测扭矩 |
2 | Hp | 气压高度 | 15 | Hpb | 无线电高度 |
3 | Nx | 重心处纵向过载 | 16 | T20 | 燃油入口处温度 |
4 | Ny | 重心处侧向过载 | 17 | P20 | 燃油入口处压力 |
5 | Nz | 重心处法向过载 | 18 | Ng | 发动机转速 |
6 | Nwx | 尾部纵向过载 | 19 | Nr | 旋翼转速 |
7 | Nwy | 尾部侧向过载 | 20 | Nf | 自由涡轮转速 |
8 | Nwz | 尾部法向过载 | 21 | Q | 发动机耗油 |
9 | Wf | 总距位移 | 22 | COSI | 偏航角 |
10 | Wy | 脚蹬位移 | 23 | GAM | 倾斜角 |
11 | Wz | 操作杆纵向位移 | 24 | Crvi | 速度变化率 |
12 | Wx | 操作杆横向位移 | 25 | Crhp | 高度变化率 |
13 | Mfa | 发动机扭矩 | 26 | Crcosi | 偏航角变换率 |
2)确定特征提取层,特征提取层由卷积层和激活层组成,卷积层对输入数据进行卷积操作,得到输入数据的特征,一层卷积由多个卷积核构成,一个卷积核提取一类特征,多类特征组成特征映射图,第一层卷积包含K1个卷积核,卷积核均为3×1的大小,第二层卷积包含K2个卷积核,卷积核均为3×1的大小,第三层卷积包含K3个卷积核,卷积核均为3×1的大小,每层卷积操作之后都使用ReLU激活函数对输出进行非线性变换,其表达公式为:
a=f(y)=max{0,y}
式中,y表示卷积层的输出,a表示y的激活值。
需要说明的是,本发明实例中,K1的值为16,K2的值为32,K3的值为64。
3)确定全连接层,全连接层将卷积层获取的局部特征,通过权值矩阵组装成完整的图,实现从特征到标签的映射,第一层全连接层的输入数据为最后一层卷积层输出铺展成的一维特征向量,包含N1个神经元,使用ReLU作为激活函数,第二层全连接层为分类层,包含的神经元个数为待分类状态的总个数N2,使用Softmax作为激活函数,并对两层全连接层设置L2正则化,防止过拟合,正则化系数均设为10-4。
需要说明的是,本发明实例中,第一层全连接层神经元个数N1为40个,分类层神经元个数N2为35个。
4)确定目标函数,目标函数是评价神经网络输出与实际目标值一致性的函数,本发明所述目标函数为交叉熵函数,其表达公式为:
5、训练并保存网络模型参数
根据步骤4设计好的模型将步骤3制作的数据集用于网络模型训练,调整参数,并保存测试结果最好的模型,具体实施过程如下:
1)设置一维卷积神经网络模型的一个迭代批次数据量为batchsize个、迭代次数为epoch次。
需要说明的是,本发明实例中,一个迭代批次数据量batchsize为256个,迭代次数epoch为20次。
2)将步骤3制作好的训练集和验证集用于网络训练,并将测试集用于识别准确率计算,依据测试准确率调整参数,使得准确率达到最优,得到最优网络模型。
3)保存训练得到的最优网络模型。
6、测试数据并获取每个状态识别准确率
将每个状态未经训练的测试集和验证集输入步骤5保存好的网络模型中,运行网络模型进行测试,获得该状态相应的测试准确率,得到最终每个状态的状态识别率,表3所示为得到的每个状态的状态识别率。
表3每个状态的状态识别率
测试结果显示:35个飞行状态的平均识别率为97.18%。
Claims (4)
1.一种基于一维卷积神经网络的直升机飞行状态识别方法,其特征在于,具体包括以下步骤:
1)去除偏离正常的飞行参数数据段,具体步骤如下:
(1.a)对每一个飞行状态对应的速度和高度进行可视化;
(1.b)通过参数曲线,确定每个飞行状态速度和高度的阈值;
(1.c)根据阈值和每个飞行状态下理想的高度和速度,去除实际高度与速度超过阈值的飞行参数数据段;
2)飞行参数预处理;
3)制作飞行状态标签数据集;
4)设计用于飞行状态识别的一维卷积神经网络模型,具体步骤如下:
(4.a)确定输入层,输入层的数据为每个状态同一时刻对应的m个飞行参数,以m×1的向量形式输入网络;
(4.b)确定特征提取层,特征提取层由卷积层和激活层组成,卷积层对输入数据进行卷积操作,得到输入数据的特征,一层卷积由多个卷积核构成,一个卷积核提取一类特征,多类特征组成特征映射图,第一层卷积包含K1个卷积核,卷积核均为3×1的大小,第二层卷积包含K2个卷积核,卷积核均为3×1的大小,第三层卷积包含K3个卷积核,卷积核均为3×1的大小,每层卷积操作之后都使用ReLU激活函数对输出进行非线性变换,其表达公式为:
a=f(y)=max{0,y}
式中,y表示卷积层的输出,a表示y的激活值;
(4.c)确定全连接层,全连接层将卷积层获取的局部特征,通过权值矩阵组装成完整的图,实现从特征到标签的映射,第一层全连接层的输入数据为最后一层卷积层输出铺展成的一维特征向量,包含N1个神经元,使用ReLU作为激活函数,第二层全连接层为分类层,包含的神经元个数为待识别状态的总个数N2,使用Softmax作为激活函数,并对两层全连接层设置L2正则化,防止过拟合;
(4.d)确定目标函数,目标函数是评价神经网络输出与实际目标值一致性的函数,本发明所述目标函数为交叉熵函数,其表达公式为:
5)训练并保存网络模型参数;
6)测试数据并获取每个状态识别准确率,分别将每个状态未经训练的数据集输入步骤5)训练好的网络模型中,运行网络模型进行测试,获得每个状态相应的识别准确率。
2.根据权利要求1所述一种基于一维卷积神经网络的直升机飞行状态识别方法,其特征在于,飞行参数预处理具体包括下述步骤:
a)数据去噪,采用样本分位数确定野点位置,并使用一阶差分法替换野点值,对第i时刻飞行参数采样值xi,以m为时间窗口,获取对应子序列对子序列进行样本分位数求解,得到样本分位数qi,设置阈值M,当xi与qi的差值超过阈值时,则认为xi为野点值,采用一阶差分法替换该野点值,其表达公式为:
x′i=xi-1+(xi-1-xi-2)
式中,x′i表示修复后第i点数据的值,xi-1和xi-2分别表示第i-1和第i-2个点的值;
b)限幅,将第i时刻飞行参数采样值xi与直升机实际飞行时所能达到的最大值xmax做比较,若xi>xmax,则将xi限制为xmax的大小;
c)数据平滑,采用均值滤波技术对飞行参数进行滤波,对第i时刻飞行参数采样值xi,取其前后各M1个点,滤波后第i时刻的值等于这2M1+1个点的平均值;
d)参数拟合,对指示空速、气压高度和偏航角这三个飞行参数的每个采样数据,取其前后各M2个数据,用最小二乘法进行直线拟合,直线所得斜率为该点对应的参数变换率。
3.根据权利要求1所述一种基于一维卷积神经网络的直升机飞行状态识别方法,其特征在于,制作飞行状态标签数据集具体包括下述步骤:
a)将步骤2)预处理得到的飞行参数与速度变化率、高度变化率和偏航角变化率作为新的飞行参数数据,并为每个飞行状态的飞行参数数据标注标签,每个标签对应一个飞行状态;
b)将已标注好的每个状态数据以num个采样数据点为基准进行分段,按比例将每段数据分别分为训练、测试和验证数据,将所有训练、测试和验证数据分别整合后,得到实验所需的训练集、测试集和验证集数据。
4.根据权利要求1所述一种基于一维卷积神经网络的直升机飞行状态识别方法,其特征在于,训练并保存网络模型参数具体包括下述步骤:
a)设置一维卷积神经网络模型的迭代批次数据量为batchsize个、迭代次数为epoch次;
b)将步骤3)制作好的训练集和验证集用于网络训练,并使用测试集计算识别准确率,依据测试准确率调整参数,使得准确率达到最优,得到最优网络模型;
c)保存训练得到的最优网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110390010.0A CN113076510A (zh) | 2021-04-12 | 2021-04-12 | 一种基于一维卷积神经网络的直升机飞行状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110390010.0A CN113076510A (zh) | 2021-04-12 | 2021-04-12 | 一种基于一维卷积神经网络的直升机飞行状态识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113076510A true CN113076510A (zh) | 2021-07-06 |
Family
ID=76617282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110390010.0A Pending CN113076510A (zh) | 2021-04-12 | 2021-04-12 | 一种基于一维卷积神经网络的直升机飞行状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113076510A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853531A (zh) * | 2010-05-25 | 2010-10-06 | 北京航空航天大学 | 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 |
CN102024268A (zh) * | 2010-12-13 | 2011-04-20 | 武汉大学 | 一种保持外观特征的模型简化方法 |
CN104849546A (zh) * | 2015-05-05 | 2015-08-19 | 大连理工大学 | 一种民航飞机散射信号多普勒频率估计方法 |
CN108229484A (zh) * | 2018-01-29 | 2018-06-29 | 南昌航空大学 | 一种高速旋转下直升机桨叶编号的计算机视觉自动识别方法 |
CN109034376A (zh) * | 2018-07-18 | 2018-12-18 | 东北大学 | 一种基于lstm的无人机飞行状态预测方法及系统 |
CN110032737A (zh) * | 2019-04-10 | 2019-07-19 | 贵州大学 | 一种基于神经网络的边界组合命名实体识别方法 |
CN111460932A (zh) * | 2020-03-17 | 2020-07-28 | 哈尔滨工程大学 | 基于自适应卷积的水声信号分类识别方法 |
CN111504341A (zh) * | 2020-04-30 | 2020-08-07 | 中国直升机设计研究所 | 一种直升机飞行状态识别方法 |
CN112541511A (zh) * | 2019-09-20 | 2021-03-23 | 宫文峰 | 基于卷积神经网络的多通道时间序列数据故障诊断方法 |
-
2021
- 2021-04-12 CN CN202110390010.0A patent/CN113076510A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853531A (zh) * | 2010-05-25 | 2010-10-06 | 北京航空航天大学 | 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 |
CN102024268A (zh) * | 2010-12-13 | 2011-04-20 | 武汉大学 | 一种保持外观特征的模型简化方法 |
CN104849546A (zh) * | 2015-05-05 | 2015-08-19 | 大连理工大学 | 一种民航飞机散射信号多普勒频率估计方法 |
CN108229484A (zh) * | 2018-01-29 | 2018-06-29 | 南昌航空大学 | 一种高速旋转下直升机桨叶编号的计算机视觉自动识别方法 |
CN109034376A (zh) * | 2018-07-18 | 2018-12-18 | 东北大学 | 一种基于lstm的无人机飞行状态预测方法及系统 |
CN110032737A (zh) * | 2019-04-10 | 2019-07-19 | 贵州大学 | 一种基于神经网络的边界组合命名实体识别方法 |
CN112541511A (zh) * | 2019-09-20 | 2021-03-23 | 宫文峰 | 基于卷积神经网络的多通道时间序列数据故障诊断方法 |
CN111460932A (zh) * | 2020-03-17 | 2020-07-28 | 哈尔滨工程大学 | 基于自适应卷积的水声信号分类识别方法 |
CN111504341A (zh) * | 2020-04-30 | 2020-08-07 | 中国直升机设计研究所 | 一种直升机飞行状态识别方法 |
Non-Patent Citations (5)
Title |
---|
XI CHEN等: "A Self-Adaptive 1D Convolutional Neural Network for Flight-State Identification", 《SENSORS》 * |
万齐杨等: "基于 DCAE - CNN 的自动倾斜器滚动轴承故障诊断", 《振动与冲击》 * |
戴邵武等: "基于样本分位数原理的飞参数据异常值检测算法", 《网络首发地址: HTTP://KNS.CNKI.NET/KCMS/DETAIL/50.1213.TJ.20200203.1413.016.HTML》 * |
曲建岭等: "基于一维卷积神经网络的滚动轴承自适应故障诊断算法", 《仪器仪表学报》 * |
熊邦书等: "基于SVM的直升机飞行状态识别", 《应用科学学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368885B (zh) | 一种航空发动机气路故障诊断方法 | |
CN110929603A (zh) | 一种基于轻量级卷积神经网络的天气图像识别方法 | |
CN111340754A (zh) | 一种基于飞机蒙皮表面缺陷检测和分类的方法 | |
CN113203566A (zh) | 一种基于一维数据增强和cnn的电机轴承故障诊断方法 | |
CN112766283B (zh) | 一种基于多尺度卷积网络的两相流流型识别方法 | |
CN114218872B (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
CN117056402B (zh) | 一种基于多源信号的电机诊断方法、装置及存储介质 | |
CN113469230A (zh) | 一种转子系统深度迁移故障诊断方法、系统及介质 | |
CN115880497A (zh) | 基于自编码器结合多层感知机的翼型结冰冰形预测方法 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
Li et al. | A lightweight and explainable data-driven scheme for fault detection of aerospace sensors | |
CN113076510A (zh) | 一种基于一维卷积神经网络的直升机飞行状态识别方法 | |
Liu et al. | Semi-supervised deep learning recognition method for the new classes of faults in wind turbine system | |
CN113128769A (zh) | 基于深度学习的智能航班延误预测方法 | |
Cui et al. | Intelligent health management of fixed-wing UAVs: A deep-learning-based approach | |
CN114548295A (zh) | 基于多尺度领域自适应网络的轴承故障分类系统及方法 | |
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 | |
CN115618733A (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 | |
Wei et al. | Fault diagnosis method of spacecraft control systems based on PCA-ResNet | |
Wu et al. | Remaining useful life prediction of bearings with different failure types based on multi-feature and deep convolution transfer learning | |
CN112884038A (zh) | 基于多距离度量学习的多标签特征选择方法 | |
Guo et al. | A Hybrid clustering method for bridge structure health monitoring | |
Heng et al. | Research on aircraft engine fault detection based on support vector machines | |
CN115526243B (zh) | 一种基于多源数据和cnn-lstm的飞机飞行姿态识别方法 | |
CN112001035B (zh) | 基于特征工程与岭回归机翼结构变形重构方法 |
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 |