CN114004165B - 一种基于BiLSTM的民航单机组意图建模方法 - Google Patents

一种基于BiLSTM的民航单机组意图建模方法 Download PDF

Info

Publication number
CN114004165B
CN114004165B CN202111306080.XA CN202111306080A CN114004165B CN 114004165 B CN114004165 B CN 114004165B CN 202111306080 A CN202111306080 A CN 202111306080A CN 114004165 B CN114004165 B CN 114004165B
Authority
CN
China
Prior art keywords
civil aviation
single unit
aviation single
intention
unit
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
Application number
CN202111306080.XA
Other languages
English (en)
Other versions
CN114004165A (zh
Inventor
董磊
陈泓兵
赵长啸
金志威
张帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Civil Aviation University of China
Original Assignee
Civil Aviation University of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Civil Aviation University of China filed Critical Civil Aviation University of China
Priority to CN202111306080.XA priority Critical patent/CN114004165B/zh
Publication of CN114004165A publication Critical patent/CN114004165A/zh
Application granted granted Critical
Publication of CN114004165B publication Critical patent/CN114004165B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于BiLSTM的民航单机组意图建模方法。步骤如下：由数据处理模块提取未知任务意图的民航单机组与飞行模拟系统交互数据流，采样操作序列，对操作序列进行数据预处理；由数据特征获取模块通过BiLSTM网络对预处理后的操作序列进行特征捕获，得到一组完整地反映民航单机组操作项间双向长期相关信息的隐藏单元矩阵；由神经网络匹配模块为隐藏单元矩阵计算标准化概率分数值，以标准化概率分数值为依据得到民航单机组飞行意图预测标签的识别结果。本发明从飞行模拟系统记录的数据中提取民航单机组操作序列，识别民航单机组行为模式内在关联知识，确认其所触发的飞行任务事件，有效提升民航单机组意图识别能力。

Description

一种基于BiLSTM的民航单机组意图建模方法
技术领域
本发明涉及民用航空器飞行机组意图建模技术领域，特别是涉及一种基于BiLSTM的民航单机组意图建模方法。
背景技术
民航单机组驾驶模式作为未来民机发展的核心方向之一，能在确保当前商用飞机双人制机组同等安全性水平下减少机上飞行员数量，具有消除决策冲突，提高决策效率以及降低民机运行成本等优势。研究发现，飞行机组与机载自动化系统间的合作缺失能因二者间矛盾的飞行意图引发对航空器飞行控制权的争夺，因此有必要尝试建模民航单机组意图模型，以允许民航单机组向机载自动化系统传递其潜在飞行任务意图，实现自动化系统主动人机协同控制。
传统的飞行机组意图建模方法使用经典和现代控制理论研究人的传递函数模型以实现对飞行员行为模式的描述；或基于模糊逻辑算法推演并理解飞行情景下的机组行动；或建立面向安全关键系统中人为错误的飞行员行为认知架构。上述方法无论从人机交互设计的评价维度上还是模型的能力上，都难以应对愈加复杂的飞行机组任务意图识别挑战。
发明内容
鉴于现有技术状况和存在的问题，本发明提供一种基于BiLSTM的民航单机组意图建模方法。
本发明采取的技术方案是：一种基于BiLSTM的民航单机组意图建模方法，其特征在于，包括如下步骤：
S1：由数据处理模块提取未知任务意图的民航单机组与飞行模拟系统交互数据流，采样操作序列，对操作序列进行数据预处理。
S2：由数据特征获取模块通过BiLSTM网络对预处理后的操作序列进行特征捕获，得到一组完整地反映民航单机组操作项间双向长期相关信息的隐藏单元矩阵。
S3：由神经网络匹配模块为隐藏单元矩阵计算标准化概率分数值，以标准化概率分数值为依据得到操作序列的民航单机组飞行意图预测标签的识别结果。
数据处理模块输出的独热数据矩阵是数据特征获取模块进行特征捕获的前提，数据特征获取模块输出的隐藏单元矩阵是神经网络匹配模块识别民航单机组飞行意图预测标签的依据。
在步骤S1中，所述数据处理模块采样的操作序列由民航单机组与飞行模拟系统间的物理交互行为组成，将这些物理交互行为定义为民航单机组操作项。
在步骤S1中，所述数据处理模块对操作序列进行数据预处理，数据预处理的步骤包括：
S11：将未知任务意图的民航单机组与飞行模拟系统交互数据流中采样的操作序列切分。
S12：对切分后的操作序列应用独热编码方法，生成对应的独热数据矩阵。
所述独热编码方法使用N位状态寄存器对N个民航单机组操作项分别进行编码，将离散的民航单机组操作项映射成N维二进制的独热编码向量χ(b(yi))，组合独热编码向量χ(b(yi))得到独热数据矩阵M，具体方法如下：
S121：设b(yi)为民航单机组操作项yi的正整数索引，有b(yi)＝i，其中，i∈{1,…,N}；
S122：设民航单机组操作项yi的独热编码向量为χ(b(yi))，独热编码向量χ(b(yi))的公式如下：
Figure GDA0004057312870000021
其中，χ(b(yi))是N维二进制向量，N代表民航单机组操作项总数，χ(b(yi))l为N维二进制向量χ(b(yi))的第l维元素；
S123：最后，按照操作序列中民航单机组操作项的次序，对民航单机组操作项映射生成的独热编码向量χ(b(yi))进行组合，得到独热数据矩阵M。
所述先使用序列特征获取模块中的序列输入层输入独热数据矩阵M，再使用序列特征获取模块中的BiLSTM层分别从正向和反向对独热数据矩阵M进行扫描，输出隐藏单元矩阵H，隐藏单元矩阵H捕获了独热数据矩阵中由独热编码向量χ(b(yi))所表示的民航单机组操作项间的双向长期相关信息。
所述BiLSTM层由两个扫描方向相反的LSTM层组成，当输入为独热数据矩阵M＝[a1,a2,…,an]时，定义正向LSTM层输出的正向隐藏状态为
Figure GDA0004057312870000022
反向LSTM层输出的反向隐藏状态为/>
Figure GDA0004057312870000023
它们的公式为：
Figure GDA0004057312870000024
Figure GDA0004057312870000025
将正向LSTM层输出的正向隐藏状态
Figure GDA0004057312870000026
和反向LSTM层输出的反向隐藏状态/>
Figure GDA0004057312870000027
级联，可得BiLSTM层所输出的隐藏单元矩阵H，隐藏单元矩阵H的公式为：
Figure GDA0004057312870000028
式(2)、(3)、(4)中，an为在时间步n输入的独热编码向量，
Figure GDA0004057312870000029
为在时间步n输出的正向隐藏状态，/>
Figure GDA0004057312870000031
为在时间步n输出的反向隐藏状态。
所述神经网络匹配模块依次应用全连接层、Softmax层和分类输出层；全连接层包含若干神经元，每一神经元对应一类民航单机组飞行意图标签，隐藏单元矩阵H将被映射至全连接层中的所有神经元；Softmax层使用标准化指数函数为全连接层中的所有神经元计算标准化概率分数值；分类输出层根据标准化概率分数值输出所述操作序列的民航单机组飞行意图预测标签的识别结果。
所述收集切分后的操作序列，手动注释每一段操作序列的民航单机组飞行意图标签，对操作序列进行数据预处理和特征捕获，输入所述神经网络匹配模块中进行深度学习训练；所述神经网络匹配模块输出民航单机组飞行意图预测标签，将其与民航单机组飞行意图实际标签进行比较，对所述基于BiLSTM的民航单机组意图建模方法的超参数进行调整。
与现有的技术相比较，本发明的优点在于：本发明从民航单机组与飞行模拟系统交互数据流中采样的操作序列包含有与民航单机组飞行意图密切相关的驾驶行为数据信息；独热编码方法作为所述基于BiLSTM的民航单机组意图建模方法的数据预处理方法，能有效建立起与操作序列具有高度关联性和特征代表性的独热数据矩阵，十分便于BiLSTM层开展特征捕获，进一步输出用来驱动深度学习训练过程的隐藏单元矩阵。因此，基于BiLSTM的民航单机组意图建模方法具有高度的技术推广及理论研究价值。
附图说明
图1为本发明实施例中基于BiLSTM的民航单机组意图识别系统的结构示意图；
图2为本发明实施例中基于BiLSTM的民航单机组意图建模方法的网络架构示意图。
具体实施方式
以下结合附图和实施例对本发明做进一步说明。
如图1所示，为本实施例的基于BiLSTM的民航单机组意图识别系统的结构示意图，具体方法包括如下步骤：
S1：由数据处理模块提取未知任务意图的民航单机组与飞行模拟系统交互数据流，采样操作序列，对操作序列进行数据预处理。
此步骤是BiLSTM网络理解民航单机组驾驶行为模式的基础，其目的是从民航单机组与飞行模拟系统交互数据流中采样民航单机组与飞行模拟系统的物理交互行为，例如：发动机燃油控制开关CUTOFF、发动机点火开关AUTO、发动机引气开关按出、引气压力检查、发动机起动开关按压、发动机中止起动开关按压以及ATC通知等，将这些物理交互行为定义为民航单机组操作项，这些民航单机组操作项是完成飞行任务事件的充分条件，因此和任务意图信息高度关联。对物理交互行为的采样将组成能精确反映民航单机组任务意图信息的操作序列，并在操作序列的基础上开展数据预处理，数据预处理的步骤包括：
S11：将未知任务意图的民航单机组与飞行模拟系统交互数据流中采样的操作序列切分。
S12：对切分后的操作序列应用独热编码方法，生成对应的独热数据矩阵。
本实施例中，应用独热编码方法将民航单机组操作项yi编码成N维二进制向量χ(b(yi))，N代表民航单机组操作项总数。已知本实施例中的民航单机组操作项总数为92，因此操作项yi被编码成92维二进制向量，向量中的每一维度正好代表一个民航单机组操作项特征，具体步骤包括：
S121：设b(yi)为民航单机组操作项yi的正整数索引，有b(yi)＝i，其中，i∈{1,…,92}。
S122：设民航单机组操作项yi的独热编码向量为χ(b(yi))，独热编码向量χ(b(yi))的公式如下：
Figure GDA0004057312870000041
其中，χ(b(yi))是92维二进制向量，χ(b(yi))l为92维二进制向量χ(b(yi))的第l维元素。
S123：最后，按照操作序列中民航单机组操作项的次序，对民航单机组操作项映射生成的独热编码向量χ(b(yi))进行组合，可得到独热数据矩阵M。
S2：由数据特征获取模块通过BiLSTM网络对预处理后的操作序列进行特征捕获，得到一组完整地反映民航单机组操作项间双向长期相关信息的隐藏单元矩阵。
BiLSTM层由两个扫描方向相反的LSTM层组成，当输入为独热数据矩阵M＝[a1,a2,…,an]时，定义正向LSTM层输出的正向隐藏状态为
Figure GDA0004057312870000042
反向LSTM层输出的反向隐藏状态为/>
Figure GDA0004057312870000043
它们的公式为：
Figure GDA0004057312870000044
Figure GDA0004057312870000045
将正向LSTM层输出的正向隐藏状态
Figure GDA0004057312870000046
和反向LSTM层输出的反向隐藏状态/>
Figure GDA0004057312870000047
级联，可得BiLSTM层所输出的隐藏单元矩阵H，隐藏单元矩阵H的公式为
Figure GDA0004057312870000048
其中，an为在时间步n输入的独热编码向量，
Figure GDA0004057312870000049
为在时间步n输出的正向隐藏状态，
Figure GDA00040573128700000410
为在时间步n输出的反向隐藏状态；
正向扫描方向的LSTM层由正向输入门
Figure GDA00040573128700000522
正向遗忘门/>
Figure GDA00040573128700000523
正向候选单元/>
Figure GDA00040573128700000524
正向输出门/>
Figure GDA00040573128700000525
来控制正向单元状态/>
Figure GDA00040573128700000526
和正向隐藏状态/>
Figure GDA00040573128700000527
的信息更新，/>
Figure GDA0004057312870000051
的公式如下：
Figure GDA0004057312870000052
Figure GDA0004057312870000053
Figure GDA0004057312870000054
Figure GDA0004057312870000055
其中，
Figure GDA0004057312870000056
为正向输入权重的各分量；/>
Figure GDA0004057312870000057
为正向循环权重的各分量；/>
Figure GDA0004057312870000058
为正向偏置的各分量；at为在时间步t输入的独热编码向量；/>
Figure GDA0004057312870000059
为在时间步t-1输出的正向隐藏状态；
正向单元状态
Figure GDA00040573128700000528
和正向隐藏状态/>
Figure GDA00040573128700000529
的公式如下：/>
Figure GDA00040573128700000510
Figure GDA00040573128700000511
其中，符号“*”表示哈达玛乘积；
根据公式(5)～(10)，可得任意时间步t的正向隐藏状态
Figure GDA00040573128700000530
反向扫描方向的LSTM层由反向输入门
Figure GDA00040573128700000531
反向遗忘门/>
Figure GDA00040573128700000532
反向候选单元/>
Figure GDA00040573128700000533
反向输出 门/>
Figure GDA00040573128700000534
来控制反向单元状态/>
Figure GDA00040573128700000535
和反向隐藏状态/>
Figure GDA00040573128700000536
的信息更新，/>
Figure GDA00040573128700000512
的公式如下：
Figure GDA00040573128700000513
Figure GDA00040573128700000514
Figure GDA00040573128700000515
Figure GDA00040573128700000516
其中，
Figure GDA00040573128700000517
为反向输入权重的各分量；/>
Figure GDA00040573128700000518
为反向循环权重的各分量；/>
Figure GDA00040573128700000519
为反向偏置的各分量；a t为在时间步t输入的独热编码向量；/>
Figure GDA00040573128700000520
为 在时间步t+1输出的反向隐藏状态；
反向单元状态
Figure GDA00040573128700000537
和反向隐藏状态/>
Figure GDA00040573128700000538
的公式如下：
Figure GDA00040573128700000521
Figure GDA0004057312870000061
其中，符号“*”表示哈达玛乘积；
根据公式(11)～(16)，可得任意时间步t的反向隐藏状态
Figure GDA00040573128700000611
如图2所示，图2为本实施例的基于BiLSTM的民航单机组意图建模方法的网络架构示意图，定义操作序列[y57 y69 y68 y67 y70 y71 y44]作为输入，验证基于BiLSTM的民航单机组意图建模方法的分类性能。其中：操作项y57为“发动机燃油控制开关CUTOFF”，操作项y69为“发动机点火开关AUTO”，操作项y68为“发动机引气开关按出”，操作项y67为“引气压力检查”，操作项y70为“发动机起动开关按压”，操作项y71为“发动机中止起动开关按压”，操作项y44为“ATC通知”。
已知正向第1个时间步的操作项为y57，设正向第1个时间步的输入向量为a1，有
a1＝χ(b(y57))＝χ(57)(17)
已知正向输入权重各分量
Figure GDA0004057312870000062
正向循环权重各分量
Figure GDA0004057312870000063
正向偏置各分量/>
Figure GDA0004057312870000064
还知正向初始的单元状态/>
Figure GDA00040573128700000612
和隐藏状态/>
Figure GDA00040573128700000613
皆为零向量。
定义正向第1个时间步的输入门
Figure GDA00040573128700000614
遗忘门/>
Figure GDA00040573128700000615
输出门/>
Figure GDA00040573128700000616
候选单元/>
Figure GDA00040573128700000617
以及单元状态/>
Figure GDA00040573128700000618
经计算有
Figure GDA0004057312870000065
Figure GDA0004057312870000066
Figure GDA0004057312870000067
Figure GDA0004057312870000068
Figure GDA0004057312870000069
故正向第1个时间步的隐藏状态为
Figure GDA00040573128700000610
依此类推，可得任意时间步t的正向隐藏状态
Figure GDA00040573128700000619
或任意时间步t的反向隐藏状态/>
Figure GDA00040573128700000620
依公式(4)可得隐藏单元矩阵H，为
Figure GDA0004057312870000071
两个LSTM层各设置有32个隐藏单元，因此在时间步t输出的正向隐藏状态
Figure GDA0004057312870000072
或反向隐藏状态/>
Figure GDA0004057312870000073
皆是32维向量，经过级联形成64维向量的隐藏状态，如图2所示，隐藏单元矩阵H的特征维数是64，该隐藏单元矩阵H将作为下一步骤的输入数据。
S3：由神经网络匹配模块为隐藏单元矩阵计算标准化概率分数值，以标准化概率分数值为依据得到操作序列的民航单机组飞行意图预测标签的识别结果。
本实施例中，步骤S3的实现需要应用全连接层、Softmax层和分类输出层。如图2所示，全连接层包含了11个神经元，以匹配11个优选的民航单机组飞行意图标签，隐藏单元矩阵H将被映射至全连接层中的这11个神经元；Softmax层使用标准化指数函数为这11个与民航单机组飞行意图标签一一对应的神经元计算标准化概率分数值；分类输出层根据标准化概率分数值输出操作序列的民航单机组飞行意图预测标签：发动机尾喷失火并紧急灭火。
本实施例中，收集切分后的操作序列，手动注释每一段操作序列的民航单机组飞行意图标签，对操作序列进行数据预处理和特征捕获，输入神经网络匹配模块中进行深度学习训练；神经网络匹配模块输出民航单机组飞行意图预测标签，将其与民航单机组飞行意图实际标签进行比较，对基于BiLSTM的民航单机组意图建模方法的超参数进行调整。
本发明从大量的民航单机组与飞行模拟系统交互数据流中学习操作序列的内在关联规则，挖掘操作序列与民航单机组飞行意图的潜在交联关系，认知民航单机组飞行意图推演机理，识别从民航单机组驾驶行径到飞行任务事件的逻辑路径，实现对操作序列的民航单机组飞行意图预测标签的识别；经过计算，基于BiLSTM的民航单机组意图建模方法的识别准确率达到0.9444，因此本建模方法对民航单机组飞行意图标签具有极佳的识别能力。
图2中展示与本实施例相关的独热数据矩阵及其特征维数、隐藏单元矩阵及其特征维数、飞行意图标签数等等。在实际实施中，上述变量可以依照具体案例发生改变，也就是说，具体实施例仅是示例性质的，并不构成对本发明的任何限定。

Claims (4)

1.一种基于BiLSTM的民航单机组意图建模方法，其特征在于，包括如下步骤：
S1：由数据处理模块提取未知任务意图的民航单机组与飞行模拟系统交互数据流，采样操作序列，对操作序列进行数据预处理；所述数据处理模块采样的操作序列由民航单机组与飞行模拟系统间的物理交互行为组成，将这些物理交互行为定义为民航单机组操作项；
S2：由数据特征获取模块通过BiLSTM网络对预处理后的操作序列进行特征捕获，得到一组完整地反映民航单机组操作项间双向长期相关信息的隐藏单元矩阵；先使用序列特征获取模块中的序列输入层输入独热数据矩阵M，再使用序列特征获取模块中的BiLSTM层分别从正向和反向对独热数据矩阵M进行扫描，输出隐藏单元矩阵H，隐藏单元矩阵H捕获了独热数据矩阵中由独热编码向量χ(b(yi))所表示的民航单机组操作项间的双向长期相关信息；
S3：由神经网络匹配模块为隐藏单元矩阵计算标准化概率分数值，以标准化概率分数值为依据得到操作序列的民航单机组飞行意图预测标签的识别结果；
神经网络匹配模块依次应用全连接层、Softmax层和分类输出层；全连接层包含若干神经元，每一神经元对应一类民航单机组飞行意图标签，隐藏单元矩阵H将被映射至全连接层中的所有神经元；Softmax层使用标准化指数函数为全连接层中的所有神经元计算标准化概率分数值；分类输出层根据标准化概率分数值输出所述操作序列的民航单机组飞行意图预测标签的识别结果；
数据处理模块输出的独热数据矩阵是数据特征获取模块进行特征捕获的前提，数据特征获取模块输出的隐藏单元矩阵是神经网络匹配模块识别民航单机组飞行意图预测标签的依据；
在步骤S1中，所述数据处理模块对操作序列进行数据预处理，数据预处理的步骤包括：
S11：将未知任务意图的民航单机组与飞行模拟系统交互数据流中采样的操作序列切分；
S12：对切分后的操作序列应用独热编码方法，生成对应的独热数据矩阵。
2.根据权利要求1所述的一种基于BiLSTM的民航单机组意图建模方法，其特征在于，所述独热编码方法使用N位状态寄存器对N个民航单机组操作项分别进行编码，将离散的民航单机组操作项映射成N维二进制的独热编码向量χ(b(yi))，组合独热编码向量χ(b(yi))得到独热数据矩阵M，具体方法如下：
S121：设b(yi)为民航单机组操作项yi的正整数索引，有b(yi)＝i，其中，i∈{1,…,N}；
S122：设民航单机组操作项yi的独热编码向量为χ(b(yi))，独热编码向量χ(b(yi))的公式如下：
Figure FDA0003971298910000011
其中，χ(b(yi))是N维二进制向量，N代表民航单机组操作项总数，χ(b(yi))l为N维二进制向量χ(b(yi))的第l维元素；
S123：最后，按照操作序列中民航单机组操作项的次序，对民航单机组操作项映射生成的独热编码向量χ(b(yi))进行组合，得到独热数据矩阵M。
3.根据权利要求1所述的一种基于BiLSTM的民航单机组意图建模方法，其特征在于，BiLSTM层由两个扫描方向相反的LSTM层组成，当输入为独热数据矩阵M＝[a1,a2,…,an]时，定义正向LSTM层输出的正向隐藏状态为
Figure FDA0003971298910000021
反向LSTM层输出的反向隐藏状态为
Figure FDA0003971298910000022
它们的公式为：
Figure FDA0003971298910000023
Figure FDA0003971298910000024
将正向LSTM层输出的正向隐藏状态
Figure FDA0003971298910000025
和反向LSTM层输出的反向隐藏状态
Figure FDA0003971298910000026
级联，可得BiLSTM层所输出的隐藏单元矩阵H，隐藏单元矩阵H的公式为：
Figure FDA0003971298910000027
式(2)、(3)、(4)中，an为在时间步n输入的独热编码向量，
Figure FDA0003971298910000028
为在时间步n输出的正向隐藏状态，/>
Figure FDA0003971298910000029
为在时间步n输出的反向隐藏状态。
4.根据权利要求1所述的一种基于BiLSTM的民航单机组意图建模方法，其特征在于，收集切分后的操作序列，手动注释每一段操作序列的民航单机组飞行意图标签，对操作序列进行数据预处理和特征捕获，输入所述神经网络匹配模块中进行深度学习训练；所述神经网络匹配模块输出民航单机组飞行意图预测标签，将其与民航单机组飞行意图实际标签进行比较，对所述基于BiLSTM的民航单机组意图建模方法的超参数进行调整。
CN202111306080.XA 2021-11-05 2021-11-05 一种基于BiLSTM的民航单机组意图建模方法 Active CN114004165B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111306080.XA CN114004165B (zh) 2021-11-05 2021-11-05 一种基于BiLSTM的民航单机组意图建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111306080.XA CN114004165B (zh) 2021-11-05 2021-11-05 一种基于BiLSTM的民航单机组意图建模方法

Publications (2)

Publication Number Publication Date
CN114004165A CN114004165A (zh) 2022-02-01
CN114004165B true CN114004165B (zh) 2023-03-31

Family

ID=79928123

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111306080.XA Active CN114004165B (zh) 2021-11-05 2021-11-05 一种基于BiLSTM的民航单机组意图建模方法

Country Status (1)

Country Link
CN (1) CN114004165B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115017832B (zh) * 2022-08-09 2022-10-25 中国民航大学 一种面向飞机作动系统的状态预测方法
CN117978916B (zh) * 2024-04-01 2024-05-28 中国民用航空飞行学院 一种管制员通话负荷预测方法及设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443448A (zh) * 2019-07-01 2019-11-12 华中科技大学 一种基于双向lstm的飞机机位分类预测方法和系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019229768A1 (en) * 2018-05-28 2019-12-05 Thottapilly Sanjeev A bot engine for automatic dynamic intent computation
CN110309797A (zh) * 2019-07-05 2019-10-08 齐鲁工业大学 融合CNN-BiLSTM模型和概率协作的运动想象识别方法及系统
CN113220839B (zh) * 2021-05-13 2022-05-24 亿咖通(湖北)技术有限公司 一种意图识别方法、电子设备及计算机可读存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443448A (zh) * 2019-07-01 2019-11-12 华中科技大学 一种基于双向lstm的飞机机位分类预测方法和系统

Also Published As

Publication number Publication date
CN114004165A (zh) 2022-02-01

Similar Documents

Publication Publication Date Title
CN114004165B (zh) 一种基于BiLSTM的民航单机组意图建模方法
Coşkun et al. Face recognition based on convolutional neural network
CN112070058A (zh) 人脸面部复合情感表情识别方法及系统
Bentoumi et al. Improvement of emotion recognition from facial images using deep learning and early stopping cross validation
US11790646B2 (en) Network for interacted object localization
Boukabous et al. Image and video-based crime prediction using object detection and deep learning
CN115048870A (zh) 基于残差网络和注意力机制的目标轨迹识别方法
Truong et al. Vietnamese handwritten character recognition using convolutional neural network
Pandey et al. Face recognition using machine learning
Al-Haija Leveraging ShuffleNet transfer learning to enhance handwritten character recognition
CN116092127A (zh) 基于并联式特征融合网络人体动作识别的行人重识别方法
Zhou et al. Fault classification for on-board equipment of high-speed railway based on attention capsule network
Sun et al. Detection and recognition of text traffic signs above the road
CN114818853A (zh) 基于双向门控循环单元和条件随机场的意图识别方法
Gong et al. Human interaction recognition based on deep learning and HMM
Ma et al. An improved deep learning network structure for multitask text implication translation character recognition
CN117852541A (zh) 一种实体关系三元组抽取方法、系统及计算机设备
CN112329648A (zh) 基于面部表情交互的人际关系行为模式识别方法
CN117152504A (zh) 一种空间相关性引导的原型蒸馏小样本分类方法
CN114357166B (zh) 一种基于深度学习的文本分类方法
CN117195031A (zh) 一种基于神经网络和知识图谱双通道系统的电磁辐射源个体识别方法
CN113342982B (zh) 融合RoBERTa和外部知识库的企业行业分类方法
Rajesh et al. Hybrid neural network for handwritten mathematical expression recognition system
Liu et al. Recognition of plant leaf diseases based on shallow convolutional neural network
Deng et al. Knowledge-based scene text recognition for industrial applications

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