CN114169503A - 一种飞机着陆距离精准预测方法 - Google Patents

一种飞机着陆距离精准预测方法 Download PDF

Info

Publication number
CN114169503A
CN114169503A CN202111499813.6A CN202111499813A CN114169503A CN 114169503 A CN114169503 A CN 114169503A CN 202111499813 A CN202111499813 A CN 202111499813A CN 114169503 A CN114169503 A CN 114169503A
Authority
CN
China
Prior art keywords
landing distance
aircraft
neural network
landing
prediction
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
Application number
CN202111499813.6A
Other languages
English (en)
Inventor
赵宁宁
张俊超
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 CN202111499813.6A priority Critical patent/CN114169503A/zh
Publication of CN114169503A publication Critical patent/CN114169503A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种飞机着陆距离精准预测方法，选择机场高度、飞机着陆质量、机场跑道坡度、风、环境温度五个影响飞机着陆距离的主要因素，构建BP神经网络模型，隐藏层设为12，利用LM和GA算法对BP神经网络模型进行优化，利用所选机型着陆软件收集飞机着陆距离预测所需基础数据，计算结果显示，依据所构建的模型和改进算法，飞机着陆距离预测结果与实际值相比较，最大绝对误差在6.66m之内，最大相对误差在0.038％之内。本发明的方法可辅助航空公司对民用航空器着陆距离进行计算分析，以便更精准的对飞机所需跑道长度等进行预测，为保障民用航空器安全着陆提供实践参考，有良好的应用前景。

Description

一种飞机着陆距离精准预测方法
技术领域
本发明属于机器学习技术领域，尤其是涉及一种飞机着陆距离精准预测方法。
背景技术
为了保障飞机着陆的安全，中国民航航空局针对飞机在湿跑道和污染跑道上运行，制定并下发了《航空承运人湿跑道和污染跑道运行管理规定》的咨询通告，通告中明确提出，在某些特殊情况下(如,机场运行条件变差时)需要在着陆前评估距离。目前主要通过飞机制造厂商提供的性能手册或开发的性能软件来评估着陆距离，其中前者较为复杂繁琐，不适合飞行员在着陆前使用；后者要求飞机上必须装载电子飞行包等相关性能计算软件，使用限制较大。针对以上问题，谷润平等利用多元线性回归方法预测了飞机湿、污染跑道着陆距离，其推导出的简化模型算法简单、实用，但精度相对较低；夏俊等利用飞机原始气动数据和推进数据计算了飞机的着陆距离，但由于这些数据极为机密，使得该方法适用于飞机制造厂商，较难应用于航空公司的实际运行；温瑞英等利用支持，考虑机场、气象、飞机三个主要因素，对飞机着陆距离进行了预测，但精度不够高；蔡良才等建立了高原机场着陆时的数学模型，并对着陆距离进行了预测，但考虑因素较为单一。孙瑞山等将相似理论与一系列可以影响飞机着陆的因素等等相联系，得出一种无量纲方程，同时再使用真实着陆数据与回归方程，由不同的俯仰角解出不同的预测方程，但考虑因素较为单一，同时精度较低。
现有技术中计算飞机的着陆距离角度单一或者精度不够高。人工神经网络(ANNs)是一种具有更好学习能力(基于过去的经验或历史数据)并辅助智能制造的现代工具，Shettigar AK等学者通过使用反向传播算法(BP)、遗传算法(GA)、人工蜂群(ABC)和使用自反馈循环训练的BP算法，使用从基于物理的模型收集的数据对ANN进行训练，将人工神经网络训练和开发为正向和反向映射模型，对开发的神经网络(BPNN、GA-NN、RNN、ABC-NN)进行了参数研究，以优化神经网络参数，结果发现神经网络预测结果与实验值一致，精度较高。Sibalija等学者采用贝叶斯正则化神经网络，建立了一个高度精确的过程模型，以确定线材的最佳加工条件，并获得了令人信服的最佳解决方案。Manjunath Patel GC学者利用神经网络模型对铸造质量进行预测，同时为所需的铸造质量确定合适的铸造变量集，结果表明，所有开发的神经网络模型都能够做出有效的预测，获得的结果将帮助铸造人员实现挤压铸造过程的精确控制。KitturJK等学者利用反向传播神经网络(BPNN)算法对高压压铸过程进行了正反向建模，以快射速、强化压力、相变点和保持时间为输入参数，而表面粗糙度、硬度和孔隙率作为系统的输出。输入输出1000个训练数据，进行批量训练。结果表明，BPNN方法能够有效地进行正向和反向映射，精度较高，可进行实践应用。Rangaswamy等学者利用LM(Levenberg-Marquardt)算法训练的神经网络(NN)用于预测复合材料接头的破坏载荷(FL)和剪切强度(SS)的行为，结果表明NN算法的平均绝对百分比误差仅为2.27％，比多元线性回归(MLR)方程预测的平均绝对百分比误差低0.85％；Patel,GCM等学者基于神经网络的方法处理挤压铸造过程的正向和反向建模，利用反向传播神经网络和遗传算法神经网络进行表面粗糙度和抗拉强度行为的正向和反向映射，结果表明遗传算法调整神经网络(GA-NN)模型预测性能在正向映射中较好，而BPNN在反向映射中产生更好的结果。鉴于BP神经网络模型在均有较好的应用效果和精度预测能力，因此，选择BP神经网络模型作为飞机着陆距离的预测方法，并结合LM算法和GA算法，对预测结果进行优化，同时综合考虑机场高度、飞机着陆质量、机场跑道坡度、风、环境温度五个因素，对飞机着陆距离进行高精度的预测。
发明内容
有鉴于此，本发明旨在提出一种飞机着陆距离精准预测方法，以便更精准的对飞机所需跑道长度等进行预测，为保障航空器安全着陆提供实践参考。
为达到上述目的，本发明的技术方案是这样实现的：
一种飞机着陆距离精准预测方法，包括如下步骤：
S1：构建基于BP神经网络的着陆距离预测模型；
S2：采用遗传算法和LM算法对BP神经网络模型预测飞机着陆距离进行优化。
进一步的，所述步骤S1中，包括输入层、隐藏层以及输出层，所述输入层选择机场高度、飞机着陆质量、机场跑道坡度、风速、环境温度五个影响飞机着陆距离的因素。
进一步的，所述步骤S1中，使用经验公式判断使用的隐藏层结点数
Figure BDA0003401074070000041
式中，以g为隐藏层的结点数，以r为条件的项数，j为输出项数为1，l表示1至10之间的常数。
进一步的，隐藏层设为12。
进一步的，所述步骤S2中，将BP神经网络算法部分作为函数插入到遗传算法部分作为计算分配适应度数值的函数，最后将输出的权值阈值保存，用以模型训练后可进行多次的测试。
进一步的，所述步骤S2中，GA优化BP神经的具体过程为：
建立BP神经网络的结构，通过该结构获取需要用于遗传部分的编码长度，每一套权值阈值都有个体将其对应；
GA的适应度函数设置为BP的算法部分，通过函数得到适应度；
GA通过基本运算步骤得到最能适应的个体，通过该个体赋予BP神经部分其对应的数值，作为BP神经的第一组权值阈值；
最后执行BP神经的运算过程，来得到最后所需的着陆距离预测结果，这里使用LM算法作为GA-BP的训练算法。
进一步的，通过均方根误差(RMSE)、平均相对误差(MRE)、平均绝对误差(MAE)、均方误差(MSE)来衡量预测精度，具体计算公式如下
Figure BDA0003401074070000042
Figure BDA0003401074070000043
Figure BDA0003401074070000044
Figure BDA0003401074070000051
其中，xa为预测值，ya为实际值，M为测试数。
本发明还提供一种飞机着陆距离精准预测装置，包括
模型构建模块，用于构建基于BP神经网络的着陆距离预测模型；
优化模块，用于通过采用遗传算法和LM算法对BP神经网络模型预测飞机着陆距离进行优化。
本发明还提供一种终端，所述终端包括一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述一种飞机着陆距离精准预测方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述一种飞机着陆距离精准预测方法。
相对于现有技术，本发明所述的一种飞机着陆距离精准预测方法具有以下优势：
(1)本发明对飞机着陆距离影响因素考虑比较全面。将BP神经网络应用于着陆距离预测中，传统的冲出跑道风险预测或者数据来源较为复杂，或者考虑飞机着陆距离影响因素比较单一，或者对飞机着陆距离预测精度不高，综合上述问题，本发明结合BP神经网络模型来建立，对飞机着陆距离进行预测；
(2)本发明方法的最大绝对误差在6.66m之内，最大相对误差在0.038％之内，预测精度高；
(3)可辅助航空公司对航空器着陆距离进行计算分析，以便更精准的对飞机所需跑道长度等进行预测，为保障航空器安全着陆提供实践参考，有良好的应用价值。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的BP神经网络模型结构图；
图2为本发明的改进的模型流程图；
图3为本发明的预测误差进化图；
图4为本发明的着陆距离预测值与实际值对比示意图；
图5为本发明的预测结果绝对误差示意图；
图6为本发明的预测结果相对误差示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
为更好理解上述技术方案，下面将结合说明书附图以及最佳实施方式，对上述技术方案进行详细的说明。
本发明提供一种飞机着陆距离精准预测方法，包括如下步骤：
S1：构建基于BP神经网络的着陆距离预测模型；
S2：采用遗传算法和LM算法对BP神经网络模型预测飞机着陆距离进行优化。
具体的，如图1所示，本发明首先构建基于BP神经网络的着陆距离预测模型，设计的模型具体的参数如表1。
表1 BP神经网络模型
Figure BDA0003401074070000081
其中，使用经验公式判断使用的隐藏层结点数
Figure BDA0003401074070000082
式中，以g为隐藏层的结点数，以r为条件的项数，j为输出项数(为着陆距离)为1，l表示1至10之间的常数。
表3神经元对应的RMSE
Figure BDA0003401074070000083
可知在隐藏层神经元数为12时，RMSE数值最低，模型性能最优、预测模型精度更好，故选其使用于模型。
具体的，本发明优化基于BP神经网络的飞机着陆距离预测模型，这里采用遗传算法(GA)和LM(Levenberg-Marquardt)算法对BP神经网络模型预测飞机着陆距离进行优化。
其中遗传算法部分设置参数如表2所示：
表2遗传算法参数
Figure BDA0003401074070000091
优化算法流程如图2所示，将BP神经网络算法部分作为函数插入到遗传算法部分作为计算分配适应度数值的函数，最后将输出的权值阈值保存，用以模型训练后可进行多次的测试。GA优化BP神经的具体环节为：首先，建立能够适应课题研究的BP神经网络的结构，通过该结构获取需要用于遗传部分的编码长度，每一套权值阈值都有个体将其对应。接着，GA的适应度函数设置为BP的算法部分，通过函数得到适应度，接着GA通过基本运算步骤得到最能适应的个体，通过该个体赋予BP神经部分其对应的数值，作为BP神经的第一组权值阈值，最后执行BP神经的运算过程，来得到最后所需的着陆距离预测结果，这里直接使用LM算法作为GA-BP的训练算法，使之成为GA-LM-BP模型，GA-LM-BP的流程具体如图2所示。
下面通过具体的实施例说明本发明的方法。
选择预测机型为B737-800，利用波音性能软件收集得到有关数据，选取干跑道作为着陆跑道条件；将VREF定成跑道入口速度，地面扰流板AUTO状态；飞机构型采用着陆时最常用的着陆构型，空调启用，襟翼位置为15°/30°，分别为进近时使用的与着陆时使用的位置；由于我国都是采用人工着陆的方式进行着陆操作，所以着陆条件采用人工着陆，刹车方式使用手动；辅助动力装置关闭；轮胎速度225mph；防滞部分调设有效，防冰部分调设为OFF。通过以上的条件取数据700个进行分析。利用其570个来达到训练过程，130个来达到测试过程。部分原始数据如表1与表2(由于数据过多，仅展示40组数据，将20组数使用于训练，将20组数使用于测试，这40组数据是随机抽取的)。
表4与表5中具体有，V代表风速，其单位是节：kt，并且将顺风风速设置为负数，T代表环境的温度，其单位是℃，W代表着陆质量，其单位是kg，H代表机场高度，其单位是米：m，I代表跑道坡度，其单位为％，Y代表所需跑道距离，其单位为米：m。
表4 B737-800着陆距离训练数据(部分)
Figure BDA0003401074070000101
Figure BDA0003401074070000111
表5 B737-800着陆距离部分测试数据(部分)
测试 V/kt T/℃ W/kg H/m I/％ S/m
1 6.9 -10 65800 952 -0.06 1829
2 -9.1 -16 58000 3300 -0.13 2270
3 0 -3 59100 1560 -1.11 1783
4 2.2 -16 60300 2880 -0.01 2003
5 -7.4 8 42300 2530 0.09 1617
6 -8.9 -10 65800 952 0.31 2136
7 0.6 -10 63100 2060 -0.02 1976
8 7.7 -17 64500 2250 -0.03 1987
9 3.1 15 56100 3300 -0.01 1923
10 0 -16 56500 3600 0.07 2014
11 2.1 7 57600 3300 0.15 1982
12 7 29 54500 3000 -1.1 1788
13 10 17 53600 3600 0.15 1823
14 0.6 -10 41900 2060 -0.11 1376
15 0 31 51400 3300 -0.01 2267
16 -6.1 1 57700 3300 0.15 2176
17 -9.1 -9 57900 3300 -0.01 2267
18 -7.2 -7 60200 2880 -0.03 2222
19 1.5 -3 59100 1560 0.51 1770
20 1 7 56600 643 0.07 1580
需要代入得数据执行归一化运算，将每个数据值映射到-1到1之间，这样处理消除了量纲的不一致影响，使数学变成纯量，又可以提高了模型的收敛速率，又可以保护着陆距离模型不受到饱和的负面影响。同时，隐藏层传递函数为Tanh函数，输入值若在[-1,1]时灵敏度较高，若输入值超过该范围，则函数就会进入饱和状态，进而会影响误差数据值的精度，由此原因，在将数据代入神经网络模型计算时，要将需要代入得数据执行归一化运算，将每个数据值映射到-1到1之间，由公式可得。
Figure BDA0003401074070000121
其中x是输入值，ymax是具体数1(最大值)，ymin是具体数-1(最小值)，函数得到的y是本文代入使用的数、是x归一化的数。
由下列公式计算评价指标，用其来衡量预测精度均方根误差(Root-Mean-SquareError，RMSE)、平均相对误差(Average Relative Error，MRE)、平均绝对误差(MeanAbsolute Error，MAE)、均方误差(Mean Squared Error，MSE)。
Figure BDA0003401074070000122
Figure BDA0003401074070000123
Figure BDA0003401074070000124
Figure BDA0003401074070000125
其中，xa为预测值，ya为实际值，M为测试数。
普通BP神经网络模型预测结果如表6所示：
表6神经网络模型精度评价值
Figure BDA0003401074070000126
Figure BDA0003401074070000131
可见普通的BP神经网络模型对飞机着陆距离的预测误差过大，需要对模型进行改进优化，提高预测的精度。
GA-LM-BP模型预测结果分析：
通过GA-LM-BP模型进行飞机着陆距离预测研究，得到的预测结果与实际值对比如图3所示，且其精度如表7所示，优化模型与未优化的精度对比如表8所示。
表7 GA-LM-BP模型预测精度评价值
Figure BDA0003401074070000132
表8各模型的评价指标
Figure BDA0003401074070000133
由图3可知，在第38代左右预测精度最高，取其初始权值阈值进行预测研究。
使用GA-LM-BP模型对飞机着陆距离进行预测研究，图4为GA-LM-BP模型的预测值与实际值对比。可以看出，预测数据与实际数据的误差较低，比较吻合，最大误差仅在6.66m范围之内，图5图6为预测的相对误差与绝对误差，可见最大相对误差仅为0.038％左右，预测与实际较吻合。可以看出使用GA-LM-BP模型对飞机着陆距离进行预测研究是可行的。
本发明使用BP神经网络模型对飞机着陆距离进行预测研究，并且通过LM算法与GA算法对模型进行优化改进，通过对比分析得到，优化改进后的模型精度大幅提高。
本发明基于实际运行数据，利用构建的GA-LM-BP模型预测是可行的，结果显示，飞机着陆距离预测数值与实际值较吻合，最大绝对误差在6.66m范围内，最大相对误差在0.038％范围内，模型预测精度较高。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种飞机着陆距离精准预测方法，其特征在于：包括如下步骤：
S1：构建基于BP神经网络的着陆距离预测模型；
S2：采用遗传算法和LM算法对BP神经网络模型预测飞机着陆距离进行优化。
2.根据权利要求1所述的一种飞机着陆距离精准预测方法，其特征在于：所述步骤S1中，包括输入层、隐藏层以及输出层，所述输入层选择机场高度、飞机着陆质量、机场跑道坡度、风速、环境温度五个影响飞机着陆距离的因素。
3.根据权利要求1所述的一种飞机着陆距离精准预测方法，其特征在于：所述步骤S1中，使用经验公式判断使用的隐藏层结点数
Figure FDA0003401074060000011
式中，以g为隐藏层的结点数，以r为条件的项数，j为输出项数为1(着陆距离)，l表示1至10之间的常数。
4.根据权利要求3所述的一种飞机着陆距离精准预测方法，其特征在于：隐藏层设为12。
5.根据权利要求1所述的一种飞机着陆距离精准预测方法，其特征在于：所述步骤S2中，将BP神经网络算法部分作为函数插入到遗传算法部分作为计算分配适应度数值的函数，最后将输出的权值阈值保存，用以模型训练后可进行多次的测试。
6.根据权利要求1所述的一种飞机着陆距离精准预测方法，其特征在于：所述步骤S2中，GA优化BP神经的具体过程为：
建立BP神经网络的结构，通过该结构获取需要用于遗传部分的编码长度，每一套权值阈值都有个体将其对应；
GA的适应度函数设置为BP的算法部分，通过函数得到适应度；
GA通过基本运算步骤得到最能适应的个体，通过该个体赋予BP神经部分其对应的数值，作为BP神经的第一组权值阈值；
最后执行BP神经的运算过程，来得到最后所需的着陆距离预测结果，这里使用LM算法作为GA-BP的训练算法。
7.根据权利要求1所述的一种飞机着陆距离精准预测方法，其特征在于：通过均方根误差(RMSE)、平均相对误差(MRE)、平均绝对误差(MAE)、均方误差(MSE)来衡量预测精度，具体计算公式如下
Figure FDA0003401074060000021
Figure FDA0003401074060000022
Figure FDA0003401074060000023
Figure FDA0003401074060000024
其中，xa为预测值，ya为实际值，M为测试数。
8.一种飞机着陆距离精准预测装置，其特征在于：包括
模型构建模块，用于构建基于BP神经网络的着陆距离预测模型；
优化模块，用于通过采用遗传算法和LM算法对BP神经网络模型预测飞机着陆距离进行优化。
9.一种终端，其特征在于：所述终端包括一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的一种飞机着陆距离精准预测方法。
10.一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1-7中任一所述的一种飞机着陆距离精准预测方法。
CN202111499813.6A 2021-12-09 2021-12-09 一种飞机着陆距离精准预测方法 Pending CN114169503A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111499813.6A CN114169503A (zh) 2021-12-09 2021-12-09 一种飞机着陆距离精准预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111499813.6A CN114169503A (zh) 2021-12-09 2021-12-09 一种飞机着陆距离精准预测方法

Publications (1)

Publication Number Publication Date
CN114169503A true CN114169503A (zh) 2022-03-11

Family

ID=80484909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111499813.6A Pending CN114169503A (zh) 2021-12-09 2021-12-09 一种飞机着陆距离精准预测方法

Country Status (1)

Country Link
CN (1) CN114169503A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115857059A (zh) * 2022-11-24 2023-03-28 中国民航科学技术研究院 一种积冰预报管理方法、系统、可读存储介质和设备
CN117094175A (zh) * 2023-10-16 2023-11-21 四川腾盾科技有限公司 一种基于多元线性回归的无人机着陆滑跑距离预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909149A (zh) * 2017-10-26 2018-04-13 西北农林科技大学 一种基于遗传bp神经网络的日光温室温度预测方法
CN111783987A (zh) * 2020-07-14 2020-10-16 中国水利水电科学研究院 基于改进bp神经网络的农田参考作物蒸散量预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909149A (zh) * 2017-10-26 2018-04-13 西北农林科技大学 一种基于遗传bp神经网络的日光温室温度预测方法
CN111783987A (zh) * 2020-07-14 2020-10-16 中国水利水电科学研究院 基于改进bp神经网络的农田参考作物蒸散量预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
赵宁宁等: "基于BP神经网络模型的飞机起降冲偏出跑道预测研究", 《数学的实践与认识》 *
韦灼彬等: "应用遗传算法和LM优化的BP神经网络模型预测机场道面使用性能", 《空军工程大学学报(自然科学版)》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115857059A (zh) * 2022-11-24 2023-03-28 中国民航科学技术研究院 一种积冰预报管理方法、系统、可读存储介质和设备
CN115857059B (zh) * 2022-11-24 2023-07-07 中国民航科学技术研究院 一种积冰预报管理方法、系统、可读存储介质和设备
CN117094175A (zh) * 2023-10-16 2023-11-21 四川腾盾科技有限公司 一种基于多元线性回归的无人机着陆滑跑距离预测方法

Similar Documents

Publication Publication Date Title
CN114169503A (zh) 一种飞机着陆距离精准预测方法
CN113805064B (zh) 基于深度学习的锂离子电池组健康状态预测方法
CN108216679B (zh) 一种太阳能无人机总体参数确定方法及系统
CN108107911A (zh) 一种太阳能飞机自主寻优航迹规划方法
CN112060983B (zh) 一种新能源无人机混合电源架构评估方法
CN105488281B (zh) 一种基于飞行参数监控的飞机结构载荷识别方法
CN110633790B (zh) 基于卷积神经网络的飞机油箱剩余油量测量方法和系统
CN108609202A (zh) 飞行颠簸预测模型建立方法、预测方法及系统
CN111680875A (zh) 基于概率基线模型的无人机状态风险模糊综合评价方法
Tang et al. A power transfer model-based method for lithium-ion battery discharge time prediction of electric rotatory-wing UAV
CN110851913B (zh) 一种直升机气动噪声确定方法
CN106407578A (zh) 一种基于人工神经网络技术的飞机平尾寿命监控方法
CN106599541B (zh) 一种动态电力负荷模型的结构和参数在线辨识方法
Johnson et al. Using artificial neural networks and self-organizing maps for detection of airframe icing
Liu et al. Mission capability estimation of multicopter uav for low-altitude remote sensing
CN115860292A (zh) 基于渔政监控的无人机最优规划路径方法及装置
CN113255143B (zh) 一种分布式混合电推进飞行器能量管理系统
CN114118802A (zh) 一种基于层次分析法的直升机飞行风险评估方法
CN113110558B (zh) 一种混合推进无人机需求功率预测方法
CN114757086A (zh) 多旋翼无人机实时剩余使用寿命预测方法和系统
CN102867032B (zh) 基于历史数据统计的新能源发电风险离散化分析方法
CN114462740A (zh) 飞行任务评估方法、装置、设备和计算机可读存储介质
Valencia et al. Methodology for weight and performance assessment of an UAV for precision agriculture at cruise condition
CN118095014B (zh) 一种基于机器学习的复合材料性能快速计算方法
CN114462201B (zh) 太阳能无人机电力系统能流分析装置和方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220311