CN115292656B - 一种基于模糊逻辑的飞机积冰预测方法和装置 - Google Patents

一种基于模糊逻辑的飞机积冰预测方法和装置 Download PDF

Info

Publication number
CN115292656B
CN115292656B CN202211177714.0A CN202211177714A CN115292656B CN 115292656 B CN115292656 B CN 115292656B CN 202211177714 A CN202211177714 A CN 202211177714A CN 115292656 B CN115292656 B CN 115292656B
Authority
CN
China
Prior art keywords
icing
index equation
aircraft
sub
data
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
CN202211177714.0A
Other languages
English (en)
Other versions
CN115292656A (zh
Inventor
李书一
王叶
陈云刚
林超
叶先才
蔡昌洪
方璘王昊
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.)
Beijing Hongxiang Technology Co ltd
Original Assignee
Beijing Hongxiang Technology Co ltd
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 Beijing Hongxiang Technology Co ltd filed Critical Beijing Hongxiang Technology Co ltd
Priority to CN202211177714.0A priority Critical patent/CN115292656B/zh
Publication of CN115292656A publication Critical patent/CN115292656A/zh
Application granted granted Critical
Publication of CN115292656B publication Critical patent/CN115292656B/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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/12—Simultaneous equations, e.g. systems of linear equations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Databases & Information Systems (AREA)
  • Fuzzy Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于模糊逻辑的飞机积冰预测方法和装置，涉及飞机积冰预测的技术领域，包括：获取待预测区域的目标数据，并基于模糊逻辑构建目标数据对应的隶属度函数；基于目标数据、隶属度函数和隶属度函数对应的权重因子，构建预报指数方程组；基于预报指数方程组和待预测区域对应的实际飞机积冰数据集，计算出每个预报指数方程对应的虚警率和正确率；基于每个预报指数方程对应的虚警率和正确率，构建ROC曲线图，并基于ROC曲线图，确定出目标预报指数方程；基于目标预报指数方程对应的虚警率和正确率和实际飞机积冰数据集，确定待预测区域的飞机积冰严重程度的判别阈值，解决了现有的飞机积冰预测方法的预测准确率较低的技术问题。

Description

一种基于模糊逻辑的飞机积冰预测方法和装置
技术领域
本发明涉及飞机积冰预测的技术领域，尤其是涉及一种基于模糊逻辑的飞机积冰预测方法和装置。
背景技术
航班安全、高效、经济的运行与天气条件密切相关，探究飞行过程中的天气状况是保障安全飞行的重要一环。飞机积冰是指飞机在飞行过程中，空气或云层中的过冷液态水撞击暴露的机身表面凝结成冰的现象，冰晶的附着会改变机身原有的气动外形，导致升力减小，阻力增大，对飞机的操纵与稳定造成一定的影响，积冰严重时，可能会导致仪表不准，飞机失去控制，甚至造成机毁人亡的事故。目前客机上装载的防/除冰设备仅能够在结冰前或者结冰初期较好的发挥作用，因此提供准确的飞机积冰预报仍是保障航空安全的重点之一。
目前针对飞机积冰概率及强度预测领域主要形成了一些基于气象条件的经验公式和统计预报方程。这些算法从积冰形成的机理出发，得到表征飞机积冰的预报指数，如美国国家大气研究中心开发的T-RH算法、RAOB积冰预报方案、国际民航组织推荐的IC积冰预测指数、FIP算法、CIP算法以及气象学开发服务中心的基于温度、湿度、水蒸气混合比以及垂直速度的预测算法等。
需要指出的是大气环境具有多变性，在飞行过程中，影响积冰形成的气象要素并不是确定性的，而是在一定的范围内波动，垂直和水平方向都可能发生意想不到的变化。使用确定性的阈值作为积冰的判别条件，会存在较大的漏报或虚警，并不能够合理的表征积冰形成的情况。
针对上述问题，还未提出有效的解决方案。
发明内容
有鉴于此，本发明的目的在于提供一种基于模糊逻辑的飞机积冰预测方法和装置，以缓解了现有的飞机积冰预测方法的预测准确率较低的技术问题。
第一方面，本发明实施例提供了一种基于模糊逻辑的飞机积冰预测方法，包括：获取待预测区域的目标数据，并基于模糊逻辑构建所述目标数据对应的隶属度函数，其中，所述目标数据包括：云中液态水含量，大气温度，相对湿度和垂直速度；基于所述目标数据、所述隶属度函数和所述隶属度函数对应的权重因子，构建预报指数方程组，其中，所述预报指数方程组中包含多个预报指数方程，每个预报指数方程中的隶属度函数对应的权重因子不同；基于所述预报指数方程组和所述待预测区域对应的实际飞机积冰数据集，计算出每个预报指数方程对应的虚警率和正确率，其中，所述实际飞机积冰数据集用于表征飞机在所述待预测区域飞行时是否积冰和积冰严重程度；基于每个预报指数方程对应的虚警率和正确率，构建ROC曲线图，并基于所述ROC曲线图，确定出目标预报指数方程，其中，所述目标预报指数方程为所述ROC曲线图中距离对角线最远的ROC曲线对应的预报指数方程；基于所述目标预报指数方程对应的虚警率和正确率和所述实际飞机积冰数据集，确定所述待预测区域的飞机积冰严重程度的判别阈值。
进一步地，所述目标数据对应的隶属度函数包括：大气温度隶属度函数，相对湿度隶属度函数和垂直速度隶属度函数；所述大气温度隶属度函数为
Figure DEST_PATH_IMAGE002
，
Figure DEST_PATH_IMAGE004
为大气温度隶属度，
Figure DEST_PATH_IMAGE006
和
Figure DEST_PATH_IMAGE008
为扩展梯形隶属度函数的脚点，
Figure DEST_PATH_IMAGE010
和
Figure DEST_PATH_IMAGE012
为扩展梯形隶属度函数的顶点，
Figure DEST_PATH_IMAGE014
为大气温度；所述相对湿度隶属度函数为
Figure DEST_PATH_IMAGE016
，其中，
Figure DEST_PATH_IMAGE018
为相对湿度隶属度，
Figure DEST_PATH_IMAGE020
为扩展梯形隶属度函数的脚点，
Figure DEST_PATH_IMAGE022
为扩展梯形隶属度函数的顶点，
Figure DEST_PATH_IMAGE024
为相对湿度；所述垂直速度隶属度函数为
Figure DEST_PATH_IMAGE026
，其中，
Figure DEST_PATH_IMAGE028
为垂直速度隶属度，
Figure DEST_PATH_IMAGE030
为尖Γ形隶属度函数的顶点，
Figure DEST_PATH_IMAGE032
为垂直速度。
进一步地，所述预报指数方程为
Figure DEST_PATH_IMAGE034
其中，
Figure DEST_PATH_IMAGE036
为所述飞机积冰阈值，
Figure DEST_PATH_IMAGE038
为所述云中液态水含量，
Figure DEST_PATH_IMAGE040
、
Figure DEST_PATH_IMAGE042
和
Figure DEST_PATH_IMAGE044
为权重因子，
Figure DEST_PATH_IMAGE046
。
进一步地，所述待预测区域的实际飞机积冰数据集包括：第一子实际飞机积冰数据集和第二子实际飞机积冰数据集，则基于所述预报指数方程组和所述待预测区域对应的实际飞机积冰数据集，计算出每个预报指数方程对应的虚警率和正确率，包括：将所述第一子实际飞机积冰数据集中的每个第一子实际飞机积冰数据对应的目标数据分别输入至初始预报指数方程，得到第一预设数量个第一飞机积冰阈值，其中，所述初始预报指数方程为所述预报指数方程组中任意一个预报指数方程，所述第一预设数量为所述第一子实际飞机积冰数据的数量；将所述第二子实际飞机积冰数据集中的每个第二子实际飞机积冰数据对应的目标数据分别输入至所述初始预报指数方程，得到第二预设数量个第二飞机积冰阈值，其中，所述第二预设数量为所述第二子实际飞机积冰数据的数量；基于所述第一预设数量个第一飞机积冰阈值、所述第二预设数量个第二飞机积冰阈值和所述第二子实际飞机积冰数据集，确定出所述初始预报指数方程对应的第一预设数量个虚警率和第一预设数量个正确率。
进一步地，所述虚警率为
Figure DEST_PATH_IMAGE048
，其中，
Figure DEST_PATH_IMAGE050
为虚警值，
Figure DEST_PATH_IMAGE052
为所述第二子实际飞机积冰数据集包含的非积冰第二子实际飞机积冰数据中第二飞机积冰阈值大于对应的目标第一飞机积冰阈值的第二子实际飞机积冰数据，
Figure DEST_PATH_IMAGE054
为所述第二子实际飞机积冰数据集包含的非积冰第二子实际飞机积冰数据中第二飞机积冰阈值小于或等于对应的目标第一飞机积冰阈值的第二子实际飞机积冰数据；所述正确率
Figure DEST_PATH_IMAGE056
，其中，
Figure DEST_PATH_IMAGE058
为正确率，
Figure DEST_PATH_IMAGE060
所述第二子实际飞机积冰数据集包含的积冰第二子实际飞机积冰数据中第二飞机积冰阈值大于对应的目标第一飞机积冰阈值的第二子实际飞机积冰数据，
Figure DEST_PATH_IMAGE062
为所述第二子实际飞机积冰数据集包含的非积冰第二子实际飞机积冰数据中第二飞机积冰阈值小于或等于对应的目标第一飞机积冰阈值的第二子实际飞机积冰数据。
进一步地，基于所述目标预报指数方程对应的虚警率和正确率和所述实际飞机积冰数据集，确定所述待预测区域的飞机积冰严重程度的判别阈值，包括：基于所述目标预报指数方程对应的虚警率和正确率和所述实际飞机积冰数据集，分别构建每种积冰严重程度对应的TSS曲线，其中，
Figure DEST_PATH_IMAGE064
；基于每种积冰严重程度对应的TSS曲线，确定出每种积冰严重程度对应的判别阈值。
进一步地，所述积冰严重程度包括：微量积冰、轻度积冰、中度积冰和严重积冰。
第二方面，本发明实施例还提供了一种基于模糊逻辑的飞机积冰预测装置，包括：获取单元，构建单元，计算单元，第一确定单元和第二确定单元，其中，所述获取单元，用于获取待预测区域的目标数据，并基于模糊逻辑构建所述目标数据对应的隶属度函数，其中，所述目标数据包括：云中液态水含量，大气温度，相对湿度和垂直速度；所述构建单元，用于基于所述目标数据、所述隶属度函数和所述隶属度函数对应的权重因子，构建预报指数方程组，其中，所述预报指数方程组中包含多个预报指数方程，每个预报指数方程中的隶属度函数对应的权重因子不同；所述计算单元，用于基于所述预报指数方程组和所述待预测区域对应的实际飞机积冰数据集，计算出每个预报指数方程对应的虚警率和正确率，其中，所述实际飞机积冰数据集用于表征飞机在所述待预测区域飞行时是否积冰和积冰严重程度；所述第一确定单元，用于基于每个预报指数方程对应的虚警率和正确率，构建ROC曲线图，并基于所述ROC曲线图，确定出目标预报指数方程，其中，所述目标预报指数方程为所述ROC曲线图中距离对角线最远的ROC曲线对应的预报指数方程；所述第二确定单元，用于基于所述目标预报指数方程对应的虚警率和正确率和所述实际飞机积冰数据集，确定所述待预测区域的飞机积冰严重程度的判别阈值。
第三方面，本发明实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述第一方面中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
第四方面，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序。
在本发明实施例中，通过获取待预测区域的目标数据，并基于模糊逻辑构建所述目标数据对应的隶属度函数，其中，所述目标数据包括：云中液态水含量，大气温度，相对湿度和垂直速度；基于所述目标数据、所述隶属度函数和所述隶属度函数对应的权重因子，构建预报指数方程组，其中，所述预报指数方程组中包含多个预报指数方程，每个预报指数方程中的隶属度函数对应的权重因子不同；基于所述预报指数方程组和所述待预测区域对应的实际飞机积冰数据集，计算出每个预报指数方程对应的虚警率和正确率，其中，所述实际飞机积冰数据集用于表征飞机在所述待预测区域飞行时是否积冰和积冰严重程度；基于每个预报指数方程对应的虚警率和正确率，构建ROC曲线图，并基于所述ROC曲线图，确定出目标预报指数方程，其中，所述目标预报指数方程为所述ROC曲线图中距离对角线最远的ROC曲线对应的预报指数方程；基于所述目标预报指数方程对应的虚警率和正确率和所述实际飞的机积冰数据集，确定所述待预测区域的飞机积冰严重程度的判别阈值，达到了能够利用目标预报指数方程和飞机积冰严重程度的判别阈值对待预测区域进行精准飞机积冰预测的目的，进而解决了现有的飞机积冰预测方法的预测准确率较低的技术问题，从而实现了提高飞机积冰预测的预测准确率的技术效果。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于模糊逻辑的飞机积冰预测方法的流程图；
图2为本发明实施例提供的一种基于模糊逻辑的飞机积冰预测装置的示意图；
图3为本发明实施例提供的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
实施例一：
根据本发明实施例，提供了一种基于模糊逻辑的飞机积冰预测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种基于模糊逻辑的飞机积冰预测方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取待预测区域的目标数据，并基于模糊逻辑构建所述目标数据对应的隶属度函数，其中，所述目标数据包括：云中液态水含量，大气温度，相对湿度和垂直速度；
具体的，在本发明实施例中，所述目标数据对应的隶属度函数包括：大气温度隶属度函数，相对湿度隶属度函数和垂直速度隶属度函数。
所述大气温度隶属度函数为
Figure DEST_PATH_IMAGE065
，
Figure DEST_PATH_IMAGE066
为大气温度隶属度，
Figure 234219DEST_PATH_IMAGE006
和
Figure 151359DEST_PATH_IMAGE008
为扩展梯形隶属度函数的脚点，
Figure 931096DEST_PATH_IMAGE010
和
Figure 936093DEST_PATH_IMAGE012
为扩展梯形隶属度函数的顶点，
Figure 750465DEST_PATH_IMAGE014
为大气温度；
所述相对湿度隶属度函数为
Figure DEST_PATH_IMAGE067
，其中，
Figure 448294DEST_PATH_IMAGE018
为相对湿度隶属度，
Figure 715327DEST_PATH_IMAGE020
为扩展梯形隶属度函数的脚点，
Figure DEST_PATH_IMAGE068
为扩展梯形隶属度函数的顶点，
Figure DEST_PATH_IMAGE069
为相对湿度；
所述垂直速度隶属度函数为
Figure 789593DEST_PATH_IMAGE026
，其中，
Figure 458472DEST_PATH_IMAGE028
为垂直速度隶属度，
Figure 327202DEST_PATH_IMAGE030
为尖Γ形隶属度函数的顶点，
Figure DEST_PATH_IMAGE070
为垂直速度。
云中液态水的存在是积冰形成的必要条件。在低于冰点的温度下，飞机穿越含有液态水的云层，液滴与机身碰撞凝结成冰的概率很大，液滴的数量和大小也会影响积冰形成的区域和种类。研究表明，利用云液态水含量来预测积冰会降低检出率，但同时也会减少对积冰严重程度的过度预测。因此，将云中液态水含量作为判别积冰的首要条件进一步提高预测的准确率，降低虚警。
影响积冰形成的气象要素有多种，除上述云中液态水之外，温度、相对湿度以及垂直速度也对积冰产生较为直接的影响，且它们的值在一定范围内波动，特别是在垂直方向上，可能会存在相当大的差异，为降低这种不确定性的影响，引入模糊逻辑进一步泛化积冰预测指数。假设这些气象要素对积冰可能性的影响相互独立，当云中液态水含量大于0 kg/kg时，将公式分为三个部分，分别表征温度、相对湿度以及垂直速度对积冰的影响范围，在此基础上构建预报指数方程。
步骤S104，基于所述目标数据、所述隶属度函数和所述隶属度函数对应的权重因子，构建预报指数方程组，其中，所述预报指数方程组中包含多个预报指数方程，每个预报指数方程中的隶属度函数对应的权重因子不同；
在本发明实施例中，预报指数方程为
Figure 81531DEST_PATH_IMAGE034
其中，
Figure 818543DEST_PATH_IMAGE036
为所述飞机积冰阈值，
Figure 482874DEST_PATH_IMAGE038
为所述云中液态水含量，
Figure 912718DEST_PATH_IMAGE040
、
Figure 154344DEST_PATH_IMAGE042
和
Figure 39254DEST_PATH_IMAGE044
为权重因子，
Figure 682725DEST_PATH_IMAGE046
。
另外，需要说明的是，在本发明实施例中，是以0.1为单位列出三个权重因子能够组成的所有集合，如表1所示，分别带入预报指数方程，得到对应的预报指数方程组。
表1
Figure DEST_PATH_IMAGE072
步骤S106，基于所述预报指数方程组和所述待预测区域对应的实际飞机积冰数据集，计算出每个预报指数方程对应的虚警率和正确率，其中，所述实际飞机积冰数据集用于表征飞机在所述待预测区域飞行时是否积冰和积冰严重程度；
步骤S108，基于每个预报指数方程对应的虚警率和正确率，构建ROC曲线图，并基于所述ROC曲线图，确定出目标预报指数方程，其中，所述目标预报指数方程为所述ROC曲线图中距离对角线最远的ROC曲线对应的预报指数方程；
步骤S110，基于所述目标预报指数方程对应的虚警率和正确率和所述实际飞机积冰数据集，确定所述待预测区域的飞机积冰严重程度的判别阈值。
在本发明实施例中，通过获取待预测区域的目标数据，并基于模糊逻辑构建所述目标数据对应的隶属度函数，其中，所述目标数据包括：云中液态水含量，大气温度，相对湿度和垂直速度；基于所述目标数据、所述隶属度函数和所述隶属度函数对应的权重因子，构建预报指数方程组，其中，所述预报指数方程组中包含多个预报指数方程，每个预报指数方程中的隶属度函数对应的权重因子不同；基于所述预报指数方程组和所述待预测区域对应的实际飞机积冰数据集，计算出每个预报指数方程对应的虚警率和正确率，其中，所述实际飞机积冰数据集用于表征飞机在所述待预测区域飞行时是否积冰和积冰严重程度；基于每个预报指数方程对应的虚警率和正确率，构建ROC曲线图，并基于所述ROC曲线图，确定出目标预报指数方程，其中，所述目标预报指数方程为所述ROC曲线图中距离对角线最远的ROC曲线对应的预报指数方程；基于所述目标预报指数方程对应的虚警率和正确率和所述实际飞的机积冰数据集，确定所述待预测区域的飞机积冰严重程度的判别阈值，达到了能够利用目标预报指数方程和飞机积冰严重程度的判别阈值对待预测区域进行精准飞机积冰预测的目的，进而解决了现有的飞机积冰预测方法的预测准确率较低的技术问题，从而实现了提高飞机积冰预测的预测准确率的技术效果。
在本发明实施例中，所述待预测区域的实际飞机积冰数据集包括：第一子实际飞机积冰数据集和第二子实际飞机积冰数据集，步骤S106包括如下步骤：
步骤S11，将所述第一子实际飞机积冰数据集中的每个第一子实际飞机积冰数据对应的目标数据分别输入至初始预报指数方程，得到第一预设数量个第一飞机积冰阈值，其中，所述初始预报指数方程为所述预报指数方程组中任意一个预报指数方程，所述第一预设数量为所述第一子实际飞机积冰数据的数量；
步骤S12，将所述第二子实际飞机积冰数据集中的每个第二子实际飞机积冰数据对应的目标数据分别输入至所述初始预报指数方程，得到第二预设数量个第二飞机积冰阈值，其中，所述第二预设数量为所述第二子实际飞机积冰数据的数量；
步骤S13，基于所述第一预设数量个第一飞机积冰阈值、所述第二预设数量个第二飞机积冰阈值和所述第二子实际飞机积冰数据集，确定出所述初始预报指数方程对应的第一预设数量个虚警率和第一预设数量个正确率。
需要说明的是，所述虚警率为
Figure DEST_PATH_IMAGE073
，其中，
Figure DEST_PATH_IMAGE074
为虚警值，
Figure 893258DEST_PATH_IMAGE052
为所述第二子实际飞机积冰数据集包含的非积冰第二子实际飞机积冰数据中第二飞机积冰阈值大于对应的目标第一飞机积冰阈值的第二子实际飞机积冰数据，
Figure 622179DEST_PATH_IMAGE054
为所述第二子实际飞机积冰数据集包含的非积冰第二子实际飞机积冰数据中第二飞机积冰阈值小于或等于对应的目标第一飞机积冰阈值的第二子实际飞机积冰数据；
所述正确率
Figure DEST_PATH_IMAGE075
，其中，
Figure 576360DEST_PATH_IMAGE058
为正确率，
Figure 74337DEST_PATH_IMAGE060
所述第二子实际飞机积冰数据集包含的积冰第二子实际飞机积冰数据中第二飞机积冰阈值大于对应的目标第一飞机积冰阈值的第二子实际飞机积冰数据，
Figure 845984DEST_PATH_IMAGE062
为所述第二子实际飞机积冰数据集包含的非积冰第二子实际飞机积冰数据中第二飞机积冰阈值小于或等于对应的目标第一飞机积冰阈值的第二子实际飞机积冰数据。
下面以预报指数方程组中任意一个预报指数方程（即，初始预报指数方程）为例，对上述步骤进行说明。
第一子实际飞机积冰数据集中包含115例第一子实际飞机积冰数据，将115例第一子实际飞机积冰数据对应的目标数据分别输入预报指数方程，从而得到115个第一飞机积冰阈值。
第二子实际飞机积冰数据集中包含不同时次的200例第二子实际飞机积冰数据，将200例第二子实际飞机积冰数据对应的目标数据分别输入至预报指数方程，得到第二预设数量个第二飞机积冰阈值。
然后，对于115个第一飞机积冰阈值中的任意一个第一飞机积冰阈值来说，以第一为0.3为例。
如果200例第二子实际飞机积冰数据中包含120例第二子实际飞机积冰数据为非积冰实际飞机积冰数据，80例第二子实际飞机积冰数据为积冰实际飞机积冰数据。
如果120例第二子实际飞机积冰数据为非积冰实际飞机积冰数据中有40例第二子实际飞机积冰数据对应的第二飞机积冰阈值大于0.3，有80例第二子实际飞机积冰数据对应的第二飞机积冰阈值小于或等于0.3，则该初始预报指数方程对应的虚警率
Figure DEST_PATH_IMAGE077
。
如果80例第二子实际飞机积冰数据为积冰实际飞机积冰数据中有60例第二子实际飞机积冰数据对应的第二飞机积冰阈值大于0.3，有20例第二子实际飞机积冰数据对应的第二飞机积冰阈值小于或等于0.3，则该初始预报指数方程对应的正确率
Figure DEST_PATH_IMAGE079
。
对于115例第一飞机积冰阈值分别执行上述步骤，从而得到初始预报指数方程对应的115例虚警率和115例正确率。
对于上述预报指数方程组中的所有预报指数方程均执行上述步骤，从而得到预报指数方程组中的每个预报指数方程对应的115个虚警率和115个正确率。
最后，每个预报指数方程对应的115个虚警率和115个正确率，将虚警率作为x，正确率作为y，进一步绘制每个预报指数方程的ROC曲线。由于ROC曲线用于评估不同预报指数方程对飞机积冰预测的适用性和行为，曲线越远离对角线表示该预报指数方程性能越优，选择曲线越远离对角线最远的ROC曲线对应的预报指数方程作为目标预报指数方程。
在本发明实施例中，步骤S110包括如下步骤：
步骤S21，基于所述目标预报指数方程对应的虚警率和正确率和所述实际飞机积冰数据集，分别构建每种积冰严重程度对应的TSS曲线，其中，
Figure DEST_PATH_IMAGE080
；
步骤S22，基于每种积冰严重程度对应的TSS曲线，确定出每种积冰严重程度对应的判别阈值。
需要说明的是，积冰严重程度包括：微量积冰、轻度积冰、中度积冰和严重积冰。
在本发明实施例中，积冰严重程度对待预测区域的实际飞机积冰数据集中的实际飞机积冰数据进行分类，并绘制出每种积冰严重程度对应的TSS曲线，由于TSS的取值范围为[-1，1]，在实际预测的过程中，不存在为1或者-1的情况，正确率和虚警率需要有一个合理的折中，据此确定出积冰严重程度的判别阈值。
在确定出目标预报指数方程和待预测区域的飞机积冰严重程度的判别阈值之后，利用目标预报指数方程和待预测区域的飞机积冰严重程度的判别阈值对待预测区域的飞机积冰进行预测。
本发明实施例从飞机积冰形成的机理出发，建立了一种基于模糊逻辑的多因子积冰预报方程，综合考虑影响积冰的气象要素，降低了单一要素或者仅考虑温度及相对湿度的两个要素表征积冰欠佳的影响，并使积冰预报的漏报与虚警得到改善，为飞行员、签派和空管工作人员提供航路上更加合理的天气情况，更好的进行飞行品质监控。
另外，将模糊逻辑引入积冰预测领域，考虑影响飞机积冰的气象要素不断波动的影响，克服现有技术方法使用确定性阈值预报积冰的不足，通过隶属度函数将离散的气象数据模糊化，再进一步去模糊即可得到积冰发生的概率，能够更加直观、简单的表征飞机积冰，且隶属度函数可以根据目标区域灵活调整，使得在积冰预测上达到更高的精度。
实施例二：
本发明实施例还提供了一种基于模糊逻辑的飞机积冰预测装置，该基于模糊逻辑的飞机积冰预测装置用于执行本发明实施例上述内容所提供的基于模糊逻辑的飞机积冰预测方法，以下是本发明实施例提供的基于模糊逻辑的飞机积冰预测装置的具体介绍。
如图2所示，图2为上述基于模糊逻辑的飞机积冰预测装置的示意图，该基于模糊逻辑的飞机积冰预测装置包括：获取单元10，构建单元20，计算单元30，第一确定单元40和第二确定单元50。
所述获取单元，用于获取待预测区域的目标数据，并基于模糊逻辑构建所述目标数据对应的隶属度函数，其中，所述目标数据包括：云中液态水含量，大气温度，相对湿度和垂直速度；
所述构建单元，用于基于所述目标数据、所述隶属度函数和所述隶属度函数对应的权重因子，构建预报指数方程组，其中，所述预报指数方程组中包含多个预报指数方程，每个预报指数方程中的隶属度函数对应的权重因子不同；
所述计算单元，用于基于所述预报指数方程组和所述待预测区域对应的实际飞机积冰数据集，计算出每个预报指数方程对应的虚警率和正确率，其中，所述实际飞机积冰数据集用于表征飞机在所述待预测区域飞行时是否积冰和积冰严重程度；
所述第一确定单元，用于基于每个预报指数方程对应的虚警率和正确率，构建ROC曲线图，并基于所述ROC曲线图，确定出目标预报指数方程，其中，所述目标预报指数方程为所述ROC曲线图中距离对角线最远的ROC曲线对应的预报指数方程；
所述第二确定单元，用于基于所述目标预报指数方程对应的虚警率和正确率和所述实际飞机积冰数据集，确定所述待预测区域的飞机积冰严重程度的判别阈值。
在本发明实施例中，通过获取待预测区域的目标数据，并基于模糊逻辑构建所述目标数据对应的隶属度函数，其中，所述目标数据包括：云中液态水含量，大气温度，相对湿度和垂直速度；基于所述目标数据、所述隶属度函数和所述隶属度函数对应的权重因子，构建预报指数方程组，其中，所述预报指数方程组中包含多个预报指数方程，每个预报指数方程中的隶属度函数对应的权重因子不同；基于所述预报指数方程组和所述待预测区域对应的实际飞机积冰数据集，计算出每个预报指数方程对应的虚警率和正确率，其中，所述实际飞机积冰数据集用于表征飞机在所述待预测区域飞行时是否积冰和积冰严重程度；基于每个预报指数方程对应的虚警率和正确率，构建ROC曲线图，并基于所述ROC曲线图，确定出目标预报指数方程，其中，所述目标预报指数方程为所述ROC曲线图中距离对角线最远的ROC曲线对应的预报指数方程；基于所述目标预报指数方程对应的虚警率和正确率和所述实际飞的机积冰数据集，确定所述待预测区域的飞机积冰严重程度的判别阈值，达到了能够利用目标预报指数方程和飞机积冰严重程度的判别阈值对待预测区域进行精准飞机积冰预测的目的，进而解决了现有的飞机积冰预测方法的预测准确率较低的技术问题，从而实现了提高飞机积冰预测的预测准确率的技术效果。
实施例三：
本发明实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述实施例一中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
参见图3，本发明实施例还提供一种电子设备100，包括：处理器60，存储器61，总线62和通信接口63，所述处理器60、通信接口63和存储器61通过总线62连接；处理器60用于执行存储器61中存储的可执行模块，例如计算机程序。
其中，存储器61可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口63（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线62可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器61用于存储程序，所述处理器60在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器60中，或者由处理器60实现。
处理器60可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器60中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器60可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器61，处理器60读取存储器61中的信息，结合其硬件完成上述方法的步骤。
实施例四：
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例一中所述方法的步骤。
另外，在本发明实施例的描述中，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，可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“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”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种基于模糊逻辑的飞机积冰预测方法，其特征在于，包括：
获取待预测区域的目标数据，并基于模糊逻辑构建所述目标数据对应的隶属度函数，其中，所述目标数据包括：云中液态水含量，大气温度，相对湿度和垂直速度；
基于所述目标数据、所述隶属度函数和所述隶属度函数对应的权重因子，构建预报指数方程组，其中，所述预报指数方程组中包含多个预报指数方程，每个预报指数方程中的隶属度函数对应的权重因子不同；
基于所述预报指数方程组和所述待预测区域对应的实际飞机积冰数据集，计算出每个预报指数方程对应的虚警率和正确率，其中，所述实际飞机积冰数据集用于表征飞机在所述待预测区域飞行时是否积冰和积冰严重程度；
基于每个预报指数方程对应的虚警率和正确率，构建ROC曲线图，并基于所述ROC曲线图，确定出目标预报指数方程，其中，所述目标预报指数方程为所述ROC曲线图中距离对角线最远的ROC曲线对应的预报指数方程；
基于所述目标预报指数方程对应的虚警率和正确率和所述实际飞机积冰数据集，确定所述待预测区域的飞机积冰严重程度的判别阈值。
2.根据权利要求1所述的方法，其特征在于，
所述目标数据对应的隶属度函数包括：大气温度隶属度函数，相对湿度隶属度函数和垂直速度隶属度函数；
所述大气温度隶属度函数为
Figure P_221124085608251_251284001
，
Figure P_221124085608298_298125002
为大气温度隶属度，
Figure P_221124085608313_313767003
和
Figure P_221124085608345_345021004
为扩展梯形隶属度函数的脚点，
Figure P_221124085608360_360645005
和
Figure P_221124085608376_376268006
为扩展梯形隶属度函数的顶点，
Figure P_221124085608409_409420007
为大气温度；
所述相对湿度隶属度函数为
Figure P_221124085608425_425114001
，其中，
Figure P_221124085608456_456819002
为相对湿度隶属度，
Figure P_221124085608488_488088003
为扩展梯形隶属度函数的脚点，
Figure P_221124085608503_503686004
为扩展梯形隶属度函数的顶点，
Figure P_221124085608534_534937005
为相对湿度；
所述垂直速度隶属度函数为
Figure P_221124085608550_550584001
，其中，
Figure P_221124085608581_581827002
为垂直速度隶属度，
Figure P_221124085608633_633057003
为尖Γ形隶属度函数的顶点，
Figure P_221124085608871_871391004
为垂直速度。
3.根据权利要求2所述的方法，其特征在于，
所述预报指数方程为
Figure P_221124085608933_933870001
，其中，
Figure P_221124085608965_965136002
为飞机积冰阈值，
Figure P_221124085608980_980754003
为所述云中液态水含量，
Figure P_221124085609015_015859004
、
Figure P_221124085609032_032021005
和
Figure P_221124085609047_047672006
为权重因子，
Figure P_221124085609078_078890007
。
4.根据权利要求1所述的方法，其特征在于，所述待预测区域的实际飞机积冰数据集包括：第一子实际飞机积冰数据集和第二子实际飞机积冰数据集，则基于所述预报指数方程组和所述待预测区域对应的实际飞机积冰数据集，计算出每个预报指数方程对应的虚警率和正确率，包括：
将所述第一子实际飞机积冰数据集中的每个第一子实际飞机积冰数据对应的目标数据分别输入至初始预报指数方程，得到第一预设数量个第一飞机积冰阈值，其中，所述初始预报指数方程为所述预报指数方程组中任意一个预报指数方程，所述第一预设数量为所述第一子实际飞机积冰数据的数量；
将所述第二子实际飞机积冰数据集中的每个第二子实际飞机积冰数据对应的目标数据分别输入至所述初始预报指数方程，得到第二预设数量个第二飞机积冰阈值，其中，所述第二预设数量为所述第二子实际飞机积冰数据的数量；
基于所述第一预设数量个第一飞机积冰阈值、所述第二预设数量个第二飞机积冰阈值和所述第二子实际飞机积冰数据集，确定出所述初始预报指数方程对应的第一预设数量个虚警率和第一预设数量个正确率。
5.根据权利要求4所述的方法，其特征在于，
所述虚警率为
Figure M_221124085609094_094532001
，其中，
Figure M_221124085609141_141385002
为虚警值，
Figure M_221124085609157_157020003
为所述第二子实际飞机积冰数据集包含的非积冰第二子实际飞机积冰数据中第二飞机积冰阈值大于对应的目标第一飞机积冰阈值的第二子实际飞机积冰数据，
Figure M_221124085609188_188280004
为所述第二子实际飞机积冰数据集包含的非积冰第二子实际飞机积冰数据中第二飞机积冰阈值小于或等于对应的目标第一飞机积冰阈值的第二子实际飞机积冰数据；
所述正确率
Figure M_221124085609207_207268001
，其中，
Figure M_221124085609239_239053002
为正确率，
Figure M_221124085609254_254668003
所述第二子实际飞机积冰数据集包含的积冰第二子实际飞机积冰数据中第二飞机积冰阈值大于对应的目标第一飞机积冰阈值的第二子实际飞机积冰数据，
Figure M_221124085609285_285926004
为所述第二子实际飞机积冰数据集包含的非积冰第二子实际飞机积冰数据中第二飞机积冰阈值小于或等于对应的目标第一飞机积冰阈值的第二子实际飞机积冰数据。
6.根据权利要求5所述的方法，其特征在于，基于所述目标预报指数方程对应的虚警率和正确率和所述实际飞机积冰数据集，确定所述待预测区域的飞机积冰严重程度的判别阈值，包括：
基于所述目标预报指数方程对应的虚警率和正确率和所述实际飞机积冰数据集，分别构建每种积冰严重程度对应的TSS曲线，其中，
Figure M_221124085609301_301552001
；
基于每种积冰严重程度对应的TSS曲线，确定出每种积冰严重程度对应的判别阈值。
7.根据权利要求6所述的方法，其特征在于，
所述积冰严重程度包括：微量积冰、轻度积冰、中度积冰和严重积冰。
8.一种基于模糊逻辑的飞机积冰预测装置，其特征在于，包括：获取单元，构建单元，计算单元，第一确定单元和第二确定单元，其中，
所述获取单元，用于获取待预测区域的目标数据，并基于模糊逻辑构建所述目标数据对应的隶属度函数，其中，所述目标数据包括：云中液态水含量，大气温度，相对湿度和垂直速度；
所述构建单元，用于基于所述目标数据、所述隶属度函数和所述隶属度函数对应的权重因子，构建预报指数方程组，其中，所述预报指数方程组中包含多个预报指数方程，每个预报指数方程中的隶属度函数对应的权重因子不同；
所述计算单元，用于基于所述预报指数方程组和所述待预测区域对应的实际飞机积冰数据集，计算出每个预报指数方程对应的虚警率和正确率，其中，所述实际飞机积冰数据集用于表征飞机在所述待预测区域飞行时是否积冰和积冰严重程度；
所述第一确定单元，用于基于每个预报指数方程对应的虚警率和正确率，构建ROC曲线图，并基于所述ROC曲线图，确定出目标预报指数方程，其中，所述目标预报指数方程为所述ROC曲线图中距离对角线最远的ROC曲线对应的预报指数方程；
所述第二确定单元，用于基于所述目标预报指数方程对应的虚警率和正确率和所述实际飞机积冰数据集，确定所述待预测区域的飞机积冰严重程度的判别阈值。
9.一种电子设备，其特征在于，包括存储器以及处理器，所述存储器用于存储支持处理器执行权利要求1至7任一项所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
10.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，计算机程序被处理器运行时执行上述权利要求1至7任一项所述方法的步骤。
CN202211177714.0A 2022-09-22 2022-09-22 一种基于模糊逻辑的飞机积冰预测方法和装置 Active CN115292656B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211177714.0A CN115292656B (zh) 2022-09-22 2022-09-22 一种基于模糊逻辑的飞机积冰预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211177714.0A CN115292656B (zh) 2022-09-22 2022-09-22 一种基于模糊逻辑的飞机积冰预测方法和装置

Publications (2)

Publication Number Publication Date
CN115292656A CN115292656A (zh) 2022-11-04
CN115292656B true CN115292656B (zh) 2022-12-20

Family

ID=83833658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211177714.0A Active CN115292656B (zh) 2022-09-22 2022-09-22 一种基于模糊逻辑的飞机积冰预测方法和装置

Country Status (1)

Country Link
CN (1) CN115292656B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115662196B (zh) * 2022-11-10 2023-03-17 中科星图维天信(北京)科技有限公司 飞机积冰预报信息处理方法、装置、电子设备及存储介质
CN116992310B (zh) * 2023-09-26 2023-12-15 北京弘象科技有限公司 飞机积冰实时监测预警方法、系统、电子设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102175202A (zh) * 2011-01-30 2011-09-07 西安工程大学 一种基于模糊逻辑的覆冰厚度预测方法
US10214294B1 (en) * 2015-08-21 2019-02-26 Blue Storm Associates, Inc. Method and system for predicting potential icing conditions
US10435161B1 (en) * 2018-05-02 2019-10-08 Rosemount Aerospace Inc. Surface sensing for droplet size differentiation
CN114549914A (zh) * 2022-04-24 2022-05-27 中国民航大学 一种飞机大面积结冰检测方法及检测系统
CN114970308A (zh) * 2021-12-30 2022-08-30 成都流体动力创新中心 一种飞机结冰预测方法、系统及计算机程序产品

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102175202A (zh) * 2011-01-30 2011-09-07 西安工程大学 一种基于模糊逻辑的覆冰厚度预测方法
US10214294B1 (en) * 2015-08-21 2019-02-26 Blue Storm Associates, Inc. Method and system for predicting potential icing conditions
US10435161B1 (en) * 2018-05-02 2019-10-08 Rosemount Aerospace Inc. Surface sensing for droplet size differentiation
CN114970308A (zh) * 2021-12-30 2022-08-30 成都流体动力创新中心 一种飞机结冰预测方法、系统及计算机程序产品
CN114549914A (zh) * 2022-04-24 2022-05-27 中国民航大学 一种飞机大面积结冰检测方法及检测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于模糊逻辑的飞机积冰预测指数;齐晨 等;《CNKI》;20190930;第30卷(第5期);619-628 *

Also Published As

Publication number Publication date
CN115292656A (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
CN115292656B (zh) 一种基于模糊逻辑的飞机积冰预测方法和装置
US8731810B2 (en) Aircraft path conformance monitoring
JP6573799B2 (ja) 氷結晶着氷エンジン事象確率推定の装置、システム、及び方法
US20160019798A1 (en) System and method for sending in-flight weather alerts
CN110362559B (zh) 基于局部遍历密度聚类的ads-b航迹清洗与校准方法
CN104408915B (zh) 一种交通状态参数的估计方法和系统
KR102465090B1 (ko) 레이더 기반 항공기 착빙 가능 영역 탐지 방법, 이를 수행하기 위한 기록매체 및 장치
US10613222B2 (en) Probabilistic weather severity estimation system
US20070260366A1 (en) Method and device for determining the air turbulence likely to be encountered by an aircraft
KR101802162B1 (ko) 수치시뮬레이션을 통한 인공증설 항공실험 실시 결정 시스템 및 방법
CN108983164A (zh) 雷达信号处理装置和雷达信号处理方法
CN111160612A (zh) 一种基于天气影响的离场航班延误分析及预测方法
CN113870564A (zh) 一种封闭路段交通拥堵分类方法、系统、电子设备及存储介质
CN112862204A (zh) 一种路径规划方法、系统、计算机设备及可读存储介质
Chen et al. Assessing the risk of windshear occurrence at HKIA using rare‐event logistic regression
CN107331163A (zh) 一种排队长度计算方法及装置
US20240005059A1 (en) Risk management apparatus, risk management method, and risk management system
CN110941032A (zh) 台风的预报方法、装置、设备和计算机可读存储介质
CN113554899B (zh) 天气影响空中交通程度分析方法、装置、设备及存储介质
CN115508917A (zh) 机场气象要素预报方法、装置、设备和存储介质
CN115293366A (zh) 模型训练方法、信息预测方法、装置、设备及介质
Xu et al. Aircraft go-around detection employing open source ADS-B data
JPH08194069A (ja) 送電線雪害予測方法及び装置
KR102611726B1 (ko) 결빙 노면 상의 교통 사고 발생 예측 시스템 및 방법
CN116992310B (zh) 飞机积冰实时监测预警方法、系统、电子设备及介质

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