CN115526243B - 一种基于多源数据和cnn-lstm的飞机飞行姿态识别方法 - Google Patents
一种基于多源数据和cnn-lstm的飞机飞行姿态识别方法 Download PDFInfo
- Publication number
- CN115526243B CN115526243B CN202211145771.0A CN202211145771A CN115526243B CN 115526243 B CN115526243 B CN 115526243B CN 202211145771 A CN202211145771 A CN 202211145771A CN 115526243 B CN115526243 B CN 115526243B
- Authority
- CN
- China
- Prior art keywords
- data
- flight
- aircraft
- cnn
- flight attitude
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000001133 acceleration Effects 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000012795 verification Methods 0.000 claims abstract description 13
- 230000009471 action Effects 0.000 claims abstract description 11
- 239000002131 composite material Substances 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 238000011176 pooling Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 239000012634 fragment Substances 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 7
- 238000013527 convolutional neural network Methods 0.000 description 13
- 238000011160 research Methods 0.000 description 7
- 210000004027 cell Anatomy 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 3
- 206010034719 Personality change Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
- G01H11/06—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
- G01M9/06—Measuring arrangements specially adapted for aerodynamic testing
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明涉及航空技术领域，公开了一种基于多源数据和CNN‑LSTM的飞机飞行姿态识别方法，包括以下步骤：将柔性复合传感测量模块共形贴装在飞机外表面，当飞机飞行姿态变化时，监测获取飞机飞行时外表面的气动压力原始数据和飞行振动加速度原始数据；获取飞机不同飞行动作下干净的气动压力数据和飞行振动加速度数据；将气动压力数据和飞行加速度数据按比例划分为训练集和验证集；使用训练集数据训练CNN‑LSTM模型进行迭代训练，进行飞机飞行姿态的判别；将验证集数据输入CNN‑LSTM模型，得到对应的飞机飞行姿态并与实际飞行姿态对比，计算CNN‑LSTM模型识别的准确率。本发明用于识别飞机飞行姿态，其准确率将更高，也可识别更为微小变化的飞行姿态。
Description
技术领域
本发明涉及航空技术领域，具体地说，是一种基于多源数据和CNN-LSTM的飞机飞行姿态识别方法，用于识别飞机飞行姿态。
背景技术
飞机在航行中因气象条件、飞行速度、飞行高度等影响将做出的不同的飞行姿态以达到最佳飞行状态，如在起飞阶段飞机会有抬头的飞行姿态，在空中为减少气流引起的剧烈振动飞机会有相应的左右转向、升降、滚转等飞行姿态……显然，不同的飞行姿态可协助克服高空复杂环境带来的恶劣影响，因此对飞机飞行姿态的控制极其重要。为更好的实现对飞机飞行姿态的控制，基于飞机飞行参数的飞行姿态识别研究不可忽视。按飞机起飞到降落可将常见的飞机飞行姿态划分为地面滑行、起飞、上升、转弯、平飞、下滑、着陆等七个基本姿态，不同飞行姿态将引起飞机外表面的振动、气动压力呈现不同的变化。
基于飞机飞行高度、经纬度、航向角、俯仰角、滚转角等对飞机飞行动作识别的研究已较为成熟，但以上飞行参数均为飞机内部仪器测量，由于高空恶劣环境无法测量飞机飞行时外表面飞行参数，故目前尚无基于外表面飞行参数确定飞机飞行姿态的研究。得益于柔性电子技术的发展，一款可与复杂结构共形贴装的柔性复合传感测量模块可实现飞机外表面振动及气动压力的实时监测，由此可获得飞机飞行中不同部位外表面振动、气动压力数据。因此，结合卷积神经网络模型(CNN)和长短期神经网络模型(LSTM)，本发明提出了一种基于飞机飞行时外表面振动、气动压力等多源数据和CNN-LSTM模型结合进行识别飞机飞行姿态的方法，其准确率将更高，也可识别更为微小变化的飞行姿态。
发明内容
本发明的目的在于提供一种基于多源数据和CNN-LSTM的飞机飞行姿态识别方法，具有识别飞机飞行姿态的效果。
本发明通过下述技术方案实现：一种基于多源数据和CNN-LSTM的飞机飞行姿态识别方法，包括以下步骤：
步骤S1，将柔性复合传感测量模块共形贴装在飞机外表面，当飞机飞行姿态变化时，监测获取飞机飞行时外表面的气动压力原始数据和飞行振动加速度原始数据；
步骤S2，获取飞机不同飞行动作下干净的气动压力数据和飞行振动加速度数据；
步骤S3，将气动压力数据和飞行加速度数据按比例划分为训练集和验证集；
步骤S4，使用训练集数据训练CNN-LSTM模型进行迭代训练，并进行飞机飞行姿态的判别；
步骤S5，将验证集数据输入CNN-LSTM模型，得到对应的飞机飞行姿态并与实际飞行姿态对比，计算CNN-LSTM模型识别的准确率。
为了更好地实现本发明，进一步地，所述步骤S1包括：
使用柔性复合传感测量模块监测获取飞机飞行时外表面的气动压力原始数据和飞行振动加速度原始数据时，按照机载数据特征设置飞行振动加速度采样频率为2048Hz，设置气动压力原始数据采样频率为256Hz。
为了更好地实现本发明，进一步地，所述步骤S2包括：
基于经验模态分解算法、变分模态分解和小波变换算法对飞机飞行时外表面的气动压力原始数据和飞行加速度原始数据进行特征分析、噪声去除和滤波降噪操作，获得干净的气动压力数据和飞行振动加速度数据。
为了更好地实现本发明，进一步地，所述步骤S3包括：
分别将干净的飞行振动加速度数据和气动压力数据进行切片，每800个数据为一个数据片段，将多个数据片段按3:1的比例随机划分为训练集和验证集。
为了更好地实现本发明，进一步地，所述步骤S4中的CNN-LSTM模型由从前至后依次连接的2个CNN卷积层与池化层、2个LSTM层和1个分类输出层构成。
为了更好地实现本发明，进一步地，所述步骤S4中使用训练集数据训练CNN-LSTM模型进行迭代训练，并进行飞机飞行姿态的判别的过程包括：
将训练集的飞行振动加速度数据片段和气动压力数据片段进行卷积计算；
使用ReLU函数对卷积输出进行激活；
最后进行量大池化降维采样操作，然后将池化后的输出作为下一次CNN卷积操作的输入，经过相同的卷积和池化操作生成若干特征映射；
将两次CNN卷积操作后得到的飞行振动加速度数据、气动压力数据的特征映射沿时间轴切分，并将其输入至CNN-LSTM模型进行特征向量t时刻的前向计算；
再计算即可得到不同时刻振动数据与气动压力数据分别对应的细胞状态和隐藏层状态；
在飞行振动加速度数据、气动压力数据经历了两次CNN层和两次LSTM层运算后，将输出的振动、气动压力数据对应的细胞状态数据展平并作为全连接层的输入，再利用Softmax激活函数将全连接层输出转化为和为1的概率分布，以此作为分类目标函数的输入参数；
最后基于分类目标函数的输出结果即可得到对应的飞机飞行姿态，识别出当前数据片段所对应的飞机飞行姿态。
为了更好地实现本发明，进一步地，将训练集所有的飞行振动加速度数据片段、气动压力数据片段训练完CNN-LSTM模型后，将验证集数据输入CNN-LSTM模型，得到对应的飞机飞行姿态并与实际飞行姿态对比，计算得到CNN-LSTM模型识别的准确率。
本发明与现有技术相比，具有以下优点及有益效果：
本发明利用飞机外表面振动、气动压力等多源数据，利用CNN-LSTM模型识别飞机飞行姿态，其准确率将更高，也可识别更为微小变化的飞行姿态。
附图说明
本发明结合下面附图和实施例做进一步说明，本发明所有构思创新应视为所公开内容和本发明保护范围。
图1为本发明提供的一种基于多源数据和CNN-LSTM的飞机飞行姿态识别方法流程图。
图2为为本发明提供的使用柔性复合传感测量模块监测飞机外表面振动、气动压力测量位置的示意图。
图3为本发明提供的一种基于多源数据和CNN-LSTM的飞机飞行姿态识别方法中对CNN-LSTM模型数据训练过程的示意图。
图4为本发明提供的一种基于多源数据和CNN-LSTM的飞机飞行姿态识别方法中对CNN-LSTM神经网络模型的结构图。
具体实施方式
为了更清楚地说明本发明实施例的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，应当理解，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，因此不应被看作是对保护范围的限定。基于本发明中的实施例，本领域普通技术工作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。
在本发明的描述中，需要说明的是，CNN模型能够提取数据特征，但无法获知前后数据的时序相关信息；LSTM模型在处理时序相关的数据上有着独特的优势，但是存在训练迭代收敛太慢的缺陷，因此结合了以上两种模型的CNN-LSTM模型可兼具CNN和LSTM的优点。CNN-LSTM模型通过在前端添加CNN层提取数据特征，将提取的特征作为LSTM模型的输入，在LSTM中处理特征在时序上的关系。诸多研究也证实了CNN-LSTM模型的优越性，如钱昭勇证实了CNN-LSTM模型在卫星故障预测性能方面相比离线模型更优，马敏研究表明CNN-MSLSTM模型在航空发动机滑油监测方面准确率达到98％以上。方伟利用微分分割将飞机飞行航向角、滚转率、转弯率等八个飞行参数进行切片处理，然后利用CNN-LSTM模型实现飞行动作的模块化处理，有效代替了传统方法中对原始数据的逻辑推理。通过仿真十三种基本飞行动作和两种复杂飞行动作获得对应的飞行参数数据，基于这些数据方伟利用CNN-LSTM模型识别出了对应的飞行动作，表明该模型具有良好的飞行动作识别性能。
以上研究均表明CNN-LSTM模型在实际应用中均能产生预期的效果，虽然方伟研究了该模型在飞行动作识别方面的应用，但其采用的飞行参数来自于飞机内部传感器，用于识别飞机变化较大的飞行动作能取得较好的结果，但对一些微小的飞行姿态变化则可能不太灵敏。飞机结构外表面的气动压力及振动变化与飞机飞行姿态直接相关，故基于飞机外表面的振动、气动压力多源数据和CNN-LSTM模型识别飞机飞行姿态，其准确率将更高，也可识别更为微小变化的飞行姿态。
实施例1：
本实施例的一种基于多源数据和CNN-LSTM的飞机飞行姿态识别方法，如图1所示，本发明提出一种基于飞机外表面振动、气动压力等多源数据，利用CNN-LSTM模型识别飞机飞行姿态的方法，首先是获取数据，将基于柔性电子技术而发展的柔性复合传感测量模块共形贴装在飞机外表面，该模块可在飞机正常飞行时实现飞机外表面加速度、气动压力数据的实时监测，图2为柔性复合传感测量模块在飞机外表面的布置方式之一。按照如图2所示的方式获得飞机飞行时外表面的气动压力和振动加速度数据数据，当飞机飞行姿态变化时，相应的气动压力和振动加速度数据时频域上也将有对应的变化。对原始气动压力、振动加速度数据数据进行滤波降噪操作，获得干净的加速度、气动压力数据。
将振动加速度数据、气动压力数据按3：1的比例随机划分为训练集和验证集，利用训练集数据训练CNN-LSTM模型，验证集用于验证训练后的CNN-LSTM模型对飞行姿态识别的准确率，由此便得到了基于飞机外表面的振动加速度数据、气动压力多源数据的飞机飞行姿态识别的CNN-LSTM模型。
实施例2：
本实施例在实施例1的基础上做进一步优化，如图3所示为CNN-LSTM模型数据训练过程的示意图，如图4所示为CNN-LSTM模型结构示意图，CNN-LSTM模型包含了2个CNN卷积层与池化层、2个LSTM层和1个分类输出层。
本实施例的其他部分与实施例1相同，故不再赘述。
实施例3：
本实施例在上述实施例1或2的基础上做进一步优化，在本实施例中，基于振动加速度数据、气动压力多源数据和CNN-LSTM模型的飞机飞行姿态识别的具体过程如下。
(1)使用柔性复合传感测量模块采集飞机作出不同飞行姿态时飞机机翼表面振动、气动压力数据，其中按照机载数据特征设置振动采样频率为2048Hz、气压采样频率为256Hz。
(2)基于经验模态分解(EMD)、变分模态分解(VMD)、小波变换等算法对飞机振动、气动压力数据进行特征分析、噪声去除、得到干净的振动数据ACC(t)和气动压力数据P(t)。
(3)分别将干净的振动数据ACC(t)和气动压力数据P(t)进行切片，每800个数据为一个数据片段，将多个数据片段按3:1的比例随机划分为训练集和验证集，训练集的振动、气动压力数据片段分别按式(1)进行卷积计算，然后使用式(2)的ReLU函数对卷积输出进行激活，为减少神经网络中的参数利用式(3)进行量大池化降维采样操作，然后将池化后的输出作为下一次CNN卷积操作的输入，经过相同的卷积和池化操作生成若干特征映射；
al(m,n)＝f(yl(m,n))＝max{0,yl(m,n)} (2)
式中，为第l层的第m个卷积核的第n'个权值，/>为第l层中第n个被卷积的局部区域，W1为卷积核的宽度，al(m,n)为卷积层输出yl(m,n)的激活值，al(m,t)为第l层第n帧第t个神经元的激活值，W2为池化区域的宽度，pl(m,n)为池化后的输出值。
(4)将两次CNN卷积操作后得到的振动、气动压力数据的特征映射沿时间轴切分，并将其输入至LSTM模型中按式(4)～式(7)进行特征向量t时刻的前向计算，再经式(8)、式(9)计算即可得到不同时刻振动数据与气动压力数据分别对应的细胞状态和隐藏层状态；
ft＝σ(Wfht-1+Ufxt+bf) (4)
it＝σ(Wiht-1+Uixt+bi) (5)
ot＝σ(Woht-1+Uoxt+bo) (6)
at＝tanh(Waht-1+Uaxt+ba) (7)
ct＝ct-1⊙ft+it⊙at (8)
ht＝ot⊙tanh ct (9)
式中，xt表示t时刻的输入，ht-1表示t-1时刻隐藏层的状态值，Wf、Wi、Wo、Wa分别表示遗忘门、输入门、输出门和特征提取过程中ht-1的权重系数，Uf、Ui、Uo、Ua分别表示遗忘门、输入门、输出门和特征提取过程中xt的权重系数，bf、bi、bo、ba分别表示遗忘门、输入门、输出门和特征提取过程中的偏置值，tanh表示双曲正切函数，σ表示激活函数Sigmoid，ct表示t时刻的细胞状态，ht表示t时刻的隐藏层状态。
(5)在振动加速度数据、气动压力数据经历了两次CNN层和两次LSTM层运算后，将输出的振动、气动压力数据对应的细胞状态数据展平并作为全连接层的输入，再利用式(10)的Softmax激活函数将全连接层输出转化为和为1的概率分布，以此作为式(11)分类目标函数的输入参数，最后基于分类目标函数的输出结果即可得到对应的飞机飞行姿态，如此即可识别出当前数据片段所对应的飞机飞行姿态。在以上过程中，振动、气动压力数据经过CNN-LSTM模型后都将得到特征输出结果，在训练集中CNN-LSTM模型将会不断训练，得到两种数据特征结果在识别飞机飞行姿态时的权重，基于所得的最佳权重可由振动、气动压力数据合并计算得到一个特征结果，最后基于这一个特征结果进行飞机飞行姿态的判别；
式中，types为所有分类数，yitag为分类实际标签，yip为分类计算标签。
(6)将训练集所有的振动、气动压力数据片段训练完CNN-LSTM模型后，将验证集数据输入模型，得到对应的飞机飞行姿态并与实际飞行姿态对比，即可计算得到本模型识别的准确率。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化，均落入本发明的保护范围之内。
Claims (5)
1.一种基于多源数据和CNN-LSTM的飞机飞行姿态识别方法，其特征在于，包括以下步骤：
步骤S1，将柔性复合传感测量模块共形贴装在飞机外表面，当飞机飞行姿态变化时，监测获取飞机飞行时外表面的气动压力原始数据和飞行振动加速度原始数据；
步骤S2，获取飞机不同飞行动作下干净的气动压力数据和飞行振动加速度数据；
步骤S3，将气动压力数据和飞行加速度数据按比例划分为训练集和验证集；
步骤S4，使用训练集数据训练CNN-LSTM模型进行迭代训练，并进行飞机飞行姿态的判别；CNN-LSTM模型由从前至后依次连接的2个CNN卷积层与池化层、2个LSTM层和1个分类输出层构成；
所述步骤S4中使用训练集数据训练CNN-LSTM模型进行迭代训练，并进行飞机飞行姿态的判别的过程包括：
将训练集的飞行振动加速度数据片段和气动压力数据片段进行卷积计算；
使用ReLU函数对卷积输出进行激活；
最后进行量大池化降维采样操作，然后将池化后的输出作为下一次CNN卷积操作的输入，经过相同的卷积和池化操作生成若干特征映射；
将两次CNN卷积操作后得到的飞行振动加速度数据、气动压力数据的特征映射沿时间轴切分，并将其输入至CNN-LSTM模型进行特征向量t时刻的前向计算；
再计算即可得到不同时刻振动数据与气动压力数据分别对应的细胞状态和隐藏层状态；
在飞行振动加速度数据、气动压力数据经历了两次CNN层和两次LSTM层运算后，将输出的振动、气动压力数据对应的细胞状态数据展平并作为全连接层的输入，再利用Softmax激活函数将全连接层输出转化为和为1的概率分布，以此作为分类目标函数的输入参数；
最后基于分类目标函数的输出结果即可得到对应的飞机飞行姿态，识别出当前数据片段所对应的飞机飞行姿态；
步骤S5，将验证集数据输入CNN-LSTM模型，得到对应的飞机飞行姿态并与实际飞行姿态对比，计算CNN-LSTM模型识别的准确率。
2.根据权利要求1所述的一种基于多源数据和CNN-LSTM的飞机飞行姿态识别方法，其特征在于，所述步骤S1包括：
使用柔性复合传感测量模块监测获取飞机飞行时外表面的气动压力原始数据和飞行振动加速度原始数据时，按照机载数据特征设置飞行振动加速度采样频率为2048Hz，设置气动压力原始数据采样频率为256Hz。
3.根据权利要求1所述的一种基于多源数据和CNN-LSTM的飞机飞行姿态识别方法，其特征在于所述步骤S2包括：
基于经验模态分解算法、变分模态分解和小波变换算法对飞机飞行时外表面的气动压力原始数据和飞行加速度原始数据进行特征分析、噪声去除和滤波降噪操作，获得干净的气动压力数据和飞行振动加速度数据。
4.根据权利要求1所述的一种基于多源数据和CNN-LSTM的飞机飞行姿态识别方法，其特征在于，所述步骤S3包括：
分别将干净的飞行振动加速度数据和气动压力数据进行切片，每800个数据为一个数据片段，将多个数据片段按3:1的比例随机划分为训练集和验证集。
5.根据权利要求1所述的一种基于多源数据和CNN-LSTM的飞机飞行姿态识别方法，其特征在于，所述步骤S5包括：
将训练集所有的飞行振动加速度数据片段、气动压力数据片段训练完CNN-LSTM模型后，将验证集数据输入CNN-LSTM模型，得到对应的飞机飞行姿态并与实际飞行姿态对比，计算得到CNN-LSTM模型识别的准确率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211145771.0A CN115526243B (zh) | 2022-09-20 | 2022-09-20 | 一种基于多源数据和cnn-lstm的飞机飞行姿态识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211145771.0A CN115526243B (zh) | 2022-09-20 | 2022-09-20 | 一种基于多源数据和cnn-lstm的飞机飞行姿态识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115526243A CN115526243A (zh) | 2022-12-27 |
| CN115526243B true CN115526243B (zh) | 2023-12-12 |
Family
ID=84697028
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211145771.0A Active CN115526243B (zh) | 2022-09-20 | 2022-09-20 | 一种基于多源数据和cnn-lstm的飞机飞行姿态识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115526243B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113607205A (zh) * | 2021-08-02 | 2021-11-05 | 中国民航大学 | 一种航空发动机传感器故障检测方法及装置 |
| CN114021441A (zh) * | 2021-10-28 | 2022-02-08 | 江苏科技大学 | 一种基于CNN-BiLSTM的船舶运动姿态预测方法 |
-
2022
- 2022-09-20 CN CN202211145771.0A patent/CN115526243B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113607205A (zh) * | 2021-08-02 | 2021-11-05 | 中国民航大学 | 一种航空发动机传感器故障检测方法及装置 |
| CN114021441A (zh) * | 2021-10-28 | 2022-02-08 | 江苏科技大学 | 一种基于CNN-BiLSTM的船舶运动姿态预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 方伟等.基于神经网络的符号化飞行动作识别.《系统工程与电子技术》.2021,第1-14页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115526243A (zh) | 2022-12-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110018453B (zh) | 基于飞机航迹特征的智能机型识别方法 | |
| CN110307982B (zh) | 基于CNN和Adaboost的轴承故障分类方法 | |
| CN111368885B (zh) | 一种航空发动机气路故障诊断方法 | |
| CN110851957A (zh) | 一种基于深度学习的大气数据传感系统解算方法 | |
| CN114111764B (zh) | 一种导航知识图谱构建及推理应用方法 | |
| Mangortey et al. | Application of machine learning techniques to parameter selection for flight risk identification | |
| CN111142538B (zh) | 一种水环境监测的无人船运行策略实时决策方法 | |
| CN112859898B (zh) | 一种基于双通道双向神经网络的飞行器轨迹预测方法 | |
| Dong et al. | Deep learning in aircraft design, dynamics, and control: Review and prospects | |
| CN101853531A (zh) | 基于预分类技术和rbf神经网络的直升机飞行状态识别方法 | |
| Nimmagadda et al. | Predicting airline crash due to birds strike using machine learning | |
| Jarry et al. | Approach and landing aircraft on-board parameters estimation with lstm networks | |
| CN112985830A (zh) | 一种abs结果自动判定算法 | |
| CN115170816A (zh) | 多尺度特征提取系统、方法和风机桨叶缺陷检测方法 | |
| CN115526243B (zh) | 一种基于多源数据和cnn-lstm的飞机飞行姿态识别方法 | |
| CN112784487B (zh) | 飞行动作识别方法和装置 | |
| CN107169532B (zh) | 一种基于小波分析和半监督学习的车联网油耗数据质量评估方法 | |
| CN113128769A (zh) | 基于深度学习的智能航班延误预测方法 | |
| CN113064133A (zh) | 一种基于时频域深度网络的海面小目标特征检测方法 | |
| CN114692786B (zh) | 一种基于多源数据融合的民机故障诊断方法 | |
| CN115526227A (zh) | 一种直升机飞行数据瞬时异常检测方法 | |
| Laurence et al. | Development and flight test results of a small UAS distributed flush airdata system | |
| CN111582335B (zh) | 一种基于迁移学习的小样本机场大雾预报预警方法 | |
| CN116304966A (zh) | 基于多源数据融合的航迹关联方法 | |
| CN115205582A (zh) | 一种拟图智能化航空传感器故障检测与分类方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |