CN113111939B - 飞行器飞行动作识别方法及装置 - Google Patents
飞行器飞行动作识别方法及装置 Download PDFInfo
- Publication number
- CN113111939B CN113111939B CN202110386727.8A CN202110386727A CN113111939B CN 113111939 B CN113111939 B CN 113111939B CN 202110386727 A CN202110386727 A CN 202110386727A CN 113111939 B CN113111939 B CN 113111939B
- Authority
- CN
- China
- Prior art keywords
- flight
- aircraft
- attitude
- recognition
- data set
- 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
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种飞行器飞行动作识别方法及装置。其中,所述方法包括:获取飞行器飞行动作数据集合;通过姿态分割模型,将所述数据集合分割为若干飞行姿态子数据集合;根据所述若干飞行姿态子数据集合并通过XGBoost识别模型,进行飞行器飞行姿态的识别,得到飞行器飞行姿态的第一识别结果;根据所述若干飞行姿态子数据集合并通过LSTM识别模型,进行飞行器飞行姿态的识别,得到飞行器飞行姿态的第二识别结果;当所述第一识别结果与所述第二识别结果一致时,输出飞行器的飞行姿态识别结果为飞行器飞行动作识别结果。这样,能够在提升飞行员飞行动作操纵品质评估的分类鲁棒性、评估准确度的同时识别机动性更强的飞行动作。
Description
技术领域
本申请涉及飞行训练技术领域,尤其涉及一种飞行器飞行动作识别方法及装置。
背景技术
飞行员在模拟训练过程中,完成教员下达的飞行动作是非常重要的训练科目,其完成质量的优劣会直接影响飞行员飞行操控品质的评估。因此,需要对飞行器飞行动作进行识别,以便进行飞行员飞行操控品质的评估。在现有技术中,通过长短时记忆网络LSTM的人工智能方法进行飞行动作识别,需要采用大量飞行器飞行数据对LSTM参数进行训练,从而构建飞行动作识别模型并提升识别模型的分类鲁棒性。但在实现现有技术的过程中,发明人发现:飞行数据存在的随机性大、现实样本少的问题,使得飞行器飞行动作识别模型存在分类鲁棒性差以及易陷于过拟合等问题,从而增加了导致飞行器飞行动作识别的误差。这样,不利于复杂性的飞行动作识别,直接影响了飞行员飞行操控品质的评估。
因此,需要提供一种飞行器飞行动作识别方法及装置。
发明内容
本申请实施例提供一种飞行器飞行动作识别的技术方案,用以解决飞行器飞行动作识别误差大的技术问题。
具体的,一种飞行器飞行动作识别方法,包括以下步骤:
获取飞行器飞行动作数据集合;
通过姿态分割模型,将所述数据集合分割为若干飞行姿态子数据集合;
根据所述若干飞行姿态子数据集合并通过XGBoost识别模型,进行飞行器飞行姿态的识别,得到飞行器飞行姿态的第一识别结果;
根据所述若干飞行姿态子数据集合并通过LSTM识别模型,进行飞行器飞行姿态的识别,得到飞行器飞行姿态的第二识别结果;
比较所述第一识别结果与所述第二识别结果的一致性;
当所述第一识别结果与所述第二识别结果一致时,输出飞行器的飞行姿态识别结果为飞行器飞行动作识别结果。
进一步的,所述方法还包括:
当所述第一识别结果与所述第二识别结果不一致时,根据所述第一识别结果与所述第二识别结果并通过RBF识别模型,进行飞行器飞行姿态识别结果的二次识别;
输出所述飞行器的飞行姿态二次识别结果为飞行器飞行动作识别结果。
进一步的,获取飞行器飞行动作数据集合,具体包括:
获取飞行器飞行过程中至少由若干飞行高度数据元素、若干飞行航向角数据元素、若干飞行俯仰角数据元素、若干飞行横滚角数据元素中一种数据元素组成的飞行动作数据集合。
进一步的,通过姿态分割模型,将所述数据集合分割为若干飞行姿态子数据集合,具体包括:
通过姿态分割模型,将飞行器飞行动作数据集合分割为平飞状态数据集合与非平飞状态数据集合;
通过姿态分割模型,将所述非平飞状态数据集合分割为若干飞行姿态子数据集合;
其中,所述若干飞行姿态子数据集合至少包括飞行器盘旋姿态子数据集合、飞行器急转姿态子数据集合、飞行器升降转弯姿态子数据集合、飞行器横滚姿态子数据集合、飞行器斤斗姿态子数据集合中一种子数据集合。
进一步的,根据所述若干飞行姿态子数据集合并通过XGBoost识别模型,进行飞行器飞行姿态的识别,得到飞行器飞行姿态的第一识别结果,具体包括:
根据所述若干飞行姿态子数据集合并通过XGBoost算法,进行飞行器飞行姿态的预识别处理,得到飞行器飞行姿态的预识别结果;
将所述预识别结果与飞行器飞行动作数据集合拟合为飞行器飞行动作数据-预识别姿态的数据集合;
根据所述数据集合并通过XGBoost识别模型,进行飞行器飞行姿态的识别,得到飞行器飞行姿态的第一识别结果。
进一步的,所述XGBoost识别模型通过以下步骤优化获得:
获取训练用的飞行器飞行动作数据-分类姿态的数据集合;
根据所述数据集合并通过神经网络算法,负反馈优化XGBoost识别模型。
进一步的,根据所述若干飞行姿态子数据集合并通过LSTM识别模型,进行飞行器飞行姿态的识别,得到飞行器飞行姿态的第二识别结果,具体包括:
根据所述若干飞行姿态子数据集合并通过XGBoost算法,进行飞行器飞行姿态的预识别处理,得到飞行器飞行姿态的预识别结果;
将所述预识别结果与飞行器飞行动作数据集合拟合为飞行器飞行动作数据-预识别姿态的数据集合;
根据所述数据集合并通过LSTM识别模型,进行飞行器飞行姿态的识别,得到飞行器飞行姿态的第二识别结果。
进一步的,所述LSTM识别模型通过以下步骤优化获得:
获取训练用的飞行器飞行动作数据-分类姿态的数据集合;
根据所述数据集合并通过神经网络算法,负反馈优化LSTM识别模型。
本申请实施例还提供一种飞行器飞行动作识别装置。
具体的,一种飞行器飞行动作识别装置,包括:
获取模块,用于获取飞行器飞行动作数据集合;
分割模块,用于通过姿态分割模型,将所述数据集合分割为若干飞行姿态子数据集合;
识别模块,用于根据所述若干飞行姿态子数据集合并通过XGBoost识别模型,进行飞行器飞行姿态的识别,得到飞行器的飞行姿态的第一识别结果;还用于根据所述若干飞行姿态子数据集合并通过LSTM识别模型,进行飞行器飞行姿态的识别,得到飞行器的飞行姿态的第二识别结果;
比较模块,用于比较所述第一识别结果与所述第二识别结果的一致性;
输出模块,用于当所述第一识别结果与所述第二识别结果一致时,输出飞行器的飞行姿态识别结果为飞行器飞行动作识别结果;
其中,所述识别模块还用于当所述第一识别结果与所述第二识别结果不一致时,根据所述第一识别结果与所述第二识别结果并通过RBF识别模型,进行飞行器飞行姿态识别结果的二次识别;
所述输出模块还用于输出所述飞行器的飞行姿态二次识别结果为飞行器飞行动作识别结果。
进一步的,所述获取模块用于获取飞行器飞行动作数据集合,具体用于:
获取飞行器飞行过程中至少由若干飞行高度数据元素、若干飞行航向角数据元素、若干飞行俯仰角数据元素、若干飞行横滚角数据元素中一种数据元素组成的飞行动作数据集合。
本申请实施例提供的技术方案,至少具有如下有益效果:
通过XGBoost识别模型与LSTM识别模型同时进行飞行器飞行动作的识别,能够在提升飞行员飞行动作操纵品质评估的分类鲁棒性、评估准确度的同时,识别机动性更强的飞行动作,从而提升了飞行员飞行操控品质的评估质量。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的一种飞行器飞行动作识别方法的流程图。
图2为本申请实施例提供的一种飞行器飞行动作识别装置的结构示意图。
100 飞行器飞行动作识别装置
11 获取模块
12 分割模块
13 识别模块
14 比较模块
15 输出模块
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
请参照图1,为本申请实施例提供的一种飞行器飞行动作识别方法,包括以下步骤:
S100:获取飞行器飞行动作数据集合。
可以理解的是,飞行器在飞行过程中会产生一系列的飞行动作数据。其中,所述飞行动作数据为飞行器在飞行过程中产生所有飞行相关的数据。例如,飞行器飞行过程中产生的飞行角度、飞行高度、飞行速度、飞行耗油量、飞行里程等飞行数据。可以理解的是,这里所述飞行动作数据的具体指标参数,显然不构成对本申请具体保护范围的限制。另外,这里可以获取从飞行器启动到飞行结束这一完整飞行时间段内的所有飞行动作数据;或者选择性获取飞行器完整飞行时间段中的部分时间段内的飞行动作数据。可以理解的是,这里所述飞行动作数据的具体获取时间段,显然不构成对本申请保护范围的限制。
进一步的,在本申请提供的一种优选的实施方式中,获取飞行器飞行动作数据集合,具体包括:
获取飞行器飞行过程中至少由若干飞行高度数据元素、若干飞行航向角数据元素、若干飞行俯仰角数据元素、若干飞行横滚角数据元素中一种数据元素组成的飞行动作数据集合。
进行飞行器飞行动作的识别,需参考飞行器的飞行动作数据。其中,飞行器飞行动作数据包括飞行角度、飞行高度、飞行速度等外在飞行状态参数,以及飞行耗油量等内在飞行状态参数。由于飞行器的内在飞行状态参数仅记录了当前时刻飞行器内部相关状态参数,通过飞行耗油量等内在飞行状态参数进行飞行器飞行动作的识别,识别准确率低。因此,需获取到能够直接进行飞行器飞行动作识别的飞行姿态相关参数,以提高飞行器飞行动作识别的准确率。即,获取到飞行器飞行过程中产生的至少由若干飞行高度数据元素、若干飞行航向角数据元素、若干飞行俯仰角数据元素、若干飞行横滚角数据元素中一种数据元素组成的飞行动作数据。
S200:通过姿态分割模型,将所述数据集合分割为若干飞行姿态子数据集合。
获取的飞行器飞行动作数据为飞行器启动到飞行结束这一完整飞行时间段内的所有飞行动作数据,或者飞行器完整飞行时间段中的部分时间段内的飞行动作数据。当飞行器飞行过程中飞行动作较多时,获取到的飞行器飞行动作数据中包含了不同飞行姿态所对应飞行动作数据。因此,需将获取到的飞行器飞行动作数据集分割为不同的飞行姿态子数据集。这样,通过所述飞行姿态子数据集,能够进行飞行器相应飞行姿态的识别,从而得到飞行过程中的飞行动作。
进一步的,在本申请提供的一种优选的实施方式中,通过姿态分割模型,将所述数据集合分割为若干飞行姿态子数据集合,具体包括:
通过姿态分割模型,将飞行器飞行动作数据集合分割为平飞状态数据集合与非平飞状态数据集合;
通过姿态分割模型,将所述非平飞状态数据集合分割为若干飞行姿态子数据集合;
其中,所述若干飞行姿态子数据集合至少包括飞行器盘旋姿态子数据集合、飞行器急转姿态子数据集合、飞行器升降转弯姿态子数据集合、飞行器横滚姿态子数据集合、飞行器斤斗姿态子数据集合中一种子数据集合。
获取到的飞行器飞行动作数据至少包括若干飞行高度数据元素、若干飞行航向角数据元素、若干飞行俯仰角数据元素、若干飞行横滚角数据元素中一种数据元素。其中,所述飞行器飞行动作数据既包含了飞行器平飞状态时的飞行动作数据,又包含了非平飞状态时的飞行数据。飞行器在飞行过程中执行不同飞行动作,对应的飞行状态均为非平飞状态。因此,首先需要将获取到的飞行器飞行动作数据分割为平飞状态以及非平飞状态的飞行动作数据,之后再针对非平飞状态的飞行动作数据进行飞行器飞行姿态的分割。这样,能够提高飞行器飞行姿态分割的准确率,避免了平飞状态的飞行动作数据对飞行器飞行动作识别结果的干扰。
具体的,通过姿态分割模型进行飞行器飞行状态的分割,首先需要获取到飞行器平飞状态与非平飞状态的飞行动作数据分割条件信息。即,获得飞行器在飞行过程中飞行高度、飞行航向角和飞行横滚角等指标参数在一定时间段内的最高值与最低值之差的设定值。这样,计算获取到的飞行数据中飞行高度数据、飞行航向角数据和飞行横滚角数据在一定时间段内的最高值与最低值之差,当所述差值在所设定值范围内,即可认定飞行器对应的飞行状态为平飞状态。同样的,当所述差值超出所设定值范围,即可认定飞行器对应的飞行状态为非平飞状态。根据分割得到的飞行器非平飞状态数据并通过姿态分割模型分割处理,即可得到不同飞行姿态对应的飞行姿态子数据集。由于获取的飞行器飞行动作数据集至少由若干飞行高度数据元素、若干飞行航向角数据元素、若干飞行俯仰角数据元素、若干飞行横滚角数据元素中一种数据元素组成,因此经姿态分割模型分割得到的飞行器飞行姿态子数据集至少包括飞行器盘旋姿态子数据集合、飞行器急转姿态子数据集合、飞行器升降转弯姿态子数据集合、飞行器横滚姿态子数据集合、飞行器斤斗姿态子数据集合中一种子数据集合。其中,所述姿态分割模型通过神经网络算法训练获得。通过神经网络算法进行姿态分割模型的优化,首先需要获取训练用的飞行器飞行动作数据集。所述训练用飞行动作数据集至少由若干飞行高度数据元素、若干飞行航向角数据元素、若干飞行俯仰角数据元素、若干飞行横滚角数据元素中一种数据元素组成。将训练用飞行动作数据集输入到未被训练的姿态分割模型,即可进行姿态的分割。根据分割结果即可调整姿态分割模型中的相关参数权重,直至分割结果满足允许的误差范围。这时,姿态分割模型训练完成,可对飞行器飞行动作数据进行分割。值得注意的是,进行飞行器飞行姿态分割模型的训练,重点是针对姿态分割模型分割飞行器飞行状态以及飞行姿态的准确度进行训练。
S310:根据所述若干飞行姿态子数据集合并通过XGBoost识别模型,进行飞行器飞行姿态的识别,得到飞行器飞行姿态的第一识别结果。
可以理解的是,当飞行器在飞行过程中执行相应的飞行动作后,可获取到相应的飞行动作数据。所述飞行动作数据经姿态分割模型分割,可对应得到若干飞行姿态子数据集。其中,所述飞行动作数据集至少包括若干飞行高度数据元素、若干飞行航向角数据元素、若干飞行俯仰角数据元素、若干飞行横滚角数据元素中一种数据元素。所述若干飞行姿态子数据集合至少包括飞行器盘旋姿态子数据集合、飞行器急转姿态子数据集合、飞行器升降转弯姿态子数据集合、飞行器横滚姿态子数据集合、飞行器斤斗姿态子数据集合中一种姿态子数据集合。通过对所述若干飞行姿态子数据集进行飞行姿态识别,即可得到相应的飞行动作识别结果。因此,需通过相应的识别模型进行飞行器飞行姿态的识别。相较于其它算法,XGBoost算法通过树学习能够处理稀疏数据、并行和分布式计算。另外,XGBoost算法在学习中,通过在算法中增加收缩比例控制因子防止数据的过拟合,并且通过列特征抽样进行数据计算,能够进一步防止数据过拟合。因此,选用XGBoost识别模型,进行飞行器飞行姿态的识别,并得到飞行器飞行姿态的第一识别结果。这样,在飞行器飞行动作识别过程中,能够有效地防止飞行姿态识别模型的过拟合。
进一步的,在本申请提供的一种优选的实施方式中,根据所述若干飞行姿态子数据集合并通过XGBoost识别模型,进行飞行器飞行姿态的识别,得到飞行器飞行姿态的第一识别结果,具体包括:
根据所述若干飞行姿态子数据集合并通过XGBoost算法,进行飞行器飞行姿态的预识别处理,得到飞行器飞行姿态的预识别结果;
将所述预识别结果与飞行器飞行动作数据集合拟合为飞行器飞行动作数据-预识别姿态的数据集合;
根据所述数据集合并通过XGBoost识别模型,进行飞行器飞行姿态的识别,得到飞行器飞行姿态的第一识别结果。
在根据分割得到的飞行姿态子数据集并通过XGBoost识别模型进行飞行器飞行姿态的识别时,为了增加飞行器飞行姿态识别结果的准确性,需要对所述飞行姿态子数据集进行预识别处理。这样,能够在原有的飞行姿态子数据集的基础上,增加待识别数据集合中数据元素的种类以及数量,从而提升了XGBoost识别模型最终识别结果的准确性。
具体的,通过XGBoost算法对分割得到的飞行姿态子数据集进行预识别处理。此时,得到飞行器飞行姿态的预识别结果。其中,预识别采用的XGBoost算法通过神经网络算法优化获得。通过获取到的若干训练用飞行姿态数据集以及神经网络算法,进行初始XGBoost算法的训练。在训练过程中,不断调整初始XGBoost算法中相关参数的权重,直至XGBoost预识别模型的预识别结果能够满足预识别结果的允许误差。将预识别得到的飞行器飞行姿态的预识别结果与分割得到的飞行姿态子数据集拟合之后,得到飞行器飞行动作数据-预识别姿态的数据集合。此时,将拟合得到的带有预识别结果元素的数据集作为XGBoost识别模型的输入数据。其中,拟合得到的数据集相比于原分割得到的飞行姿态子数据集,增加了预识别结果的数据元素。原有的飞行姿态子数据集包括飞行高度数据元素、若干飞行航向角数据元素、若干飞行俯仰角数据元素、若干飞行横滚角数据元素中至少一种数据元素,经拟合得到数据集则至少包括飞行高度数据元素、若干飞行航向角数据元素、若干飞行俯仰角数据元素、若干飞行横滚角数据元素、飞行器飞行姿态预识别结果数据元素中至少一种数据元素。这样,在通过XGBoost识别模型进行飞行器飞行姿态的识别时能够结合多角度的数据元素,从而得到更为准确的识别结果。
进一步的,在本申请提供的一种优选的实施方式中,所述XGBoost识别模型通过以下步骤优化获得:
获取训练用的飞行器飞行动作数据-分类姿态的数据集合;
根据所述数据集合并通过神经网络算法,负反馈优化XGBoost识别模型。
在根据飞行器飞行动作数据-预识别姿态的数据集合进行飞行器飞行姿态的XGBoost识别时,为了提升飞行姿态识别的准确性,需要对XGBoost识别模型进行优化训练。具体的,进行XGBoost识别模型的优化训练,首先需要获取到训练用的飞行器飞行动作数据-分类姿态数据样本集合。其中,所述训练数据样本集至少包括飞行高度数据元素、若干飞行航向角数据元素、若干飞行俯仰角数据元素、若干飞行横滚角数据元素、飞行器飞行姿态预识别结果数据元素中一种数据元素。所述训练用样本集合可以通过将XGBoost预识别模型训练过程中所用到的飞行动作数据集以及训练产生的预识别结果拟合得到。根据获取到的训练数据样本集合并通过神经网络算法,即可负反馈优化XGBoost识别模型。通过将所获取到的数据样本输入至初始的XGBoost算法所得到的识别结果与标准识别结果之间的误差,即可不断调整XGBoost算法中相关参数的权重直至将XGBoost算法识别结果与标准识别结果之间的误差控制在识别结果的允许误差范围内。此时,XGBoost识别模型负反馈优化完成。可以理解的是,这里所述XGBoost识别模型的具体训练次数,显然不构成对本申请具体保护范围的限制。
S320:根据所述若干飞行姿态子数据集合并通过LSTM识别模型,进行飞行器飞行姿态的识别,得到飞行器飞行姿态的第二识别结果。
可以理解的是,当飞行器在飞行过程中执行相应的飞行动作后,可获取到相应的飞行动作数据。所述飞行动作数据经姿态分割模型分割,可对应得到若干飞行姿态子数据集。其中,所述飞行动作数据集至少包括若干飞行高度数据元素、若干飞行航向角数据元素、若干飞行俯仰角数据元素、若干飞行横滚角数据元素中一种数据元素。所述若干飞行姿态子数据集合至少包括飞行器盘旋姿态子数据集合、飞行器急转姿态子数据集合、飞行器升降转弯姿态子数据集合、飞行器横滚姿态子数据集合、飞行器斤斗姿态子数据集合中一种姿态子数据集合。通过对所述若干飞行姿态子数据集进行飞行姿态识别,即可得到相应的飞行动作识别结果。因此,需通过相应的识别模型进行飞行器飞行姿态的识别。相较于其它识别网络算法,LSTM网络算法模型具有遗忘/记忆机制,能够通过学习判断信息是否需要记忆/更新。这样,使得LSTM网络能够长期进行信息的处理。即,将之前接触到的信息与当前任务相连接。因此,选用LSTM识别模型,进行飞行器飞行姿态的识别,并得到飞行器飞行姿态的第二识别结果。这样,在飞行器飞行动作识别过程中,能够有效提升飞行器飞行姿态识别结果的准确性。
进一步的,在本申请提供的一种优选的实施方式中,根据所述若干飞行姿态子数据集合并通过LSTM识别模型,进行飞行器飞行姿态的识别,得到飞行器飞行姿态的第二识别结果,具体包括:
根据所述若干飞行姿态子数据集合并通过XGBoost算法,进行飞行器飞行姿态的预识别处理,得到飞行器飞行姿态的预识别结果;
将所述预识别结果与飞行器飞行动作数据集合拟合为飞行器飞行动作数据-预识别姿态的数据集合;
根据所述数据集合并通过LSTM识别模型,进行飞行器飞行姿态的识别,得到飞行器飞行姿态的第二识别结果。
在根据分割得到的飞行姿态子数据集并通过LSTM识别模型进行飞行器飞行姿态的识别时,为了增加飞行器飞行姿态识别结果的准确性,需要对所述飞行姿态子数据集进行预识别处理。这样,能够在原有的飞行姿态子数据集的基础上,增加待识别数据集合中数据元素的种类以及数量,从而提升了LSTM识别模型最终识别结果的准确性。
具体的,通过XGBoost算法对分割得到的飞行姿态子数据集进行预识别处理。此时,得到飞行器飞行姿态的预识别结果。其中,预识别采用的XGBoost算法通过神经网络算法优化获得。通过获取到的若干训练用飞行姿态数据集以及神经网络算法,进行初始XGBoost算法的训练。在训练过程中,不断调整初始XGBoost算法中相关参数的权重,直至XGBoost预识别模型的预识别结果能够满足预识别结果的允许误差。将预识别得到的飞行器飞行姿态的预识别结果与分割得到的飞行姿态子数据集拟合之后,得到飞行器飞行动作数据-预识别姿态的数据集合。此时,将拟合得到的带有预识别结果元素的数据集作为LSTM识别模型的输入数据。其中,拟合得到的数据集相比于原分割得到的飞行姿态子数据集,增加了预识别结果的数据元素。原有的飞行姿态子数据集包括飞行高度数据元素、若干飞行航向角数据元素、若干飞行俯仰角数据元素、若干飞行横滚角数据元素中至少一种数据元素,经拟合得到数据集则至少包括飞行高度数据元素、若干飞行航向角数据元素、若干飞行俯仰角数据元素、若干飞行横滚角数据元素、飞行器飞行姿态预识别结果数据元素中一种数据元素。这样,在通过LSTM识别模型进行飞行器飞行姿态的识别时能够结合多角度的数据元素,从而得到更为准确的识别结果。
进一步的,在本申请提供的一种优选的实施方式中,所述LSTM识别模型通过以下步骤优化获得:
获取训练用的飞行器飞行动作数据-分类姿态的数据集合;
根据所述数据集合并通过神经网络算法,负反馈优化LSTM识别模型。
在根据飞行器飞行动作数据-预识别姿态的数据集合进行飞行器飞行姿态的LSTM识别时,为了提升飞行姿态识别的准确性,需要对LSTM识别模型进行优化训练。具体的,进行LSTM识别模型的优化训练,首先需要获取到训练用的飞行器飞行动作数据-分类姿态数据样本集合。其中,所述训练数据样本集至少包括飞行高度数据元素、若干飞行航向角数据元素、若干飞行俯仰角数据元素、若干飞行横滚角数据元素、飞行器飞行姿态预识别结果数据元素中一种数据元素。所述训练用样本集合可以通过将XGBoost预识别模型训练过程中所用到的飞行动作数据集以及训练产生的预识别结果拟合得到。根据获取到的训练数据样本集合并通过神经网络算法,即可负反馈优化LSTM识别模型。通过将所获取到的数据样本输入至初始的LSTM网络算法所得到的识别结果与标准识别结果之间的误差,即可不断调整LSTM网络算法中相关参数的权重直至将LSTM网络算法识别结果与标准识别结果之间的误差控制在识别结果的允许误差范围内。此时,LSTM识别模型负反馈优化完成。可以理解的是,这里所述LSTM识别模型的具体训练次数,显然不构成对本申请具体保护范围的限制。
S400:比较所述第一识别结果与所述第二识别结果的一致性。
通过分割得到的若干飞行姿态子数据集,通过XGBoost识别模型进行飞行器飞行姿态的识别时,得到飞行器飞行姿态的第一识别结果;通过LSTM识别模型进行飞行器飞行姿态的识别时,得到飞行器飞行姿态的第二识别结果。所述第一识别结果与所述第二识别结果分别通过采用识别算法不同的识别模型识别得到,两种识别结果之间会存在不一致的情形。因此,需将所述第一识别结果与所述第二识别结果进行比较。这样,能够有效排除不同识别算法对飞行器飞行姿态最终识别结果的干扰,进而增加了飞行器飞行动作最终识别结果的准确性。
S500:当所述第一识别结果与所述第二识别结果一致时,输出飞行器的飞行姿态识别结果为飞行器飞行动作识别结果。
若干飞行姿态子数据集分别经XGBoost识别模型与LSTM识别模型识别,相应得到飞行器飞行姿态的第一识别结果与第二识别结果。经比较,当飞行器飞行姿态第一识别结果与第二识别结果相同时,说明飞行器飞行姿态识别无误。此时,可将经XGBoost识别模型或LSTM识别模型识别得到的飞行器飞行姿态识别结果作为飞行器飞行动作识别结果输出。
进一步的,在本申请提供的一种优选的实施方式中,所述方法还包括:
当所述第一识别结果与所述第二识别结果不一致时,根据所述第一识别结果与所述第二识别结果并通过RBF识别模型,进行飞行器飞行姿态识别结果的二次识别;
输出所述飞行器的飞行姿态二次识别结果为飞行器飞行动作识别结果。
若干飞行姿态子数据集分别经XGBoost识别模型与LSTM识别模型识别,相应得到飞行器飞行姿态的第一识别结果与第二识别结果。经比较,当飞行器飞行姿态第一识别结果与第二识别结果相同时,说明飞行器飞行姿态识别无误,可将识别得到的飞行器飞行姿态识别结果作为飞行器飞行动作识别结果输出。但是,由于XGBoost识别模型与LSTM识别模型采用的算法不同,对于部分飞行姿态子数据集的识别结果会存在不一致的情形。此时,需对得到的第一识别结果与第二识别结果进行再次识别,并将二次识别的识别结果作为飞行器飞行动作识别结果输出。这样,能够增加飞行器飞行动作识别结果的准确性。
具体的,由于RBF网络能够逼近任意非线性的函数,因此具有很好的泛化能力,并能够处理系统内难以解析的规律性问题。因此,选用RBF网络作为第一识别结果与第二识别结果二次识别的识别模型。即,当XGBoost识别模型与LSTM识别模型识别结果不一致时,通过RBF识别模型进行飞行器飞行姿态识别结果的二次识别。此时,将RBF识别模型的识别结果认定为飞行器飞行动作的识别结果输出。其中,所述RBF识别模型需通过训练获得。在进行RBF识别模型的训练时,首先需要获取训练用数据样本集。所述训练用数据样本集可通过将XGBoost识别模型与LSTM识别模型训练过程中产生的训练结果拟合得到。之后,根据获取的训练用样本集输入至初始的RBF算法得到的识别结果与标准识别结果之间的误差,即可不断调整RBF算法中相关参数的权重直至将RBF算法识别结果与标准识别结果之间的误差控制在识别结果的允许误差范围内。此时,RBF识别模型负反馈优化完成,并得到在识别不同分类结果时的聚类中心以及相应识别结果的配置权重。可以理解的是,这里所述RBF识别模型的具体训练次数,显然不构成对本申请具体保护范围的限制。
请参照图2,为本申请实施例提供的一种飞行器飞行动作识别装置100,包括:
获取模块11,用于获取飞行器飞行动作数据集合;
分割模块12,用于通过姿态分割模型,将所述数据集合分割为若干飞行姿态子数据集合;
识别模块13,用于根据所述若干飞行姿态子数据集合并通过XGBoost识别模型,进行飞行器飞行姿态的识别,得到飞行器的飞行姿态的第一识别结果;还用于根据所述若干飞行姿态子数据集合并通过LSTM识别模型,进行飞行器飞行姿态的识别,得到飞行器的飞行姿态的第二识别结果;
比较模块14,用于比较所述第一识别结果与所述第二识别结果的一致性;
输出模块15,用于当所述第一识别结果与所述第二识别结果一致时,输出飞行器的飞行姿态识别结果为飞行器飞行动作识别结果;
其中,所述识别模块13还用于当所述第一识别结果与所述第二识别结果不一致时,根据所述第一识别结果与所述第二识别结果并通过RBF识别模型,进行飞行器飞行姿态识别结果的二次识别;
所述输出模块15还用于输出所述飞行器的飞行姿态二次识别结果为飞行器飞行动作识别结果。
获取模块11,用于获取飞行器飞行动作数据集合。可以理解的是,飞行器在飞行过程中会产生一系列的飞行动作数据。其中,所述飞行动作数据为飞行器在飞行过程中产生所有飞行相关的数据。例如,飞行器飞行过程中产生的飞行角度、飞行高度、飞行速度、飞行耗油量、飞行里程等飞行数据。可以理解的是,这里所述飞行动作数据的具体指标参数,显然不构成对本申请具体保护范围的限制。另外,这里获取模块11可以获取从飞行器启动到飞行结束这一完整飞行时间段内的所有飞行动作数据;或者选择性获取飞行器完整飞行时间段中的部分时间段内的飞行动作数据。可以理解的是,这里所述飞行动作数据的具体获取时间段,显然不构成对本申请保护范围的限制。
进一步的,在本申请提供的一种优选的实施方式中,所述获取模块11用于获取飞行器飞行动作数据集合,具体用于:
获取飞行器飞行过程中至少由若干飞行高度数据元素、若干飞行航向角数据元素、若干飞行俯仰角数据元素、若干飞行横滚角数据元素中一种数据元素组成的飞行动作数据集合。
进行飞行器飞行动作的识别,需参考飞行器的飞行动作数据。其中,飞行器飞行动作数据包括飞行角度、飞行高度、飞行速度等外在飞行状态参数,以及飞行耗油量等内在飞行状态参数。由于飞行器的内在飞行状态参数仅记录了当前时刻飞行器内部相关状态参数,通过飞行耗油量等内在飞行状态参数进行飞行器飞行动作的识别,识别准确率低。因此,获取模块11需获取到能够直接进行飞行器飞行动作识别的飞行姿态相关参数,以提高飞行器飞行动作识别的准确率。即,获取模块11获取到飞行器飞行过程中产生的至少由若干飞行高度数据元素、若干飞行航向角数据元素、若干飞行俯仰角数据元素、若干飞行横滚角数据元素中一种数据元素组成的飞行动作数据。
分割模块12,用于通过姿态分割模型,将所述数据集合分割为若干飞行姿态子数据集合。
获取模块11获取的飞行器飞行动作数据为飞行器启动到飞行结束这一完整飞行时间段内的所有飞行动作数据,或者飞行器完整飞行时间段中的部分时间段内的飞行动作数据。当飞行器飞行过程中飞行动作较多时,获取模块11获取到的飞行器飞行动作数据中包含了不同飞行姿态所对应飞行动作数据。因此,分割模块12需将获获取模块11取到的飞行器飞行动作数据集分割为不同的飞行姿态子数据集。这样,通过所述飞行姿态子数据集,能够进行飞行器相应飞行姿态的识别,从而得到飞行过程中的飞行动作。
识别模块13,用于根据所述若干飞行姿态子数据集合并通过XGBoost识别模型,进行飞行器飞行姿态的识别,得到飞行器的飞行姿态的第一识别结果;还用于根据所述若干飞行姿态子数据集合并通过LSTM识别模型,进行飞行器飞行姿态的识别,得到飞行器的飞行姿态的第二识别结果。
可以理解的是,当飞行器在飞行过程中执行相应的飞行动作后,获取模块11可获取到相应的飞行动作数据。所述飞行动作数据经姿态分割模型分割,可对应得到若干飞行姿态子数据集。其中,所述飞行动作数据集至少包括若干飞行高度数据元素、若干飞行航向角数据元素、若干飞行俯仰角数据元素、若干飞行横滚角数据元素中一种数据元素。所述若干飞行姿态子数据集合至少包括飞行器盘旋姿态子数据集合、飞行器急转姿态子数据集合、飞行器升降转弯姿态子数据集合、飞行器横滚姿态子数据集合、飞行器斤斗姿态子数据集合中一种姿态子数据集合。通过识别模块13对所述若干飞行姿态子数据集进行飞行姿态识别,即可得到相应的飞行动作识别结果。因此,需通过相应的识别模型进行飞行器飞行姿态的识别。相较于其它算法,XGBoost算法通过树学习能够处理稀疏数据、并行和分布式计算。另外,XGBoost算法在学习中,通过在算法中增加收缩比例控制因子防止数据的过拟合,并且通过列特征抽样进行数据计算,能够进一步防止数据过拟合。因此,识别模块13选用XGBoost识别模型,进行飞行器飞行姿态的识别,并得到飞行器飞行姿态的第一识别结果。这样,在飞行器飞行动作识别过程中,能够有效地防止飞行姿态识别模型的过拟合。另外,相较于其它识别网络算法,LSTM网络算法模型具有遗忘/记忆机制,能够通过学习判断信息是否需要记忆/更新。这样,使得LSTM网络能够长期进行信息的处理。即,将之前接触到的信息与当前任务相连接。因此,识别模块13还选用LSTM识别模型,进行飞行器飞行姿态的识别,并得到飞行器飞行姿态的第二识别结果。这样,在飞行器飞行动作识别过程中,能够有效提升飞行器飞行姿态识别结果的准确性。
比较模块14,用于比较所述第一识别结果与所述第二识别结果的一致性。
经分割得到的若干飞行姿态子数据集,通过XGBoost识别模型进行飞行器飞行姿态的识别时,得到飞行器飞行姿态的第一识别结果;通过LSTM识别模型进行飞行器飞行姿态的识别时,得到飞行器飞行姿态的第二识别结果。所述第一识别结果与所述第二识别结果分别通过采用识别算法不同的识别模型识别得到,两种识别结果之间会存在不一致的情形。因此,比较模块14需将所述第一识别结果与所述第二识别结果进行比较。这样,能够有效排除不同识别算法对飞行器飞行姿态最终识别结果的干扰,进而增加了飞行器飞行动作最终识别结果的准确性。
输出模块15,用于当所述第一识别结果与所述第二识别结果一致时,输出飞行器的飞行姿态识别结果为飞行器飞行动作识别结果。
若干飞行姿态子数据集分别经XGBoost识别模型与LSTM识别模型识别,相应得到飞行器飞行姿态的第一识别结果与第二识别结果。经比较模块14比较,当飞行器飞行姿态第一识别结果与第二识别结果相同时,说明飞行器飞行姿态识别无误。此时,输出模块15可将经XGBoost识别模型或LSTM识别模型识别得到的飞行器飞行姿态识别结果作为飞行器飞行动作识别结果输出。
所述识别模块13还用于当所述第一识别结果与所述第二识别结果不一致时,根据所述第一识别结果与所述第二识别结果并通过RBF识别模型,进行飞行器飞行姿态识别结果的二次识别;所述输出模块15还用于输出所述飞行器的飞行姿态二次识别结果为飞行器飞行动作识别结果。
若干飞行姿态子数据集分别经XGBoost识别模型与LSTM识别模型识别,相应得到飞行器飞行姿态的第一识别结果与第二识别结果。经比较模块14比较,当飞行器飞行姿态第一识别结果与第二识别结果相同时,说明飞行器飞行姿态识别无误,输出模块15可将识别得到的飞行器飞行姿态识别结果作为飞行器飞行动作识别结果输出。但是,由于XGBoost识别模型与LSTM识别模型采用的算法不同,对于部分飞行姿态子数据集的识别结果会存在不一致的情形。此时,识别模块13需对得到的第一识别结果与第二识别结果进行再次识别。输出模块15将二次识别的识别结果作为飞行器飞行动作识别结果输出。这样,能够增加飞行器飞行动作识别结果的准确性。
具体的,由于RBF网络能够逼近任意非线性的函数,因此具有很好的泛化能力,并能够处理系统内难以解析的规律性问题。因此,选用RBF网络作为第一识别结果与第二识别结果二次识别的识别模型。即,当XGBoost识别模型与LSTM识别模型识别结果不一致时,识别模块13通过RBF识别模型进行飞行器飞行姿态识别结果的二次识别。此时,输出模块15将RBF识别模型的识别结果认定为飞行器飞行动作的识别结果输出。其中,所述RBF识别模型需通过训练获得。在进行RBF识别模型的训练时,首先需要获取训练用数据样本集。所述训练用数据样本集可通过将XGBoost识别模型与LSTM识别模型训练过程中产生的训练结果拟合得到。之后,根据获取的训练用样本集输入至初始的RBF算法得到的识别结果与标准识别结果之间的误差,即可不断调整RBF算法中相关参数的权重直至将RBF算法识别结果与标准识别结果之间的误差控制在识别结果的允许误差范围内。此时,RBF识别模型负反馈优化完成,并得到在识别不同分类结果时的聚类中心以及相应识别结果的配置权重。可以理解的是,这里所述RBF识别模型的具体训练次数,显然不构成对本申请具体保护范围的限制。
需要说明的是,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、商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、商品或者设备所固有的要素。在没有更多限制的情况下,有语句“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、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (9)
1.一种飞行器飞行动作识别方法,其特征在于,包括以下步骤:
获取飞行器飞行动作数据集合;
通过姿态分割模型,将所述数据集合分割为若干飞行姿态子数据集合;
根据所述若干飞行姿态子数据集合并通过XGBoost识别模型,进行飞行器飞行姿态的识别,得到飞行器飞行姿态的第一识别结果;
根据所述若干飞行姿态子数据集合并通过LSTM识别模型,进行飞行器飞行姿态的识别,得到飞行器飞行姿态的第二识别结果;
比较所述第一识别结果与所述第二识别结果的一致性;
当所述第一识别结果与所述第二识别结果一致时,输出飞行器的飞行姿态识别结果为飞行器飞行动作识别结果;
当所述第一识别结果与所述第二识别结果不一致时,根据所述第一识别结果与所述第二识别结果并通过RBF识别模型,进行飞行器飞行姿态识别结果的二次识别;
输出所述飞行器的飞行姿态二次识别结果为飞行器飞行动作识别结果。
2.如权利要求1所述的飞行器飞行动作识别方法,其特征在于,获取飞行器飞行动作数据集合,具体包括:
获取飞行器飞行过程中至少由若干飞行高度数据元素、若干飞行航向角数据元素、若干飞行俯仰角数据元素、若干飞行横滚角数据元素中一种数据元素组成的飞行动作数据集合。
3.如权利要求1所述的飞行器飞行动作识别方法,其特征在于,通过姿态分割模型,将所述数据集合分割为若干飞行姿态子数据集合,具体包括:
通过姿态分割模型,将飞行器飞行动作数据集合分割为平飞状态数据集合与非平飞状态数据集合;
通过姿态分割模型,将所述非平飞状态数据集合分割为若干飞行姿态子数据集合;
其中,所述若干飞行姿态子数据集合至少包括飞行器盘旋姿态子数据集合、飞行器急转姿态子数据集合、飞行器升降转弯姿态子数据集合、飞行器横滚姿态子数据集合、飞行器斤斗姿态子数据集合中一种子数据集合。
4.如权利要求1所述的飞行器飞行动作识别方法,其特征在于,根据所述若干飞行姿态子数据集合并通过XGBoost识别模型,进行飞行器飞行姿态的识别,得到飞行器飞行姿态的第一识别结果,具体包括:
根据所述若干飞行姿态子数据集合并通过XGBoost算法,进行飞行器飞行姿态的预识别处理,得到飞行器飞行姿态的预识别结果;
将所述预识别结果与飞行器飞行动作数据集合拟合为飞行器飞行动作数据-预识别姿态的数据集合;
根据所述数据集合并通过XGBoost识别模型,进行飞行器飞行姿态的识别,得到飞行器飞行姿态的第一识别结果。
5.如权利要求4所述的飞行器飞行动作识别方法,其特征在于,所述XGBoost识别模型通过以下步骤优化获得:
获取训练用的飞行器飞行动作数据-分类姿态的数据集合;
根据所述数据集合并通过神经网络算法,负反馈优化XGBoost识别模型。
6.如权利要求1所述的飞行器飞行动作识别方法,其特征在于,根据所述若干飞行姿态子数据集合并通过LSTM识别模型,进行飞行器飞行姿态的识别,得到飞行器飞行姿态的第二识别结果,具体包括:
根据所述若干飞行姿态子数据集合并通过XGBoost算法,进行飞行器飞行姿态的预识别处理,得到飞行器飞行姿态的预识别结果;
将所述预识别结果与飞行器飞行动作数据集合拟合为飞行器飞行动作数据-预识别姿态的数据集合;
根据所述数据集合并通过LSTM识别模型,进行飞行器飞行姿态的识别,得到飞行器飞行姿态的第二识别结果。
7.如权利要求6所述的飞行器飞行动作识别方法,其特征在于,所述LSTM识别模型通过以下步骤优化获得:
获取训练用的飞行器飞行动作数据-分类姿态的数据集合;
根据所述数据集合并通过神经网络算法,负反馈优化LSTM识别模型。
8.一种飞行器飞行动作识别装置,其特征在于,包括:
获取模块,用于获取飞行器飞行动作数据集合;
分割模块,用于通过姿态分割模型,将所述数据集合分割为若干飞行姿态子数据集合;
识别模块,用于根据所述若干飞行姿态子数据集合并通过XGBoost识别模型,进行飞行器飞行姿态的识别,得到飞行器飞行姿态的第一识别结果;还用于根据所述若干飞行姿态子数据集合并通过LSTM识别模型,进行飞行器飞行姿态的识别,得到飞行器飞行姿态的第二识别结果;
比较模块,用于比较所述第一识别结果与所述第二识别结果的一致性;
输出模块,用于当所述第一识别结果与所述第二识别结果一致时,输出飞行器的飞行姿态识别结果为飞行器飞行动作识别结果;
其中,所述识别模块还用于当所述第一识别结果与所述第二识别结果不一致时,根据所述第一识别结果与所述第二识别结果并通过RBF识别模型,进行飞行器飞行姿态识别结果的二次识别;
所述输出模块还用于输出所述飞行器的飞行姿态二次识别结果为飞行器飞行动作识别结果。
9.如权利要求8所述的飞行器飞行动作识别装置,其特征在于,所述获取模块用于获取飞行器飞行动作数据集合,具体用于:
获取飞行器飞行过程中至少由若干飞行高度数据元素、若干飞行航向角数据元素、若干飞行俯仰角数据元素、若干飞行横滚角数据元素中一种数据元素组成的飞行动作数据集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110386727.8A CN113111939B (zh) | 2021-04-12 | 2021-04-12 | 飞行器飞行动作识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110386727.8A CN113111939B (zh) | 2021-04-12 | 2021-04-12 | 飞行器飞行动作识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113111939A CN113111939A (zh) | 2021-07-13 |
CN113111939B true CN113111939B (zh) | 2022-09-02 |
Family
ID=76715501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110386727.8A Active CN113111939B (zh) | 2021-04-12 | 2021-04-12 | 飞行器飞行动作识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111939B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799263A (zh) * | 2012-06-19 | 2012-11-28 | 深圳大学 | 一种姿态识别方法及姿态识别控制系统 |
CN107728782A (zh) * | 2017-09-21 | 2018-02-23 | 广州数娱信息科技有限公司 | 交互方法及交互系统、服务器 |
CN111382624A (zh) * | 2018-12-28 | 2020-07-07 | 杭州海康威视数字技术股份有限公司 | 动作识别方法、装置、设备及可读存储介质 |
CN112256599A (zh) * | 2019-07-22 | 2021-01-22 | 华为技术有限公司 | 一种数据预取方法、装置及存储设备 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10446141B2 (en) * | 2014-08-28 | 2019-10-15 | Apple Inc. | Automatic speech recognition based on user feedback |
CN105843243B (zh) * | 2016-05-06 | 2019-02-22 | 深圳一电航空技术有限公司 | 多旋翼飞行器的控制方法、装置及多旋翼飞行器 |
WO2018132273A1 (en) * | 2016-12-30 | 2018-07-19 | Harman International Industries, Incorporated | Voice recognition system |
CN109325428B (zh) * | 2018-09-05 | 2020-11-27 | 周军 | 基于多层次端到端神经网络的人类活动姿态识别方法 |
CN109344755B (zh) * | 2018-09-21 | 2024-02-13 | 广州市百果园信息技术有限公司 | 视频动作的识别方法、装置、设备及存储介质 |
CN109376663A (zh) * | 2018-10-29 | 2019-02-22 | 广东工业大学 | 一种人体姿态识别方法及相关装置 |
CN110163094A (zh) * | 2019-04-15 | 2019-08-23 | 深圳壹账通智能科技有限公司 | 基于手势动作的活体检测方法、装置、设备及存储介质 |
CN110363093A (zh) * | 2019-06-19 | 2019-10-22 | 深圳大学 | 一种司机动作识别方法及装置 |
CN111580060B (zh) * | 2020-04-21 | 2022-12-13 | 北京航空航天大学 | 目标姿态识别的方法、装置和电子设备 |
CN112101314B (zh) * | 2020-11-17 | 2021-03-09 | 北京健康有益科技有限公司 | 一种基于移动终端的人体姿态识别方法和装置 |
-
2021
- 2021-04-12 CN CN202110386727.8A patent/CN113111939B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799263A (zh) * | 2012-06-19 | 2012-11-28 | 深圳大学 | 一种姿态识别方法及姿态识别控制系统 |
CN107728782A (zh) * | 2017-09-21 | 2018-02-23 | 广州数娱信息科技有限公司 | 交互方法及交互系统、服务器 |
CN111382624A (zh) * | 2018-12-28 | 2020-07-07 | 杭州海康威视数字技术股份有限公司 | 动作识别方法、装置、设备及可读存储介质 |
CN112256599A (zh) * | 2019-07-22 | 2021-01-22 | 华为技术有限公司 | 一种数据预取方法、装置及存储设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113111939A (zh) | 2021-07-13 |
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 | |
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 | |
CN109858797B (zh) | 基于知识网络精准在线教育系统的多维度信息学情分析方法 | |
CN111310965A (zh) | 一种基于lstm网络的飞行器航迹预测方法 | |
CN111216126B (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 | |
CN112465199B (zh) | 空域态势评估系统 | |
CN112489497B (zh) | 基于深度卷积神经网络的空域运行复杂度评估方法 | |
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 | |
CN105956798A (zh) | 一种基于稀疏随机森林的配网设备运行状态评估方法 | |
CN115828140A (zh) | 邻域互信息与随机森林相融合故障检测方法、系统及应用 | |
Kuravsky et al. | New approaches for assessing the activities of operators of complex technical systems | |
WO2020013726A1 (ru) | Способ интерпретации искусственных нейронных сетей | |
US20220207365A1 (en) | Method for constructing and training a detector for the presence of anomalies in a temporal signal, associated method and devices | |
CN113111939B (zh) | 飞行器飞行动作识别方法及装置 | |
CN104833359B (zh) | 一种基于离散马尔科夫特征序列模型的星图模式识别方法 | |
CN112784487A (zh) | 飞行动作识别方法和装置 | |
US11164025B2 (en) | Method of handwritten character recognition confirmation | |
CN113554072B (zh) | 一种飞行动作划分方法、计算机可读存储介质及终端设备 | |
Toubeh et al. | Risk-aware planning by confidence estimation using deep learning-based perception | |
CN110673642B (zh) | 无人机着陆控制方法、装置、计算机设备及存储介质 | |
Lee et al. | Terrain contour matching with recurrent neural networks | |
Setyaningsih et al. | Modification of K-Means and K-Mode Algorithms to Enhance the Performance of Clustering Student Learning Styles in the Learning Management System | |
CN114510956A (zh) | 基于黎曼空间量化的多类别运动想象脑电信号识别方法 | |
Alvarez-Montoya et al. | Gaussian process modeling for damage detection in composite aerospace structures by using discrete strain measurements | |
CN116880528B (zh) | 一种登月航天器着陆控制方法、装置及设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |