CN115310025A - 一种基于融合模型的飞机安全着陆方法和装置 - Google Patents
一种基于融合模型的飞机安全着陆方法和装置 Download PDFInfo
- Publication number
- CN115310025A CN115310025A CN202211243544.1A CN202211243544A CN115310025A CN 115310025 A CN115310025 A CN 115310025A CN 202211243544 A CN202211243544 A CN 202211243544A CN 115310025 A CN115310025 A CN 115310025A
- Authority
- CN
- China
- Prior art keywords
- landing
- airplane
- wind
- wind field
- wind speed
- 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
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
-
- 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)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出了一种基于融合模型的飞机安全着陆方法和装置,该方法包括如下步骤:接收地面导航站发送的着陆点位置信息;采用相控阵雷达向所述着陆点的低空风场内发射电磁波,并接收各距离单元的回波数据;获取历史试验数据,构建基于BP神经网络和经验公式的融合模型;将所述回波数据载入融合模型,获得风场风速;当所述风场风速小于第一阈值时,执行常规着陆步骤;当所述风场风速大于第一阈值且小于第二阈值时,执行含扰动着陆步骤;当所述风场风速大于第二阈值时,选择复飞或飞至备降机场。本发明利用融合模型能够对输入参数和输出结果间具有的非线性关系自动提取和数据融合,降低了各估计方法自身缺陷引起的误差,提高风场风速估计准确性。
Description
技术领域
本发明涉及飞机着陆技术领域,具体而言,涉及一种基于融合模型的飞机安全着陆方法和装置。
背景技术
低空风切变是航空界公认的飞机起飞和着陆阶段一个重要的危险因素,风切变的出现时间和季节没有一定规律,它发生的时间短,范围小,探测和预报很困难。低空风切变会导致垂直运动的气流突然加速,产生特别强的下降气流,假如飞机正好通过这股气流,飞出后会因为进入失速状态,飞行姿态不可控。飞行员往往由于没有足够的空间和时间来调整飞机姿态而造成严重的飞行事故。因此低空风切变探测技术的研究已成为现代航空运输领域的一个重要课题。
目前,针对低空风切变的检测和预警,主要有空时自适应处理(Space-timeAdaptive Processing,STAP)方法,基于压缩感知的低空风切变风速估计方法等。 STAP方法通过在空时域自适应地形成凹口,能够在有效抑制地杂波的同时,提高雷达的目标检测能力。压缩感知方法根据雷达回波中风切变信号相对于背景的稀疏性,利用多普勒矢量构建一个冗余字典以实现信号的稀疏表示,采用观测矩阵对信号进行压缩处理,并通过信号重构算法恢复该稀疏信号,实现风速的精确估计。
然而,当处于非均匀地杂波环境下时,由于不同距离单元的杂波分布特性是不同的,并且独立同分布样本缺乏,造成STAP方法中杂波协方差矩阵估计不准确,从而影响地杂波抑制性能,进而影响风速估计效果。压缩感知方法在脉冲数较少且信噪比较低时,存在谱分辨力受限,风速估计准确率下降等问题。
发明内容
本发明的目的在于提供一种基于融合模型的飞机安全着陆方法和装置,解决了现有技术中风速估计效果差的问题。
为解决上述技术问题,本发明采用的技术方案是:一种基于融合模型的飞机安全着陆方法,包括如下步骤:接收地面导航站发送的着陆点位置信息;采用相控阵雷达向所述着陆点的低空风场内发射电磁波,并接收各距离单元的回波数据;获取历史试验数据,构建基于BP神经网络和经验公式的融合模型;将所述回波数据载入融合模型,获得风场风速;当所述风场风速小于第一阈值时,执行常规着陆步骤;当所述风场风速大于第一阈值且小于第二阈值时,执行含扰动着陆步骤;当所述风场风速大于第二阈值时,选择复飞或飞至备降机场。
作为优选方案,所述构建基于BP神经网络和经验公式的融合模型,包括:建立并初始化第一BP神经网络;将历史试验数据划分为第一特征序列和第二特征序列;将所述第一特征序列输入第一BP神经网络,获得估计结果,将所述估计结果作为新的第一特征序列;建立风速估计函数,将所述第二特征序列输入所述风速估计函数中,获得计算结果,并将所述计算结果作为新的第二特征序列;建立并初始化第二BP神经网络;将所述新的第一特征序列和新的第二特征序列输入第二BP神经网络,获得最终风场风速。
作为优选方案,所述建立并初始化第一BP神经网络或第二BP神经网络,包括:步骤31,根据历史试验数据的输入输出序列确定网络输入层节点数、隐含层节点数、输出层节点数,并初始化输入层、隐含层和输出层神经元之间的连接权值,初始化隐含层阈值和输出层阈值,给定学习速率和神经元激励函数;步骤32,根据输入序列,输入层和隐含层之间连接权值以及隐含层阈值,计算隐含层输出值;步骤33,根据所述隐含层输出值,隐含层和输出层之间连接权值以及输出层阈值,计算BP神经网络的估计输出值;步骤34,根据所述估计输出值和输出期望,计算网络估计误差;步骤35,根据所述网络估计误差,更新连接权值和阈值;步骤36,判断是否迭代结束,若是,则训练完成,反之,则重复步骤31-步骤35。
作为优选方案,所述隐含层节点数的确定步骤,包括:
(1) 设定隐含层节点数n的选取范围为n1≤n≤n2;
(2) 令隐含层节点数n=n1,计算BP网络的均方误差Se1;
(3) 令隐含层节点数n=(n1+n2)/2,计算BP网络的均方误差Se2;
(4) 若Se1<Se2,则令n1=n,Se1=Se2,反之,令n2=n;
(5) 若n1<n2,则返回步骤(2),反之,则结束循环,输出n。
作为优选方案,所述建立风速估计函数,包括:利用空时插值法校正机载前视阵杂波谱的距离依赖性,以获得求取杂波协方差矩阵所需要的独立同分布样本;利用STAP方法抑制地杂波并估计待检测距离单元内的多普勒频率;基于所述多普勒频率以及先验信息对待测距离单元的风场速度进行估计,所述先验信息包括飞机状态参数、雷达天线扫描参数;
所述风场速度的计算公式如下:
作为优选方案,当飞机进入着陆窗后,进行常规着陆,所述常规着陆步骤包括:获取飞机实时位置信息和着陆点位置信息;根据所述飞机实时位置信息和着陆点位置信息,生成着陆轨迹,所述着陆轨迹包括直线下滑阶段和指数拉平阶段;根据所述着陆轨迹进行着陆,在直线下滑阶段按照设定航迹角进行直线下滑飞行,当达到拉平决策高度时执行指数拉平动作。
作为优选方案,所述直线下滑阶段的轨迹公式为:
指数拉平阶段的轨迹公式为:
作为优选方案,当飞机进入着陆窗后,进行含扰动着陆,所述含扰动着陆步骤,包括:获取飞机实时位置信息和着陆点位置信息;根据所述飞机实时位置信息和着陆点位置信息,生成着陆轨迹,所述着陆轨迹包括直线下滑阶段和指数拉平阶段;根据所述着陆轨迹进行着陆,在直线下滑阶段按照设定航迹角进行直线下滑飞行,当达到拉平决策高度时执行指数拉平动作;在直线下滑阶段和指数拉平阶段,实时计算飞机在风场中能量高度变化率和F因子,进行动态加权获得飞机的状态评价因子,根据所述飞机的状态评价因子判断是否从低空风场中改出;若所述状态评价因子低于参考值,且飞机当前高度低于拉平决策高度,则先引导飞机飞到指定高度并保持,紧接着以15deg的俯仰角从指定高度爬升飞离风切变区域;若所述状态评价因子低于参考值,且飞机当前高度高于拉平决策高度,则通过方向舵和副翼的协调控制,进行转弯运动,从弱风一侧飞离风切变区域。
作为优选方案,所述飞机的状态评价因子计算公式如下:
上式中,T为状态评价因子,为F因子的方差,为能量变化率的方差,为
两者方差之和,为能量高度变化率,F为F因子,为飞机所在高度变化率,为飞机速
度,为飞机速度变化率,为重力常数,、和分别为风场速度在XYZ轴上分量
的一阶导数,为风场速度在Z轴上的分量,为航迹倾角,为偏航角。
本发明还公开了一种基于融合模型的飞机安全着陆装置,包括:位置接收模块,用于接收地面导航站发送的着陆点位置信息;雷达收发模块,用于采用相控阵雷达向所述着陆点的低空风场内发射电磁波,并接收各距离单元的回波数据;模型构建模块,用于获取历史试验数据,构建基于BP神经网络和经验公式的融合模型;风速确定模块,用于将所述回波数据载入融合模型,获得风场风速;着陆判断模块,用于当所述风场风速小于第一阈值时,执行常规着陆步骤;当所述风场风速大于第一阈值且小于第二阈值时,执行含扰动着陆步骤;当所述风场风速大于第二阈值时,选择复飞或飞至备降机场。
与现有技术相比,本发明的有益效果包括:将经过历史试验数据拟合后的第一BP神经网络估计结果,及由风速估计函数输出的计算结果,作为第二BP神经网络的输入参数,由第二BP神经网络输出最终风场风速。在飞机着陆前接收各距离单元的回波数据,利用基于BP神经网络和经验公式的融合模型对回波数据进行分析处理,BP神经网络能够对输入参数和输出结果间具有的非线性关系自动提取和数据融合,实现了多种估计方法的综合,以形成完整一致的感知描述,从而实现对风场风速更准确的识别和判断功能,可以降低各估计方法自身缺陷引起的误差,提高风场风速估计准确性。飞机在进场着陆阶段,若遇到强度不大的风切变,则可以执行含扰动着陆步骤,实时监测飞机状态,根据飞机状态评价因子判断是否飞离风切变区域。本发明通过引入能量高度变化率和F因子,进行动态加权获得飞机的状态评价因子,采用动态加权算法为每个判断因素分别赋予权值并可随时修正,实现了因素间的灵活高效融合,实现了对飞机状态的精准评估。
附图说明
参照附图来说明本发明的公开内容。应当了解,附图仅仅用于说明目的,而并非意在对本发明的保护范围构成限制。在附图中,相同的附图标记用于指代相同的部件。其中:
图1为本发明实施例基于融合模型的飞机安全着陆方法的流程示意图;
图2为本发明实施例飞机着陆轨迹示意图;
图3为本发明实施例基于融合模型的飞机安全着陆装置的结构示意图。
具体实施方式
容易理解,根据本发明的技术方案,在不变更本发明实质精神下,本领域的一般技术人员可以提出可相互替换的多种结构方式以及实现方式。因此,以下具体实施方式以及附图仅是对本发明的技术方案的示例性说明,而不应当视为本发明的全部或者视为对本发明技术方案的限定或限制。
根据本发明的一实施方式结合图1示出。一种基于融合模型的飞机安全着陆方法,包括:
步骤1:接收地面导航站发送的着陆点位置信息。该着陆点位置信息具体为经纬度坐标。
步骤2:采用相控阵雷达向着陆点的低空风场内发射电磁波,并接收各距离单元的回波数据。回波数据包括风切变信号、噪声信号和地杂波信号。
步骤3:获取历史试验数据,构建基于BP神经网络和经验公式的融合模型。
其中,构建基于BP神经网络和经验公式的融合模型,包括如下步骤:
(1) 建立并初始化第一BP神经网络。
(2) 将历史试验数据划分为第一特征序列和第二特征序列。应理解,该历史试验数据即回波数据,在进行数据处理前,需要进行抑制杂波处理,例如可采用空时最优处理器。
(3) 将第一特征序列输入第一BP神经网络,获得估计结果,将估计结果作为新的第一特征序列。
(4) 建立风速估计函数,将第二特征序列输入风速估计函数中,获得计算结果,并将计算结果作为新的第二特征序列。
具体的,建立风速估计函数,包括:利用空时插值法校正机载前视阵杂波谱的距离依赖性,以获得求取杂波协方差矩阵所需要的独立同分布样本;利用STAP方法抑制地杂波并估计待检测距离单元内的多普勒频率;基于多普勒频率以及先验信息对待测距离单元的风场速度进行估计,先验信息包括飞机状态参数、雷达天线扫描参数。
风场速度的计算公式如下:
(5) 建立并初始化第二BP神经网络;
(6) 将新的第一特征序列和新的第二特征序列输入第二BP神经网络,获得最终风场风速。
具体的,上述步骤(1)或(5)中,建立并初始化第一BP神经网络或第二BP神经网络,包括:步骤31,根据历史试验数据的输入输出序列确定网络输入层节点数、隐含层节点数、输出层节点数,并初始化输入层、隐含层和输出层神经元之间的连接权值,初始化隐含层阈值和输出层阈值,给定学习速率和神经元激励函数;步骤32,根据输入序列,输入层和隐含层之间连接权值以及隐含层阈值,计算隐含层输出值;步骤33,根据隐含层输出值,隐含层和输出层之间连接权值以及输出层阈值,计算BP神经网络的估计输出值;步骤34,根据估计输出值和输出期望,计算网络估计误差;步骤35,根据网络估计误差,更新连接权值和阈值;步骤36,判断是否迭代结束,若是,则训练完成,反之,则重复步骤31-步骤35。
上述隐含层节点数的确定步骤,包括:
① 设定隐含层节点数n的选取范围为n1≤n≤n2;
② 令隐含层节点数n=n1,计算BP网络的均方误差Se1;
③ 令隐含层节点数n=(n1+n2)/2,计算BP网络的均方误差Se2;
④ 若Se1<Se2,则令n1=n,Se1=Se2,反之,令n2=n;
⑤ 若n1<n2,则返回步骤(2),反之,则结束循环,输出n。
通过上述步骤可以快速找到最优的隐含层节点数,在保证获取足够有用信息的前提下,减少了训练时间,提高了模型计算速度,容错性高。
步骤4:将回波数据载入融合模型,获得风场风速。
本发明实施例中,第一阈值小于第二阈值,具体的,第一阈值设为2m/s,第二阈值设为4m/s。当风场风速小于第一阈值时,执行常规着陆步骤。当风场风速大于第一阈值且小于第二阈值时,执行含扰动着陆步骤;当风场风速大于第二阈值时,选择复飞或飞至备降机场。
参见图2,当飞机进入着陆窗后,进行常规着陆,常规着陆步骤包括:获取飞机实时位置信息和着陆点位置信息;根据飞机实时位置信息和着陆点位置信息,生成着陆轨迹,着陆轨迹包括直线下滑阶段和指数拉平阶段;根据着陆轨迹进行着陆,在直线下滑阶段按照设定航迹角进行直线下滑飞行,当达到拉平决策高度时执行指数拉平动作。
直线下滑阶段的轨迹公式为:
指数拉平阶段的轨迹公式为:
当飞机进入着陆窗后,进行含扰动着陆,含扰动着陆步骤,包括:获取飞机实时位置信息和着陆点位置信息;根据飞机实时位置信息和着陆点位置信息,生成着陆轨迹,着陆轨迹包括直线下滑阶段和指数拉平阶段;根据着陆轨迹进行着陆,在直线下滑阶段按照设定航迹角进行直线下滑飞行,当达到拉平决策高度时执行指数拉平动作。
在直线下滑阶段和指数拉平阶段,实时计算飞机在风场中能量高度变化率和F因子,进行动态加权获得飞机的状态评价因子,根据飞机的状态评价因子判断是否从低空风场中改出。
若状态评价因子低于参考值,且飞机当前高度低于拉平决策高度,则先引导飞机飞到指定高度并保持,紧接着以15deg的俯仰角从指定高度爬升飞离风切变区域。若状态评价因子低于参考值,且飞机当前高度高于拉平决策高度,则通过方向舵和副翼的协调控制,进行转弯运动,从弱风一侧飞离风切变区域。
飞机的状态评价因子计算公式如下:
上式中,T为状态评价因子,为F因子的方差,为能量变化率的方差,为
两者方差之和,为能量高度变化率,F为F因子,为飞机所在高度变化率,为飞机速
度,为飞机速度变化率,为重力常数,、和分别为风场速度在XYZ轴上分量
的一阶导数,为风场速度在Z轴上的分量,为航迹倾角,为偏航角。
参见图3,本发明还公开了一种基于融合模型的飞机安全着陆装置,包括:
位置接收模块,用于接收地面导航站发送的着陆点位置信息;
雷达收发模块,用于采用相控阵雷达向着陆点的低空风场内发射电磁波,并接收各距离单元的回波数据;
模型构建模块,用于获取历史试验数据,构建基于BP神经网络和经验公式的融合模型;
风速确定模块,用于将回波数据载入融合模型,获得风场风速;
着陆判断模块,用于当风场风速小于第一阈值时,执行常规着陆步骤;当风场风速大于第一阈值且小于第二阈值时,执行含扰动着陆步骤;当风场风速大于第二阈值时,选择复飞或飞至备降机场。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
综上所述,本发明的有益效果包括:将经过历史试验数据拟合后的第一BP神经网络估计结果,及由风速估计函数输出的计算结果,作为第二BP神经网络的输入参数,由第二BP神经网络输出最终风场风速。在飞机着陆前接收各距离单元的回波数据,利用基于BP神经网络和经验公式的融合模型对回波数据进行分析处理,BP神经网络能够对输入参数和输出结果间具有的非线性关系自动提取和数据融合,实现了多种估计方法的综合,以形成完整一致的感知描述,从而实现对风场风速更准确的识别和判断功能,可以降低各估计方法自身缺陷引起的误差,提高风场风速估计准确性。飞机在进场着陆阶段,若遇到强度不大的风切变,则可以执行含扰动着陆步骤,实时监测飞机状态,根据飞机状态评价因子判断是否飞离风切变区域。本发明通过引入能量高度变化率和F因子,进行动态加权获得飞机的状态评价因子,采用动态加权算法为每个判断因素分别赋予权值并可随时修正,实现了因素间的灵活高效融合,实现了对飞机状态的精准评估。
应理解,所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括 :U 盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明的技术范围不仅仅局限于上述说明中的内容,本领域技术人员可以在不脱离本发明技术思想的前提下,对上述实施例进行多种变形和修改,而这些变形和修改均应当属于本发明的保护范围内。
Claims (10)
1.一种基于融合模型的飞机安全着陆方法,其特征在于,包括如下步骤:
接收地面导航站发送的着陆点位置信息;
采用相控阵雷达向所述着陆点的低空风场内发射电磁波,并接收各距离单元的回波数据;
获取历史试验数据,构建基于BP神经网络和经验公式的融合模型;
将所述回波数据载入融合模型,获得风场风速;
当所述风场风速小于第一阈值时,执行常规着陆步骤;
当所述风场风速大于第一阈值且小于第二阈值时,执行含扰动着陆步骤;
当所述风场风速大于第二阈值时,选择复飞或飞至备降机场。
2.根据权利要求1所述的基于融合模型的飞机安全着陆方法,其特征在于,所述构建基于BP神经网络和经验公式的融合模型,包括:
建立并初始化第一BP神经网络;
将历史试验数据划分为第一特征序列和第二特征序列;
将所述第一特征序列输入第一BP神经网络,获得估计结果,将所述估计结果作为新的第一特征序列;
建立风速估计函数,将所述第二特征序列输入所述风速估计函数中,获得计算结果,并将所述计算结果作为新的第二特征序列;
建立并初始化第二BP神经网络;
将所述新的第一特征序列和新的第二特征序列输入第二BP神经网络,获得最终风场风速。
3.根据权利要求2所述的基于融合模型的飞机安全着陆方法,其特征在于,所述建立并初始化第一BP神经网络或第二BP神经网络,包括:
步骤31,根据历史试验数据的输入输出序列确定网络输入层节点数、隐含层节点数、输出层节点数,并初始化输入层、隐含层和输出层神经元之间的连接权值,初始化隐含层阈值和输出层阈值,给定学习速率和神经元激励函数;
步骤32,根据输入序列,输入层和隐含层之间连接权值以及隐含层阈值,计算隐含层输出值;
步骤33,根据所述隐含层输出值,隐含层和输出层之间连接权值以及输出层阈值,计算BP神经网络的估计输出值;
步骤34,根据所述估计输出值和输出期望,计算网络估计误差;
步骤35,根据所述网络估计误差,更新连接权值和阈值;
步骤36,判断是否迭代结束,若是,则训练完成,反之,则重复步骤31-步骤35。
4.根据权利要求3所述的基于融合模型的飞机安全着陆方法,其特征在于,所述隐含层节点数的确定步骤,包括:
设定隐含层节点数n的选取范围为n1≤n≤n2;
令隐含层节点数n=n1,计算BP网络的均方误差Se1;
令隐含层节点数n=(n1+n2)/2,计算BP网络的均方误差Se2;
若Se1<Se2,则令n1=n,Se1=Se2,反之,令n2=n;
若n1<n2,则返回步骤(2),反之,则结束循环,输出n。
6.根据权利要求1所述的基于融合模型的飞机安全着陆方法,其特征在于,当飞机进入着陆窗后,进行常规着陆,所述常规着陆步骤包括:
获取飞机实时位置信息和着陆点位置信息;
根据所述飞机实时位置信息和着陆点位置信息,生成着陆轨迹,所述着陆轨迹包括直线下滑阶段和指数拉平阶段;
根据所述着陆轨迹进行着陆,在直线下滑阶段按照设定航迹角进行直线下滑飞行,当达到拉平决策高度时执行指数拉平动作。
8.根据权利要求1所述的基于融合模型的飞机安全着陆方法,其特征在于,当飞机进入着陆窗后,进行含扰动着陆,所述含扰动着陆步骤,包括:
获取飞机实时位置信息和着陆点位置信息;
根据所述飞机实时位置信息和着陆点位置信息,生成着陆轨迹,所述着陆轨迹包括直线下滑阶段和指数拉平阶段;
根据所述着陆轨迹进行着陆,在直线下滑阶段按照设定航迹角进行直线下滑飞行,当达到拉平决策高度时执行指数拉平动作;
在直线下滑阶段和指数拉平阶段,实时计算飞机在风场中能量高度变化率和F因子,进行动态加权获得飞机的状态评价因子,根据所述飞机的状态评价因子判断是否从低空风场中改出;
若所述状态评价因子低于参考值,且飞机当前高度低于拉平决策高度,则先引导飞机飞到指定高度并保持,紧接着以15deg的俯仰角从指定高度爬升飞离风切变区域;
若所述状态评价因子低于参考值,且飞机当前高度高于拉平决策高度,则通过方向舵和副翼的协调控制,进行转弯运动,从弱风一侧飞离风切变区域。
10.一种基于融合模型的飞机安全着陆装置,其特征在于,包括:
位置接收模块,用于接收地面导航站发送的着陆点位置信息;
雷达收发模块,用于采用相控阵雷达向所述着陆点的低空风场内发射电磁波,并接收各距离单元的回波数据;
模型构建模块,用于获取历史试验数据,构建基于BP神经网络和经验公式的融合模型;
风速确定模块,用于将所述回波数据载入融合模型,获得风场风速;
着陆判断模块,用于当所述风场风速小于第一阈值时,执行常规着陆步骤;当所述风场风速大于第一阈值且小于第二阈值时,执行含扰动着陆步骤;当所述风场风速大于第二阈值时,选择复飞或飞至备降机场。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211243544.1A CN115310025B (zh) | 2022-10-12 | 2022-10-12 | 一种基于融合模型的飞机安全着陆方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211243544.1A CN115310025B (zh) | 2022-10-12 | 2022-10-12 | 一种基于融合模型的飞机安全着陆方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115310025A true CN115310025A (zh) | 2022-11-08 |
CN115310025B CN115310025B (zh) | 2023-04-07 |
Family
ID=83868101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211243544.1A Active CN115310025B (zh) | 2022-10-12 | 2022-10-12 | 一种基于融合模型的飞机安全着陆方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115310025B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117251663A (zh) * | 2023-09-20 | 2023-12-19 | 青岛哈尔滨工程大学创新发展中心 | 一种直升机着舰安稳期状态判别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015037375A1 (ja) * | 2013-09-12 | 2015-03-19 | 独立行政法人宇宙航空研究開発機構 | 着陸判断支援システム、着陸判断支援方法、及び着陸判断支援プログラム |
US10037704B1 (en) * | 2017-02-01 | 2018-07-31 | David Myr | Automatic real-time air traffic control system and method for maximizing landings / takeoffs capacity of the airport and minimizing aircrafts landing times |
CN110956004A (zh) * | 2019-12-03 | 2020-04-03 | 中国人民解放军军事科学院国防工程研究院工程防护研究所 | 多经验公式与bp神经网络模型融合的混凝土侵彻深度预测算法 |
CN111160520A (zh) * | 2019-12-06 | 2020-05-15 | 南京理工大学 | 一种基于遗传算法优化的bp神经网络风速预测方法 |
CN111175754A (zh) * | 2020-01-07 | 2020-05-19 | 中国民航大学 | Lfmcw体制下基于tdpc-jdl的低空风切变风速估计方法 |
CN113985914A (zh) * | 2021-10-21 | 2022-01-28 | 广州极飞科技股份有限公司 | 一种无人设备降落控制方法、装置、设备及存储介质 |
-
2022
- 2022-10-12 CN CN202211243544.1A patent/CN115310025B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015037375A1 (ja) * | 2013-09-12 | 2015-03-19 | 独立行政法人宇宙航空研究開発機構 | 着陸判断支援システム、着陸判断支援方法、及び着陸判断支援プログラム |
US10037704B1 (en) * | 2017-02-01 | 2018-07-31 | David Myr | Automatic real-time air traffic control system and method for maximizing landings / takeoffs capacity of the airport and minimizing aircrafts landing times |
CN110956004A (zh) * | 2019-12-03 | 2020-04-03 | 中国人民解放军军事科学院国防工程研究院工程防护研究所 | 多经验公式与bp神经网络模型融合的混凝土侵彻深度预测算法 |
CN111160520A (zh) * | 2019-12-06 | 2020-05-15 | 南京理工大学 | 一种基于遗传算法优化的bp神经网络风速预测方法 |
CN111175754A (zh) * | 2020-01-07 | 2020-05-19 | 中国民航大学 | Lfmcw体制下基于tdpc-jdl的低空风切变风速估计方法 |
CN113985914A (zh) * | 2021-10-21 | 2022-01-28 | 广州极飞科技股份有限公司 | 一种无人设备降落控制方法、装置、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117251663A (zh) * | 2023-09-20 | 2023-12-19 | 青岛哈尔滨工程大学创新发展中心 | 一种直升机着舰安稳期状态判别方法 |
CN117251663B (zh) * | 2023-09-20 | 2024-02-13 | 青岛哈尔滨工程大学创新发展中心 | 一种直升机着舰安稳期状态判别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115310025B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104035095B (zh) | 基于空时最优处理器的低空风切变风速估计方法 | |
US6714155B1 (en) | Method of passively estimating an emitter's position and velocity using bearings-only without requiring observer acceleration | |
CN108761419B (zh) | 基于组合空时主通道自适应处理的低空风切变风速估计方法 | |
US8334799B2 (en) | Method for radar monitoring of wake turbulence | |
CN110018453B (zh) | 基于飞机航迹特征的智能机型识别方法 | |
CN115310025B (zh) | 一种基于融合模型的飞机安全着陆方法和装置 | |
CN110554391B (zh) | 基于ddd-gmb的低空风切变风速估计方法 | |
CN109117776B (zh) | 基于航迹信息的飞机与气象杂波分类识别方法 | |
CN109901387A (zh) | 一种航空器自动近地防撞系统自适应飞行轨迹预测方法 | |
CN111508282A (zh) | 低空无人机农田作业飞行障碍物冲突检测方法 | |
CN109581381B (zh) | 基于垂直载荷因子的增强型湍流检测方法 | |
Shen et al. | Two‐step locating method for aircraft wake vortices based on Gabor filter and velocity range distribution | |
CN111220986A (zh) | 回波功率筛选与dlcd辅助的低空风切变风速估计方法 | |
CN107748364A (zh) | 基于降秩多级维纳滤波器的低空风切变风场速度估计方法 | |
Smalikho et al. | Measurements of aircraft wake vortex parameters by a Stream Line Doppler lidar | |
CN104914421A (zh) | 基于和差波束的低空风切变风速估计方法 | |
Andersson et al. | Cooperating uavs using thermal lift to extend endurance | |
CN110109120B (zh) | 载机俯冲下基于ddd-3dt的低空风切变风速估计方法及装置 | |
CN107576962A (zh) | 基于迭代自适应处理的低空风切变风速估计方法 | |
CN107643515A (zh) | 基于空时协方差矩阵拟合的湍流目标速度谱宽估计方法 | |
Martin et al. | Design and Evaluation of a Realtime, Microcontroller Based Gust Sensing System for a Small Unmanned Aerial Vehicle | |
Baxa et al. | New signal processing developments in the detection of low-altitude windshear with airborne Doppler radar | |
Douxchamps et al. | On-board axial detection of wake vortices using a 2-m m LiDAR | |
Min et al. | Research on relative height measurement based on multi-sensor fusion technology | |
EP4300136A1 (en) | Automatic obstacle avoidance method, electronic device, and unmanned aerial vehicle |
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 |