CN113554072A - 一种飞行动作划分方法、计算机可读存储介质及终端设备 - Google Patents
一种飞行动作划分方法、计算机可读存储介质及终端设备 Download PDFInfo
- Publication number
- CN113554072A CN113554072A CN202110778199.0A CN202110778199A CN113554072A CN 113554072 A CN113554072 A CN 113554072A CN 202110778199 A CN202110778199 A CN 202110778199A CN 113554072 A CN113554072 A CN 113554072A
- Authority
- CN
- China
- Prior art keywords
- flight
- action
- data
- actions
- segmentation
- 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.)
- Granted
Links
- 230000009471 action Effects 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 88
- 230000011218 segmentation Effects 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 12
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 238000007405 data analysis Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000012706 support-vector machine Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于飞行训练辅助方法，为解决现有技术中基于数据分析对飞行员操作品质进行评估时，对飞行动作分段划分的方法，容易造成局部时间段动作区段误判，以及现有针对多元时间序列模式匹配的解决方法，应用于飞参时间序列的模式匹配均具有一定缺陷的技术问题，提供一种飞行动作划分方法、计算机可读存储介质及终端设备，将数字化的飞行轨迹投影到预设的三个相互垂直的平面上以降维关联，在此基础上作轨迹分段，影响特征少，效率高。利用多维空间投影、图像标准化处理、二维曲线识别、预估动作算法和关键参数特征辅助，最后输出对飞行动作的自动切分结果，极大提升了动作切分的准确性，解决了人工判定或者规则判断的主观性。
Description
技术领域
本发明属于飞行训练辅助方法，具体涉及一种飞行动作划分方法、计算机可读存储介质及终端设备。
背景技术
飞行人员的飞行技能培养质量问题越来越受到人们的关注，提高飞行训练水平，能够在急难险重任务中保证有生力量，这已成为航空领域又一重要的研究课题。
传统的飞行员培养模式中，飞行学员通过飞行模拟器的训练，在飞行教员的带领下进行基本科目训练，达到独立飞行能力要求后，由飞行学员单独操纵某机型飞行，飞行学员训练水平的提高主要依靠飞行学员的自我认知水平，过于主观且训练效率低。
由此衍生出一套基于数据分析的评估方法，通过分析飞行参数中的经度、纬度、高度、航向、俯仰和倾斜等数据，经过坐标转换后在虚拟空间中绘制飞行轨迹，再经过一定的数据处理对飞行动作进行分段划分，该方法能够较为有效评估飞行员的操作品质，监控飞行训练效果，进而有效提升飞行训练效益。但是，实际飞行过程中的飞行动作往往由多种复杂的动作组合而成，而且无法事先预知飞行员的飞行意图。因此，面对飞机的飞行轨迹，很难判断前一个飞行动作的结束点和后一个飞行动作的起始点位置，很难对飞行动作作出准确的分段。目前，飞行动作划分的方法，是利用标准动作大纲要求，针对每个动作设计一系列限制条件，再根据这些条件对飞行动作进行划分。但是，飞行动作的定义通常包含若干定量和定性的描述，并且涉及多个飞行参数信息，因此，很难利用确定的参数取值范围对整个动作过程进行条件设置，造成局部时间段符合条件的动作区段被误判，导致以此为基础的很多应用无法有效开展。
另外，对飞行动作划分的过程中，飞参数据中各个参量累积作用的效果共同确定飞行动作，并且各参量相互关联，不能将这个多元时间序列看作多个一元时间序列叠加，因此，飞行动作的划分实质上是多元时间序列的模式匹配问题。然而，目前针对多元时间序列的模式匹配研究相对较少，典型的方法主要有动态时间弯曲(DTW)距离、奇异值分解(SVD)、主成分分析(PCA)等，但是这些方法用于飞参时间序列的模式匹配时，都有一定的缺陷。
发明内容
本发明为解决现有技术中基于数据分析对飞行员操作品质进行评估时，对飞行动作分段划分的方法，容易造成局部时间段动作区段误判，以及现有针对多元时间序列模式匹配的解决方法，应用于飞参时间序列的模式匹配均具有一定缺陷的技术问题，提供一种飞行动作划分方法、计算机可读存储介质及终端设备。
为实现上述目的，本发明提供如下技术方案：
一种飞行动作划分方法，其特殊之处在于，包括以下步骤：
S1，坐标转换
对飞行过程中的全过程飞行数据分别进行坐标转换，全部转换为空间直角坐标下的数据模式；
S2，数据选取
通过包裹式特征提取方法进行降维，再用SVM方法进行数据稳定性选择，保留方差大于1的数据；
S3，飞行动作轨迹绘制
对经步骤S2保留的数据，在三维空间中绘制飞行过程的飞行动作轨迹，并采用光滑数学曲线拟合坐标序列；
S4，差分运算
根据机型，确认差分最大阶数，对全过程飞行数据中的位置数据、欧拉角和速度数据进行差分运算；
S5，飞行动作初步切分
对步骤S4得到的差分运算结果，利用最小距离切分法，生成特征中心，利用预设距离准则，对飞行过程中的飞行动作进行初步切分；
S6，剔除错误动作
以最大概率检验，与最小距离切分法预设距离准则进行相似性比对，剔除经步骤S5初步切分后每一段飞行动作中不符合预设距离准则的飞行动作；
S7，迭代剔除错误动作
重复对经剔除的飞行动作，以最大概率检验，与最小距离切分法预设准则进行相似性比对，若符合，则将该飞行动作还原至经初步切分后相应的飞行动作中，否则，剔除该飞行动作，直至达到预设重复次数，或者达到预设准确度；
S8，完成划分
根据步骤S7的切分结果，对经步骤S3获得的飞行动作轨迹进行标记，完成飞行动作划分。
进一步地，所述步骤S5具体为：
S5.1，确定飞行动作类别的数量m，提取每一类飞行动作类别所对应的样本；
S5.2，从每一个飞行动作类别对应的样本中分别提取其多个不同特性；
S5.3，分别计算每一个飞行动作类别中每一个特性对应集合的均值，得到每一个特性对应的特征中心；
S5.4，将每一个特性归一化，使其去量纲化；
或者，将每一个特性放缩到(-1，1)区间，使其去量纲化；
S5.5，根据去量纲化后的特性、步骤S5.3得到的特征中心，以及预设距离准则，对飞行过程中的飞行动作动作进行切分。
进一步地，所述步骤S1和所述步骤S2之间，还包括步骤S1-2，对经步骤S1转换后的数据分别依次进行数据最大最小归一化处理和平滑处理。
进一步地，步骤S1-2中，所述平滑处理为降噪处理。
进一步地，步骤S1-2中，所述降噪处理采用高斯降噪。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其特殊之处在于，该程序被处理器执行时实现如上所述飞行动作划分方法的步骤。
另外，本发明还提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特殊之处在于，所述处理器执行所述计算机程序时实现如上所述飞行动作划分方法的步骤。
与现有技术相比，本发明的有益效果是：
1.本发明飞行动作划分方法将数字化的飞行轨迹投影到预设的三个相互垂直的平面上以降维关联，在此基础上作轨迹分段，影响特征少，效率高。利用多维空间投影、图像标准化处理、二维曲线识别、预估动作算法和关键参数特征辅助，最后输出对飞行动作的自动切分结果，极大提升了动作切分的准确性，解决了人工判定或者规则判断的主观性。另外，本发明的划分方法不仅适于用某一个机型，经验证，对各种机型均实用性良好，判断结果优秀。
2.本发明对飞行动作进行初步切分时，先将每一个飞行动作类别进行提取，提取到每个对应样本的每个特性，才以此为基础进行切分，切分结果更加准确。
3.本发明对全过程飞行数据坐标转换后还要进行数据最大最小归一化和平滑处理，才进入后续的切分，使得本发明的数据更加准确，最大化降低了数据干扰。
4.本发明计算机可读存储介质和终端设备，提供了供上述划分方法具体执行的硬件设备，使上述划分方法能够进行推广应用，也便于该方法的反复使用。
附图说明
图1为本发明飞行动作划分方法的流程示意图。
具体实施方式
下面将结合本发明的实施例和附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例并非对本发明的限制。
本发明攻克了计算机自动识别飞行动作的难题，提升了飞行训练质量考核评估效能，助力实现智能辅助飞行训练的目标，为科学评估飞行操纵品质提供支撑，为有效探索自动化飞行训练提供了有效解决途径，具有较广阔的应用前景。
如图1所示，如下是本发明划分方法的具体执行步骤和原理：
(1)坐标转换：对飞行过程中的全过程飞行数据进行坐标转换，包括大地坐标转化为空间直角坐标，欧拉角转化为空间直角坐标，全部转换为空间直角坐标下的数据模式。其中，全过程飞行数据包括全过程飞行中的位置数据(纬度、经度、高度)，速度数据(指示空速和升降速度)，角度数据(真航向、俯仰角、倾斜角)，过载数据(真攻角/纵向过载、法向过载、侧向过载)，角速度数据(盘旋角速度、俯仰角速度和横滚角速度)以及偏航距和马赫数等。
(2)数据选取：对坐标转换后的数据进行数据最大最小归一化处理和平滑处理，再通过包裹式特征提取方法进行降维，再用SVM方法进行数据稳定性选择，保留方差大于1的数据，目的是保留变化范围比较大的数据。其中，平滑处理具体是采用高斯降噪，飞行动作数据中存在的噪声以高斯噪声为主，因此，为去除飞行动作中的冗余信息，强化主成分信号，采用高斯降噪方法，高斯降噪就是对飞行动作噪声数据及其邻域内一定范围的值加权取平均的过程。再采用RFE(包裹式特征提取)方法进行降维，RFE降维是一种性能良好，泛化能力较强的特征选择方法，它是一种基于模型的后向搜索方法，在每次迭代删除特征的过程中，将模型内部的特征重要性评价指标作为度量标准，重新评估当前被删除的特征子集与当前剩余特征子集之间的关系，试图找回不相关的、非冗余特征，使其有一定几率重新加回当前特征子集，特征越早被删除，被重新考察的机会越大。另外，在“最优特征子集”搜索过程中，在当前特征子集与“最优特征子集”准确率保持持平时，即输出当前子集并对其他非最优子集内部的特征进行重要程度排序。稳定性选择是一种基于二次抽样和选择算法相结合较新的方法，选择算法可以是回归、SVM或其他类似的方法。主要思想是在不同的数据子集和特征子集上运行特征选择算法，不断的重复，最终汇总特征选择结果。理想情况下，重要特征的得分会接近100％。稍微弱一点的特征得分会是非0的数，而最无用的特征得分将会接近于0，本发明采用SVM方法进行数据稳定性选择。
(3)飞行动作轨迹绘制：根据尺寸形状在三维空间中绘制飞行动作轨迹，并采用光滑数学曲线拟合坐标序列，以方便消除高频振荡、作插值和预估动作。
(4)差分计算：根据机型，确认差分最大阶数，对全过程飞行数据中的位置数据、欧拉角和速度数据进行差分运算，得到趋势平稳数据。其中，飞行动作是连续行为，根据经验，一般最高为二阶差分，若差分阶数过高，容易导致多个动作合并处理。
(5)飞行动作初步切分：对步骤S4得到的差分运算结果，利用最小距离切分法，生成特征中心，利用选取的距离准则，对飞行动作进行切分，进行初步动作切分。
最小距离切分法原理简单，计算速度快，用于飞行动作切分效果良好：
1.确定飞行动作类别数量m
提取每一类飞行动作类别所对应的样本。
2.飞行类别特征提取
从样本中提取出一些可以作为区分不同类别的特性，即特征提取，如果提取出了n个不同的特性，那么称之为n维空间，特征提取对动作切分的精度有重大的影响
3.计算特征中心
分别计算每一个类别的样本所对应的特征，每一类的每一维都有特征集合，通过集合，计算出一个均值，即特征中心。
4.归一化
通常为了消除不同特征因为量纲不同的影响，我们对每一维的特征，需要做一个归一化，或者是放缩到(-1,1)等区间，使其去量纲化。
5.动作切分
利用选取的距离准则，对动作进行切分。
(6)剔除错误动作：以最大概率检验，与最小距离切分法动作进行相似性比对，剔除不符合规则的动作，即错误动作。
(7)迭代剔除错误动作：重复对经剔除的飞行动作，以最大概率检验，与最小距离切分法预设准则进行相似性比对，若符合，则将该飞行动作还原至经初步切分后相应的飞行动作中，否则，剔除该飞行动作，直至达到预设重复次数，或者达到预设准确度，完成飞行动作切分；
(8)完成划分：根据步骤S7的切分结果，对经步骤S3获得的飞行动作轨迹进行标记，完成飞行动作划分。
飞行动作切分理论的依据在于，在理想条件下，同类动作在飞行过程中具有相同或相似的飞行轨迹和空间特征，不同动作的飞行轨迹和空间特征不同。IFAS(智能飞行动作切分系统)是以计算机系统为支撑环境，利用模式识别技术与人工智能技术相结合，根据飞行目标各种影像特征，结合专家知识库中目标的解译经验和成像规律等知识进行分析和推理，实现对飞行轨迹的理解，完成对飞行动作切分。
最后，还可以将典型动作及数据存入智能知识库，方便以后的使用查询。
如下是本发明的一个实施例，采用多个机型全过程飞行数据作为案例，通过对飞行数据进行处理，验证IFAS飞行动作切分的实用性和使用效率。具体如下：
1.导入数据
导入多个全过程飞行数据，数据即包括同一个机型多次飞行数据，又包括不同机型飞行数据；
数据包括纬度、经度、高度、指示空速、升降速度、真航向、俯仰角、倾斜角、纵向过载、法向过载、侧向过载、真攻角、偏航距、马赫数、盘旋角速度、俯仰角速度、横滚角速度等多个指标。对错误数据进行删除(例如经度、纬度、高度为0的数据，指示空速明显高于合理水平的数据)。
2.数据预处理
数据转换包括大地坐标转化为空间直角坐标，欧拉角转化为空间直角坐标，再做数据最大最小归一化处理及平滑处理。采用高斯降噪方法对飞行动作噪声数据及其邻域内一定范围的值加权取平均。采用RFE(包裹式特征提取)方法进行降维，并且用SVM进行数据稳定性选择，进行特征重要性排序，最终选取部分指标进入模型。
3.绘制3D飞行动作轨迹
根据的尺寸形状在三维空间中绘制的轨迹和姿态，并采用光滑数学曲线拟合坐标序列，以方便消除高频振荡、作插值和预估动作。
4.数据差分运算
对数据差分运算，不同机型得到趋势平稳数据需要的差分最大阶数不同，一般小于三阶。
5.对同一机型进行飞行动作切分
利用最小距离切分法，并结合飞行动作运动轨迹，对动作进行多次迭代切分，同一个机型的多次飞行数据中，包含不同操作等级(良好、一般、较差)飞行数据，需要对所有等级数据进行切分，取不同飞行数据最低的准确度作为切分的最终准确度，以验证模型算法的实用性。
6.对不同机型进行飞行动作切分
不同机型飞行动作有一定差异，个别机型之间动作差异较大，需要反复试验，取不同机型飞行数据最低的准确度作为切分的最终准确度，以验证模型算法的实用性。最终准确度在85％以上，表明切分的效果良好。
本发明的划分方法可在计算机可读存储介质中应用，计算机可读存储介质存储有计算机程序，上述划分方法可作为计算机程序存储于计算机可读存储介质中，计算机程序被处理器执行时实现上述划分方法的各步骤。
另外，本发明的划分方法还可以应用于终端设备，终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，处理器执行所述计算机程序时实现本发明划分方法的步骤。此处的终端设备可以是计算机、笔记本、掌上电脑，及各种云端服务器等计算设备，处理器可以是通用处理器、数字信号处理器、专用集成电路或其他可编程逻辑器件等。
以上所述仅为本发明的实施例，并非对本发明保护范围的限制，凡是利用本发明说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域，均包括在本发明的专利保护范围内。
Claims (7)
1.一种飞行动作划分方法，其特征在于，包括以下步骤：
S1，坐标转换
对飞行过程中的全过程飞行数据分别进行坐标转换，全部转换为空间直角坐标下的数据模式；
S2，数据选取
通过包裹式特征提取方法进行降维，再用SVM方法进行数据稳定性选择，保留方差大于1的数据；
S3，飞行动作轨迹绘制
对经步骤S2保留的数据，在三维空间中绘制飞行过程的飞行动作轨迹，并采用光滑数学曲线拟合坐标序列；
S4，差分运算
根据机型，确认差分最大阶数，对全过程飞行数据中的位置数据、欧拉角和速度数据进行差分运算；
S5，飞行动作初步切分
对步骤S4得到的差分运算结果，利用最小距离切分法，生成特征中心，利用预设距离准则，对飞行过程中的飞行动作进行初步切分；
S6，剔除错误动作
以最大概率检验，与最小距离切分法预设距离准则进行相似性比对，剔除经步骤S5初步切分后每一段飞行动作中不符合预设距离准则的飞行动作；
S7，迭代剔除错误动作
重复对经剔除的飞行动作，以最大概率检验，与最小距离切分法预设准则进行相似性比对，若符合，则将该飞行动作还原至经初步切分后相应的飞行动作中，否则，剔除该飞行动作，直至达到预设重复次数，或者达到预设准确度；
S8，完成划分
根据步骤S7的切分结果，对经步骤S3获得的飞行动作轨迹进行标记，完成飞行动作划分。
2.如权利要求1所述飞行动作划分方法，其特征在于，所述步骤S5具体为：
S5.1，确定飞行动作类别的数量m，提取每一类飞行动作类别所对应的样本；
S5.2，从每一个飞行动作类别对应的样本中分别提取其多个不同特性；
S5.3，分别计算每一个飞行动作类别中每一个特性对应集合的均值，得到每一个特性对应的特征中心；
S5.4，将每一个特性归一化，使其去量纲化；
或者，将每一个特性放缩到(-1，1)区间，使其去量纲化；
S5.5，根据去量纲化后的特性、步骤S5.3得到的特征中心，以及预设距离准则，对飞行过程中的飞行动作动作进行切分。
3.如权利要求1或2所述飞行动作划分方法，其特征在于，所述步骤S1和所述步骤S2之间，还包括步骤S1-2，对经步骤S1转换后的数据分别依次进行数据最大最小归一化处理和平滑处理。
4.如权利要求3所述飞行动作划分方法，其特征在于，步骤S1-2中，所述平滑处理为降噪处理。
5.如权利要求4所述飞行动作划分方法，其特征在于：步骤S1-2中，所述降噪处理采用高斯降噪。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现如权利要求1至5任一所述飞行动作划分方法的步骤。
7.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1至5任一所述飞行动作划分方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110778199.0A CN113554072B (zh) | 2021-07-09 | 2021-07-09 | 一种飞行动作划分方法、计算机可读存储介质及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110778199.0A CN113554072B (zh) | 2021-07-09 | 2021-07-09 | 一种飞行动作划分方法、计算机可读存储介质及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113554072A true CN113554072A (zh) | 2021-10-26 |
| CN113554072B CN113554072B (zh) | 2024-04-16 |
Family
ID=78131488
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110778199.0A Active CN113554072B (zh) | 2021-07-09 | 2021-07-09 | 一种飞行动作划分方法、计算机可读存储介质及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113554072B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103791943A (zh) * | 2014-02-24 | 2014-05-14 | 北京航空航天大学 | 复飞点定位精度飞行校验方法 |
| CN107392226A (zh) * | 2017-06-13 | 2017-11-24 | 上海交通大学 | 飞行员工作状态识别模型的建模方法 |
| US20170357848A1 (en) * | 2015-09-23 | 2017-12-14 | Goertek Inc. | Method for recognizing a human motion, method for recognizing a user action and smart terminal |
| CN110018453A (zh) * | 2019-03-28 | 2019-07-16 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 基于飞机航迹特征的智能机型识别方法 |
| CN110427419A (zh) * | 2019-07-29 | 2019-11-08 | 陕西千山航空电子有限责任公司 | 一种基于数据挖掘的飞行数据异常识别模型构建方法 |
-
2021
- 2021-07-09 CN CN202110778199.0A patent/CN113554072B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103791943A (zh) * | 2014-02-24 | 2014-05-14 | 北京航空航天大学 | 复飞点定位精度飞行校验方法 |
| US20170357848A1 (en) * | 2015-09-23 | 2017-12-14 | Goertek Inc. | Method for recognizing a human motion, method for recognizing a user action and smart terminal |
| CN107392226A (zh) * | 2017-06-13 | 2017-11-24 | 上海交通大学 | 飞行员工作状态识别模型的建模方法 |
| CN110018453A (zh) * | 2019-03-28 | 2019-07-16 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 基于飞机航迹特征的智能机型识别方法 |
| CN110427419A (zh) * | 2019-07-29 | 2019-11-08 | 陕西千山航空电子有限责任公司 | 一种基于数据挖掘的飞行数据异常识别模型构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113554072B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10929649B2 (en) | Multi-pose face feature point detection method based on cascade regression | |
| US10380413B2 (en) | System and method for pose-invariant face alignment | |
| Wenjing et al. | Research on areal feature matching algorithm based on spatial similarity | |
| JP2016161569A (ja) | オブジェクトの３ｄ姿勢およびオブジェクトのランドマーク点の３ｄロケーションを求める方法、およびオブジェクトの３ｄ姿勢およびオブジェクトのランドマークの３ｄロケーションを求めるシステム | |
| US9129152B2 (en) | Exemplar-based feature weighting | |
| CN110929802A (zh) | 基于信息熵的细分类识别模型训练、图像识别方法及装置 | |
| CN111127364A (zh) | 图像数据增强策略选择方法及人脸识别图像数据增强方法 | |
| CN111738319B (zh) | 一种基于大规模样本的聚类结果评价方法及装置 | |
| CN113012200B (zh) | 一种运动物体的定位方法、装置、电子设备及存储介质 | |
| CN110986956A (zh) | 一种基于改进的蒙特卡洛算法的自主学习全局定位方法 | |
| CN112287872A (zh) | 基于多任务神经网络的虹膜图像分割、定位和归一化方法 | |
| CN114565861A (zh) | 基于概率统计微分同胚集匹配的机载下视目标图像定位方法 | |
| CN113554072A (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 | |
| US8660371B2 (en) | Accuracy of recognition by means of a combination of classifiers | |
| CN114511745B (zh) | 三维点云分类及旋转姿态预测方法及系统 | |
| CN115511853A (zh) | 基于方向可变特征的遥感船舶检测与识别方法 | |
| CN113032443A (zh) | 用于处理数据的方法、装置、设备和计算机可读存储介质 | |
| Chakrabarti et al. | Modeling and Characterizing Aircraft Trajectories Near Airports Using Extracted Control Actions | |
| Chen et al. | An Automatic Stroke Extraction Method using Manifold Learning. | |
| US20220262097A1 (en) | Label estimation device, label estimation method, and label estimation program | |
| CN117194591B (zh) | 一种球体轨迹到平面地图的显示方法、装置、设备和介质 | |
| CN111860376B (zh) | 一种舱门的轮廓拟合方法及装置 | |
| CN113705431B (zh) | 轨迹实例级分割和多运动视觉里程测量方法及系统 | |
| Liu et al. | Rethinking Normals: Direction Guided Point Cloud Recognition | |
| Fang et al. | UAV Target Location Method Based on Image Matching |
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 |