CN114779278A - 一种基于激光雷达的cnn-rnn机场跑道风切变预警方法 - Google Patents
一种基于激光雷达的cnn-rnn机场跑道风切变预警方法 Download PDFInfo
- Publication number
- CN114779278A CN114779278A CN202210411064.5A CN202210411064A CN114779278A CN 114779278 A CN114779278 A CN 114779278A CN 202210411064 A CN202210411064 A CN 202210411064A CN 114779278 A CN114779278 A CN 114779278A
- Authority
- CN
- China
- Prior art keywords
- data
- full
- matrix data
- matrix
- chain
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/95—Lidar systems specially adapted for specific applications for meteorological use
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
-
- 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
Abstract
一种基于激光雷达的CNN‑RNN机场跑道风切变预警方法。其包括:获得扫描区域矩阵数据、将矩阵数据带入注意力机制模型进行预处理、将矩阵数据带入卷积神经网络模型进行卷积处理、将近期保留的全连接层数据链与卷积处理获得的全连接层数据链一起带入循环神经网络模型中进行处理,输出预测的全连接层数据链;将预测的全连接层数据链带入风切变数据库中进行匹配并预警。本发明引入了AM模型,来放大矩阵数据中潜在的风切变特征,同时利用深度学习技术对有效的时空数据加以分析,从而来减小误报率,提高预测的准确性。其综合数据能力强,具有低漏报率和高识别率的优点,能够对跑道的低空风切变进行有效的识别,为飞机的安全起降提供了可靠的保障。
Description
技术领域
本发明属于神经网络挖掘技术领域,具体涉及一种基于激光雷达的CNN-RNN机场跑道风切变预警方法。
背景技术
低空风切变是一种常见的大气现象,指飞行高度在600米以下、主要在飞机起降阶段发生的短距离内风向或风速的快速变化,具有风速变化多样性、风切变强度变化剧烈性的特点。据世界气象组织和国际民航组织统计,低空风切变是对飞机起降阶段飞行安全威胁最大的天气现象,许多重大空难事故均是由低空风切变引起。而在飞机降落时,对于决断高度以下的风场情况是观测的重中之重,因此低空风切变会严重影响飞机的飞行安全。目前,国内、外针对探测和预报低空风切变展开了积极研究,但低空风切变类型识别研究仍较为匮乏。由于不同类型风切变对飞机飞行影响存在极大差别,因此风切变类型识别对保障飞行安全具有重要意义。
风切变预警方法多种多样,到现在为止,并没有一种统一的方法,且这些方法都以一定的局限性:可以利用F因子来预警低空风切变,但F因子的阈值并没有明确规定,仍以经验为主,这不可避免地会降低预警的准确度;可以利用单双斜坡结合的算法来预警风切变,但该算法只能预警大尺度风切变;基于主成分分析(Principal Component Analysis)和相位差校正法的风切变预警算法本身就存在一定的问题且结果不够准确,同时,多普勒频移和风切变阈值还需要进一步通过经验确定。鉴于现有算法存在着不足,随着深度学习技术的快速发展,利用深度学习技术开展风切变预测成为必然趋势。
发明内容
为了解决上述问题,本发明的目的在于提供一种基于激光雷达的CNN-RNN机场跑道风切变预警方法,其综合数据能力强,具有低漏报率和高识别率的优点,能够对跑道的低空风气变进行有效的识别,为飞机的安全起降提供了可靠的保障。
为了达到上述目的,本发明提供的基于激光雷达的CNN-RNN机场跑道风切变预警方法包括按顺序进行的下列步骤:
1)设定激光雷达的设置位置、扫描角度、扫描模式及扫描区域,利用激光雷达对扫描区域扫描得到的回波数据计算出单条激光射线上的等距径向风速数据,然后将扫描区域划分成若干个0.5海里*0.5海里的区域,由每个区域内的所有径向风速数据组成一个矩阵数据,因此扫描区域区共获得若干个矩阵数据;
2)将上述矩阵数据带入注意力机制模型进行预处理,当矩阵数据内存在与周围临近数据相差较大的径向风速数据时,降低其权重,而当其周围临近数据多次出现时,提高其权重,获得预处理后的矩阵数据;
3)将最新更新的预处理后的矩阵数据带入卷积神经网络模型进行卷积处理,并输出可供计算机识别的全连接层数据链;
4)将近期保留的全连接层数据链与由步骤3)获得的全连接层数据链一起带入循环神经网络模型中进行处理,输出预测的全连接层数据链;
5)将上述预测的全连接层数据链带入风切变数据库中,与风切变数据库中保存的全连接层数据链进行对比,若找到相似度超过85%的全连接层数据链,表明两者匹配度高,则根据与其相匹配的全连接层数据链所对应的风切变强度输出相应等级的预警信号,否则不进行预警。
在步骤1)中,所述激光雷达的设置位置、扫描角度、扫描模式及扫描区域为:激光雷达设置在机场上距离跑道中心线横向50-60米处,发出的激光中心束在地面上的投影平行于跑道,仰角为3°,采取PPI扫描模式,扫描区域为整个飞机的下降区域。
在步骤2)中,所述将上述矩阵数据带入注意力机制模型进行预处理,当矩阵数据内存在与周围临近数据相差较大的径向风速数据时,降低其权重,而当其周围临近数据多次出现时,提高其权重的具体方法为:(1)当某个径向风速数据与其周围临近数据相差较大,且其周围临近数据出现的次数较少时,对其赋予0-0.6的权重;(2)当其周围临近数据多次出现时,则对该径向风速数据赋予1-1.5的权重。
在步骤3)中,所述最新更新的矩阵数据是指近3min内的矩阵数据;所述将最新更新的预处理后的矩阵数据带入卷积神经网络模型进行卷积处理,并输出可供计算机识别的全连接层数据链的具体方法如下:(1)在卷积层中,将预处理后的矩阵数据乘以卷积核而进行卷积处理,由此提取出风切变信息的主要特征;(2)在池化层中,以在2*2矩阵中选取最大值为原则,对卷积处理后的矩阵数据进行池化处理,由此将风切变信息进行简化;(3)若池化层输出的矩阵数据规模超过所设定的阈值,重新进行上述卷积和池化处理,直至输出的矩阵数据规模不超过所设定的阈值为止;(4)将池化层输出的矩阵数据进行全连接,输出全连接层数据链,以方便计算机读取。
在步骤4)中,所述近期保留的全连接层数据链包括:(1)近十几个扫描周期内,循环神经网络模型中隐藏层和最终的输出;(2)近十几个扫描周期内,卷积神经网络模型的输出;在将这些近期保留的全连接层数据链与步骤3)获得的全连接层数据链一起带入循环神经网络模型时,在输入口处将通过全连接权重(V、U、Y)来区分重要程度,这样权重高的信息将会被关注,权重低的信息会被抑制。
本发明的优点和有效效益在于:本发明引入了AM模型,来放大矩阵数据中潜在的风切变特征,同时利用深度学习技术对有效的时空数据加以分析,从而来减小误报率,提高预测的准确性。其综合数据能力强,具有低漏报率和高识别率的优点,能够对跑道的低空风切变进行有效的识别,为飞机的安全起降提供了可靠的保障。
附图说明
图1为本发明提供的基于激光雷达的CNN-RNN机场跑道风切变预警方法流程图。
图2为本发明中将最新更新的预处理后的矩阵数据带入CNN模型进行卷积处理过程流程图。
图3为本发明中将近期保留的全连接层数据链与从CNN模型获得的全连接层数据链一起带入RNN模型中进行处理过程流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
如图1-图3所示,本发明提供的基于激光雷达的CNN-RNN机场跑道风切变预警方法包括按顺序进行的下列步骤:
1)设定激光雷达的设置位置、扫描角度、扫描模式及扫描区域,利用激光雷达对扫描区域扫描得到的回波计算出单条激光射线上的等距径向风速数据,然后将扫描区域划分成若干个0.5海里*0.5海里的区域,由每个区域内的所有径向风速数据组成一个矩阵数据,因此扫描区域区共获得若干个矩阵数据;
所述激光雷达设置在机场上距离跑道中心线横向50-60米处,发出的激光中心束在地面上的投影平行于跑道,仰角为3°,采取PPI扫描模式,扫描区域为整个飞机的下降区域;
2)将上述矩阵数据带入AM(注意力机制)模型进行预处理,当矩阵数据内存在与周围临近数据相差较大的径向风速数据时,降低其权重,而当其周围临近数据多次出现时,提高其权重,由此来降低错误数据带来的不利影响,放大矩阵数据中的主要特征,获得预处理后的矩阵数据;
具体方法为:(1)当某个径向风速数据与其周围临近数据相差较大,且其周围临近数据出现的次数较少时,对其赋予0-0.6的权重,以此来降低该径向风速数据对预测结果可靠性的影响;(2)当其周围临近数据多次出现时,则对该径向风速数据赋予1-1.5的权重,以此来放大细节,降低漏报率,提高预警的精确度。
3)将最新更新的预处理后的矩阵数据带入CNN(卷积神经网络)模型进行卷积处理,以完成简化,并输出可供计算机识别的全连接层数据链;
一般激光雷达的扫描周期多为3min,所以矩阵数据是3min更新一次,最新更新的矩阵数据是指近3min内的矩阵数据。
具体方法如下:(1)在卷积层中,将预处理后的矩阵数据乘以卷积核而进行卷积处理,由此提取出风切变信息的主要特征;(2)在池化层中,以在2*2矩阵中选取最大值为原则,对卷积处理后的矩阵数据进行池化处理,由此将风切变信息进行简化;(3)若池化层输出的矩阵数据规模超过所设定的阈值,重新进行上述卷积和池化处理,直至输出的矩阵数据规模不超过所设定的阈值为止;(4)将池化层输出的矩阵数据进行全连接,输出全连接层数据链,以方便计算机读取。
4)将近期保留的全连接层数据链与由步骤3)获得的全连接层数据链一起带入RNN(循环神经网络)模型中进行处理,输出预测的全连接层数据链;
所述近期保留的全连接层数据链包括:(1)近十几个扫描周期内,RNN模型中隐藏层和最终的输出;(2)近十几个扫描周期内,CNN模型的输出;在将这些近期保留的全连接层数据链与步骤3)获得的全连接层数据链一起带入RNN模型时,在输入口处将通过全连接权重(V、U、Y)来区分重要程度,这样权重高的信息将会被关注,权重低的信息会被抑制,获得预测的全连接层数据链。
所述RNN模型的参数以及全连接权重(V、U、Y)的数值可通过BPTT(沿时反向传播算法)确定。
5)将上述预测的全连接层数据链带入风切变数据库中,与风切变数据库中保存的全连接层数据链进行对比,若找到相似度超过85%的全连接层数据链,表明两者匹配度高,则根据与其相匹配的全连接层数据链所对应的风切变强度输出相应等级的预警信号,否则不进行预警。其中风切变数据库囊括了各式各样的全连接层数据链,这些全连接层数据链对应着常见的风切变强度等级。
Claims (5)
1.一种基于激光雷达的CNN-RNN机场跑道风切变预警方法,其特征在于:所述基于激光雷达的CNN-RNN机场跑道风切变预警方法包括按顺序进行的下列步骤:
1)设定激光雷达的设置位置、扫描角度、扫描模式及扫描区域,利用激光雷达对扫描区域扫描得到的回波数据计算出单条激光射线上的等距径向风速数据,然后将扫描区域划分成若干个0.5海里*0.5海里的区域,由每个区域内的所有径向风速数据组成一个矩阵数据,因此扫描区域区共获得若干个矩阵数据;
2)将上述矩阵数据带入注意力机制模型进行预处理,当矩阵数据内存在与周围临近数据相差较大的径向风速数据时,降低其权重,而当其周围临近数据多次出现时,提高其权重,获得预处理后的矩阵数据;
3)将最新更新的预处理后的矩阵数据带入卷积神经网络模型进行卷积处理,并输出可供计算机识别的全连接层数据链;
4)将近期保留的全连接层数据链与由步骤3)获得的全连接层数据链一起带入循环神经网络模型中进行处理,输出预测的全连接层数据链;
5)将上述预测的全连接层数据链带入风切变数据库中,与风切变数据库中保存的全连接层数据链进行对比,若找到相似度超过85%的全连接层数据链,表明两者匹配度高,则根据与其相匹配的全连接层数据链所对应的风切变强度输出相应等级的预警信号,否则不进行预警。
2.根据权利要求1所述的基于激光雷达的CNN-RNN机场跑道风切变预警方法,其特征在于:在步骤1)中,所述激光雷达的设置位置、扫描角度、扫描模式及扫描区域为:激光雷达设置在机场上距离跑道中心线横向50-60米处,发出的激光中心束在地面上的投影平行于跑道,仰角为3°,采取PPI扫描模式,扫描区域为整个飞机的下降区域。
3.根据权利要求1所述的基于激光雷达的CNN-RNN机场跑道风切变预警方法,其特征在于:在步骤2)中,所述将上述矩阵数据带入注意力机制模型进行预处理,当矩阵数据内存在与周围临近数据相差较大的径向风速数据时,降低其权重,而当其周围临近数据多次出现时,提高其权重的具体方法为:(1)当某个径向风速数据与其周围临近数据相差较大,且其周围临近数据出现的次数较少时,对其赋予0-0.6的权重;(2)当其周围临近数据多次出现时,则对该径向风速数据赋予1-1.5的权重。
4.根据权利要求1所述的基于激光雷达的CNN-RNN机场跑道风切变预警方法,其特征在于:在步骤3)中,所述最新更新的矩阵数据是指近3min内的矩阵数据;所述将最新更新的预处理后的矩阵数据带入卷积神经网络模型进行卷积处理,并输出可供计算机识别的全连接层数据链的具体方法如下:(1)在卷积层中,将预处理后的矩阵数据乘以卷积核而进行卷积处理,由此提取出风切变信息的主要特征;(2)在池化层中,以在2*2矩阵中选取最大值为原则,对卷积处理后的矩阵数据进行池化处理,由此将风切变信息进行简化;(3)若池化层输出的矩阵数据规模超过所设定的阈值,重新进行上述卷积和池化处理,直至输出的矩阵数据规模不超过所设定的阈值为止;(4)将池化层输出的矩阵数据进行全连接,输出全连接层数据链,以方便计算机读取。
5.根据权利要求1所述的基于激光雷达的CNN-RNN机场跑道风切变预警方法,其特征在于:在步骤4)中,所述近期保留的全连接层数据链包括:(1)近十几个扫描周期内,循环神经网络模型中隐藏层和最终的输出;(2)近十几个扫描周期内,卷积神经网络模型的输出;在将这些近期保留的全连接层数据链与步骤3)获得的全连接层数据链一起带入循环神经网络模型时,在输入口处将通过全连接权重(V、U、Y)来区分重要程度,这样权重高的信息将会被关注,权重低的信息会被抑制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210411064.5A CN114779278A (zh) | 2022-04-19 | 2022-04-19 | 一种基于激光雷达的cnn-rnn机场跑道风切变预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210411064.5A CN114779278A (zh) | 2022-04-19 | 2022-04-19 | 一种基于激光雷达的cnn-rnn机场跑道风切变预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114779278A true CN114779278A (zh) | 2022-07-22 |
Family
ID=82431946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210411064.5A Pending CN114779278A (zh) | 2022-04-19 | 2022-04-19 | 一种基于激光雷达的cnn-rnn机场跑道风切变预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114779278A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115494521A (zh) * | 2022-09-22 | 2022-12-20 | 中国民航大学 | 一种基于激光雷达的机场跑道低空风切变预警方法 |
-
2022
- 2022-04-19 CN CN202210411064.5A patent/CN114779278A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115494521A (zh) * | 2022-09-22 | 2022-12-20 | 中国民航大学 | 一种基于激光雷达的机场跑道低空风切变预警方法 |
CN115494521B (zh) * | 2022-09-22 | 2023-08-22 | 中国民航大学 | 一种基于激光雷达的机场跑道低空风切变预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200302808A1 (en) | Conflict Alerting Method Based On Control Voice | |
CN113868971B (zh) | 一种基于数值仿真模型及历史风场特征的机场区域三维精细化风场重构方法 | |
CN113777623B (zh) | 一种飞机尾流威胁区域预测告警方法 | |
CN106772387A (zh) | 一种风切变识别方法 | |
Wolfson et al. | Automated microburst wind-shear prediction | |
CN115494521B (zh) | 一种基于激光雷达的机场跑道低空风切变预警方法 | |
CN102902977A (zh) | 基于风场扰动特征的空中目标分类方法 | |
CN106546975A (zh) | 一种基于雷达数据的轻小型无人机与飞鸟分类识别方法 | |
CN115857059B (zh) | 一种积冰预报管理方法、系统、可读存储介质和设备 | |
CN115064009B (zh) | 一种终端区无人机与有人机冲突风险等级划分方法 | |
CN114779278A (zh) | 一种基于激光雷达的cnn-rnn机场跑道风切变预警方法 | |
CN114139566A (zh) | 基于机器学习加权平均融合特征提取提高测高精度的方法 | |
CN111624607A (zh) | 低空风切变区域的获取方法、装置、设备和存储介质 | |
CN110764083B (zh) | 毫米波雷达防入侵的数据融合方法及系统 | |
CN109581381B (zh) | 基于垂直载荷因子的增强型湍流检测方法 | |
Zuo et al. | Identification of convective and stratiform clouds based on the improved DBSCAN clustering algorithm | |
CN112946655B (zh) | 基于近地面散度场的下击暴流识别方法、设备及存储介质 | |
CN113868970B (zh) | 一种基于数值仿真模型及中尺度气象模式的机场区域多源风场融合方法 | |
Zheng et al. | Research on Channel Optimization of Ads-B Aviation Target Surveillance Radar Based on Improved Filtering Algorithm | |
Shen et al. | Aircraft wake recognition and strength classification based on deep learning | |
CN115662196A (zh) | 飞机积冰预报信息处理方法、装置、电子设备及存储介质 | |
Yang et al. | Shape feature aided target detection method for micro-drone surveillance radar | |
CN111796247B (zh) | 一种基于微多普勒效应的群组无人机回波仿真方法 | |
Shen et al. | Weather radar echo prediction method based on recurrent convolutional neural network | |
Yang et al. | Study on the trajectory positioning and prediction framework of unmanned aerial vehicle based on long short-term memory neural network |
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 |