CN116468174A - 飞行参数预测及置信度评价方法 - Google Patents
飞行参数预测及置信度评价方法 Download PDFInfo
- Publication number
- CN116468174A CN116468174A CN202310442233.6A CN202310442233A CN116468174A CN 116468174 A CN116468174 A CN 116468174A CN 202310442233 A CN202310442233 A CN 202310442233A CN 116468174 A CN116468174 A CN 116468174A
- Authority
- CN
- China
- Prior art keywords
- uncertainty
- network
- flight
- predicted
- parameter
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 49
- 230000001149 cognitive effect Effects 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 36
- 238000000605 extraction Methods 0.000 claims description 26
- 238000007710 freezing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 5
- 238000012217 deletion Methods 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 230000008014 freezing Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000013210 evaluation model Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000011002 quantification Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 2
- 241000272525 Anas platyrhynchos Species 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000013531 bayesian neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0495—Quantised networks; Sparse networks; Compressed 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Automation & Control Theory (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及飞行参数预测技术领域,具体涉及飞行参数预测及置信度评价方法。本发明首先采集一段时间内飞机缺失同一飞行参数后的多组飞行数据;然后对采集的飞行数据进行处理得到模型输入样本,将模型输入样本输入到置信度评价网络模型中,得到预测结果序列和偶然不确定性序列;接着得到缺失飞行参数最终预测结果、认知不确定性量化值和偶然不确定性量化值;最后根据认知不确定性量化值以及偶然不确定性量化值计算得到缺失参数最终预测结果的置信度。本发明综合考虑了认知不确定性和偶然不确定性对预测模型的影响,分别量化了模型中的认知不确定性和偶然不确定性。
Description
技术领域
本发明涉及飞行参数预测技术领域,具体涉及飞行参数预测及置信度评价方法。
背景技术
有人战斗机、无人机等现代航空器常在低压、严寒、低可见度等极端的环境中工作,这些航空器的导航系统是多个子系统功能交联的复杂系统,负责实时监测航空器的飞行状态,为飞行员或地面控制人员提供决策依据,是航空器安全稳定运行的重要基础。当导航系统处于异常或故障状态下,导航系统将向飞控系统发送异常导航数据,即导航欺骗,这将严重影响航空器安全性能。
深度学习技术被广泛应用于图像识别、机器翻译、强化学习等多种任务中,且都取得了巨大成功。但是,深度神经网络无法量化其结果的不确定性,给出的预测结果并不是完全可靠的。在航空、航天等安全性要求较高的关键领域,如果完全依赖于深度学习模型的预测结果可能会导致灾难性的后果。不确定性量化是使得深度神经网络具备了解未知信息能力的关键,在导航欺诈识别任务中对广泛存在的多源不确定性进行量化分析,实现飞参数据预测模型的置信度评价,可以有效提升导航系统的综合安全性能,保证飞机安全稳定运行。
在深度学习中普遍存在两种不确定性,分别为认知不确定性和偶然不确定性。认知不确定性是由于历史数据不足、训练不完全而造成的,在数据集充足的条件下,认知不确定性可以被有效降低。偶然不确定性是由于环境或传感器固有特性而导致采集数据中存在噪声,从而使得预测与异常定位结果中存在随机性,偶然不确定性在实际工程应用中是无法避免的。
目前针对量化深度学习中认知不确定性的方法可以分为基于贝叶斯网络的方法和非贝叶斯网络方法两类。基于贝叶斯神经网络的方法通过预先指定神经网络参数先验分布,在给定训练数据的情况下,通过计算参数后验分布来量化预测不确定性。基于贝叶斯网络的方法使用权重和偏置分布代替传统神经网络中确定的权重与偏置,能有效捕获模型参数细微改变对预测结果的影响,从而计算预测结果的置信度,提高模型的鲁棒性。常用的基于贝叶斯网络的不确定性量化方法有蒙特卡洛、拉普拉斯近似、变分自编码器等。然而基于贝叶斯网络的方法通常需要计算精确的模型后验,在实际应用时十分精确的模型后验是难以计算的,因此常用变分法对模型的后验分布进行近似。另一类量化认知不确定性的方法是非贝叶斯方法,具有代表性的是基于模型集成和证据理论的度量算法。基于模型集成的方法是通过合成多个容易单独出现错误的预测结果来减小方差,并生成模型不确定性的分布估计,但集成需要更高的内存和计算成本,在许多场合中很难进行模型部署,并且该方法可能会混淆不确定性的来源。目前针对量化数据本身分布的偶然不确定性的研究相对较少,当测试数据类重叠或数据中存在噪声时就会出现偶然不确定性,相比于认知不确定性,尽管偶然不确定性公式是通过最大似然训练自然测量的,在大多数工作中仍没有考虑数据本身的不确定性。然而,现实数据的噪声性、不一致性和多模态性使得偶然不确定性不可忽视。
综上所述,目前针对基于神经网络预测模型的不确定性量化研究仅单独分析了认知不确定性和偶然不确定性,缺乏综合分析两种不确定性对预测结果的影响。
发明内容
为了解决现有技术中仅单独分析认知不确定性和偶然不确定性,缺乏综合分析两种不确定性对预测结果影响的技术问题,本申请提供一种既能预测缺失飞行参数的值,又能对预测结果从认知不确定性和偶然不确定性两方面考虑得出置信度的飞行参数预测及置信度评价方法。具体如下:
飞行参数预测及置信度评价方法,包括如下步骤:
S1,采集一段时间内飞机缺失同一飞行参数后的多组飞行数据,每组飞行数据均包括N-1个飞行参数;
S2,对所采集的飞行数据进行归一化处理和滑窗取样本操作,滑窗后模型输入样本表示为tX=(xt-1,xt-2,…xt-D),xt∈RN-1表示在t时刻N-1个飞行参数的取值,D表示窗体宽度;
S3,将步骤S2中得到的模型输入样本Xt=(xt-1,xt-2,…xt-D)输入到置信度评价网络模型中,得到M个缺失飞行参数的预测结果序列和M个偶然不确定性序列/>其中/>表示M个预测结果中的第m个预测结果在t时刻的取值,/>表示M个偶然不确定性中第m个偶然不确定性在t时刻的取值,1≤m≤M,m∈[1,M];
S4,根据步骤S3所得到的预测结果序列和偶然不确定性序列得到缺失飞行参数最终预测结果/>认知不确定性量化值/>和偶然不确定性量化值/>
S5,根据认知不确定性量化值以及偶然不确定性量化值/>计算得到缺失参数最终预测结果的置信度u。
进一步的是,步骤S4中,取预测结果序列的均值作为缺失参数最终预测结果/>
进一步的是,步骤S4中,取预测结果序列的方差作为认知不确定性量化值/>
进一步的是,步骤S4中,取偶然不确定性序列的均值作为偶然不确定性量化值/>
进一步的是,步骤S5中,置信度u的计算公式为: 其中,λau为偶然不确定性权重,λeu为认知不确定性权重,ε为误差度量系数。
进一步的是,步骤S3中置信度评价网络模型的建立步骤如下:
S31,搭建一个双头网络;
S311,建立综合特征提取网络用于提取输入数据中的综合高级抽象特征与特征降维,该网络输入为t时刻模型输入样本Xt,输出为t时刻综合特征/>θc为综合特征提取网络的权重;
S312,建立预测结果输出网络和偶然不确定网络/>
预测结果输出网络的输入为在t时刻的综合特征/>输出为在t时刻缺失参数的预测值/>θeu为预测结果输出网络的权重;
偶然不确定网络用于获取数据中的偶然不确定性,该网络输入为在t时刻的综合特征/>输出为t时刻偶然不确定性/>θau为偶然不确定网络的权重;
S313,将步骤S311和S312建立的三个网络,连接组成一个同构双头网络;
S32,重复步骤S31,得到M个同构双头网络,并将M个同构双头网络相互连接,得到置信度评价网络模型。
进一步的是,采用如下步骤训练按所建立的置信度评价网络模型:
S100,采集数据,采集飞机进行多次正常飞行的飞行数据,每次飞行数据中均包含N个飞行参数;
S200,选择N个飞行参数中某一个飞行参数作为待预测参数,所选待预测参数真实值记为yt;
S201,对去除带预测参数外其余飞行参数进行归一化处理和滑窗取样本操作,得到模型输入样本Xt=(xt-1,xt-2,…xt-D),xt∈RN-1表示在t时刻N-1个飞行参数的取值,D表示窗体宽度;
S202,训练综合特征提取网络与预测结果输出网络/>
将步骤S201中得到的模型输入样本Xt=(xt-1,xt-2,…,xt-D)输入到按权利要求4所述搭建的置信度评价网络模型中,通过均方误差损失函数输出飞行参数的预测结果序列/>其中b为单批次样本数量,取预测结果序列的均值作为最终预测结果/>取预测结果序列的方差作为最终认知不确定性;使得多源不确定性的飞参数据预测模型的最终预测结果/>逼近待预测参数的真实值yt;确定待预测参数的综合特征提取网络的权重θc和预测结果输出网络的权重θeu;
S203,训练偶然不确定性网络
冻结综合特征提取网络αt=fθc(Xt)与预测结果输出网络已训练好的参数权重θc和θeu,将步骤S201中得到的模型输入样本Xt=(xt-1,xt-2,…,xt-D)输入到按权利要求4所述搭建的置信度评价网络模型中,通过偶然不确定性损失函数/> 输出待预测参数的预测值/>及偶然不确定性序列/>其中b为单批次样本数量,取偶然不确定性序列的均值作为最终的偶然不确定性/>使得多源不确定性的飞参数据预测模型的偶然不确定性能充分描述预测值和真实值之间的差异,确定待预测飞行参数的偶然不确定性网络的权重θau
S300,依次选择N个飞行参数中其他飞行参数作为待预测参数,重复步骤S201至S203,确定各个飞行参数的综合特征提取网络的权重θc、预测结果输出网络的权重θeu和偶然不确定性网络的权重θau。
进一步的是,在进行步骤S2和步骤S201之前,先对采集的飞参数据进行清洗。
本发明的有益效果是:
1.本发明综合考虑了认知不确定性和偶然不确定性对预测模型的影响,分别量化了模型中的认知不确定性和偶然不确定性,结合双输出贝叶斯神经网络和同构双头网络模型集成的方法,能够实现飞行参数预测及预测值进行置信度评价,最终得到的置信度指标也更为可靠。
2.本发明使用同构双头网络模型集成的方法量化认知不确定性,相较于其他基于贝叶斯网络的方法,使用同构双头网络可得到预测数据的分布,同时该方法可以进行并行运算,加快运算效率。
3.本发明建立了双输出神经网络,设计了偶然不确定性损失函数,捕获了数据层面的噪声,分别训练认知不确定性和偶然不确定性,提升了不确定性量化模型的可迁移性以及可扩展性,构建了一种简单且通用的不确定性量化方法。
附图说明
图1是本申请飞行参数预测及置信度评价方法流程图;
图2是本申请中滑窗处理示意图;
图3是本申请中同构双头网络结构示意图;
图4是本申请中置信度评价网络模型结构示意图;
图5是本申请实施例注入50db噪声数据后得到俯仰角最终预测结果及置信度;
图6是本申请实施例注入20db噪声数据后得到俯仰角最终预测结果及置信度;
图7是本申请实施例注入10db噪声数据后得到俯仰角最终预测结果及置信度。
具体实施方式
以下结合附图对本发明的具体实施方式作进一步具体说明,以便对本发明的构思、所解决的技术问题、构成技术方案的技术特征和带来的技术效果有更进一步的了解。但是,需要说明的是,对这些实施方式的说明是示意性的,并不构成对本发明的具体限定。
飞行参数是指能表示飞机在飞行过程中状态的参数,其包括轴向过载、侧向过载、法向过载、俯仰角速率、滚转角速率、偏航角速率、攻角、侧滑角、飞行航迹角、航迹倾斜角、真航向角、俯仰角、横滚角、真空速、地速等。飞行参数能为飞行员或地面控制员的决策提供依据。当飞机导航系统发生异常或故障,飞行系统将向飞控系统发送异常的飞行数据,这将严重影响飞行安全。
随着科学技术的发展,深度学习技术被广泛用于飞行参数预测,但是深度学习网络所预测的结果其实并非完全可靠,如果完全依赖深度学习网络的预测结果可能会导致灾难性的后果。不确定性量化是使得深度学习神经网络具备了解未知信息能力的关键,在导航欺诈识别任务中对广泛存在的多源不确定性进行量化分析,实现飞参数据预测模型的置信度评价,可以有效提升导航系统的综合安全性能,保证飞机安全稳定运行。在深度学习中普遍存在两种不确定性,认知不确定性和偶然不确定性,但目前针对基于神经网络预测模型的不确定性量化研究仅单独分析了认知不确定性和偶然不确定性,缺乏综合分析两种不确定性对预测模型的影响。
基于上述,有必要提供一种同时考虑认知不确定性和偶然不确定性的飞行参数预测及置信度评价方法,具体包括如下步骤:
首先,S1,采集一段时间内飞机缺失同一飞行参数后的多组飞行数据,每组飞行数据均包括N-1个飞行参数;
然后,S2,对所采集的飞行数据进行归一化处理和滑窗取样本操作,滑窗后模型输入样本表示为Xt=(xt-1,xt-2,…xt-D),xt∈RN-1表示在t时刻N-1个飞行参数的取值,D表示窗体宽度。滑窗处理如图2所示。本领域技术人员应当理解的是,本方法是利用历史多组缺失同一飞行参数后的飞行数据,去预测下一时刻所缺失飞行参数的取值,并对所缺失飞行参数的最终预测结果做出置信度评价。本方法的模型输入样本Xt=(xt-1,xt-2,…xt-D)是一个(N-1)×D的二维数据。
本申请中“缺失”包括因异常情况未采集到飞行参数导致飞行参数缺失,还包括参数异常以及提供参数冗余信息两种情况。
当完成步骤S2之后,便需要进行步骤S3,将步骤S2中得到的模型输入样本Xt=(xt-1,xt-2,…xt-D)输入到置信度评价网络模型中,得到M个缺失飞行参数的预测结果序列和M个偶然不确定性序列/>其中/>表示M个预测结果中的第m个预测结果在t时刻的取值,/>表示M个偶然不确定性中第m个偶然不确定性在t时刻的取值,1≤m≤M,m∈[1,M]。
S4,根据步骤S3所得到的预测结果序列和偶然不确定性序列得到缺失飞行参数最终预测结果/>认知不确定性量化值/>和偶然不确定性量化值/>
S5,根据认知不确定性量化值以及偶然不确定性量化值/>计算得到缺失参数最终预测结果/>的置信度u。
步骤S3中,会得到多个缺失飞行参数的预测结果和多个偶然不确定性,在本申请中取预测结果序列的均值作为缺失参数最终预测结果/>取预测结果序列的方差作为认知不确定性量化值/>取偶然不确定性序列/>的均值作为偶然不确定性量化值/>
步骤S5中,置信度u的计算公式为: 其中,λau为偶然不确定性权重,λeu为认知不确定性权重,ε为误差度量系数。
置信度u的计算公式内涉及到了λau、λeu、和ε五个参数,其中/>和/>按照上述步骤计算得到。λau为偶然不确定性权重,λeu为认知不确定性权重,ε为误差度量系数,这三个值由使用者结合实际情况做出适用性的选择,在本申请中不做限定。
u为通过本申请所提供方法最终计算出来的缺失参数最终预测结果的置信度,u的范围在(0,100)之间,其值越接近于0,表示置信度越小,表示缺失参数最终预测结果的可信度越小;其值越接近于100,表示置信度越高,表示缺失参数最终预测结果可信度越大。若计算出u的值小于0则对其进行强制归0处理。
由上述可知,本方法综合考虑了认知不确定性和偶然不确定性对预测结果的影响,分别量化了模型中的认知不确定性和偶然不确定性,最终所得的置信度u是更加准确客观地。
在步骤S2中置信度评价网络模型会输出M个缺失飞行参数的预测结果和M个偶然不确定性/>置信度评价网络模型的结构如图3所示,图3所示的置信度评价网络模型的结构是由多个如图2所示的同构双头网络连接组成的。
首先,如图2所示,一个同构双头网络包括一个综合特征提取网络,一个预测结果输出网络和一个偶然不确定性网络。数据输入到综合特征提取网络,综合特征提取网络将输出结果同时将输出结果输入到预测结果输出网络和偶然不确定性输出网络中,预测结果输出网络输出预测结果,偶然不确定性网络输出偶然不确定性。本领域技术人员应当理解的是,一个同构双头网络最终仅输出一个预测结果和一个偶然不确定性,在本申请步骤S3中要求输出M个预测结果和偶然不确定性,因此应当搭建M个同构双头网络。
具体的是,步骤S3中置信度评价模型可按照下述步骤建立:
S31,搭建一个同构双头网络。
S311,建立综合特征提取网络用于提取输入数据中的综合高级抽象特征与特征降维,该网络输入为t时刻模型输入样本Xt,输出为t时刻综合特征/>θc为综合特征提取网络的权重。
S312,建立预测结果输出网络和偶然不确定网络/>
预测结果输出网络的输入为在t时刻的综合特征/>输出为在t时刻缺失参数的预测值/>θeu为预测结果输出网络的权重;
偶然不确定网络用于获取数据中的偶然不确定性,该网络输入为在t时刻的综合特征/>输出为t时刻偶然不确定性/>θau为偶然不确定网络的权重。
S313,将步骤S211和S212建立的三个网络,连接组成一个同构双头网络。
S32,重复步骤S21,得到M个同构双头网络,并将M个同构双头网络相互连接,得到置信度评价网络模型。
本领域技术人员应当理解的是,上述表示的是M个同构双头网络中第m个同构双头网络的综合特征提取网络;/>表示的是M个同构双头网络中第m个同构双头网络的预测结果输出网络;/>表示的是M个同构双头网络中第m个同构双头网络的偶然不确定网络。
当置信度评价模型建立完成则需要对该模型进行训练,训练的目的在于确定各个同构双头网络中综合特征提取网络的综合特征提取网络的权重θc、预测结果输出网络/>的预测结果输出网络的权重θeu、偶然不确定性网络/>的偶然不确定性网络的权重θau。具体的是,采用如下步骤训练按上述步骤建立的置信度评价模型:
S100,采集数据,采集飞机进行多次正常飞行的飞行数据,每次飞行数据中均包含N个飞行参数。
容易理解的是训练过程应当选用正常飞行状态而非异常状况下的飞行参数,才能达到训练的目的。
S200,选择N个飞行参数中某一个飞行参数作为待预测参数,所选待预测参数真实值记为yt。
S201,对去除带预测参数外其余飞行参数进行归一化处理和滑窗取样本操作,得到模型输入样本Xt=(xt-1,xt-2,…xt-D),xt∈RN-1表示在t时刻N-1个飞行参数的取值,D表示窗体宽度。
本申请采用两阶段训练算法,首先,S202,训练综合特征提取网络与预测结果输出网络/>
将步骤S201中得到的模型输入样本Xt=(xt-1,xt-2,…,xt-D)输入到按上述搭建的置信度评价网络模型中,通过均方误差损失函数输出飞行参数的预测结果序列/>其中b为单批次样本数量,取预测结果序列的均值作为最终预测结果/>取预测结果序列的方差作为最终认知不确定性;使得多源不确定性的飞参数据预测模型的预测值/>逼近待预测参数的真实值yt;确定待预测参数的综合特征提取网络的权重θc和预测结果输出网络的权重θeu;
S203,训练偶然不确定性网络
冻结综合特征提取网络与预测结果输出网络/>已训练好的参数权重θc和θeu,将步骤S201中得到的模型输入样本Xt=(xt-1,xt-2,…,xt-D)输入到按上述搭建的的置信度评价网络模型中,通过偶然不确定性损失函数输出待预测参数的预测值及偶然不确定性序列/>其中b为单批次样本数量,取偶然不确定性序列的均值作为最终的偶然不确定性/>使得多源不确定性的飞参数据预测模型的偶然不确定性/>能充分描述预测值和真实值之间的差异,确定待预测飞行参数的偶然不确定性网络的权重θau。
S300,依次选择N个飞行参数中其他飞行参数作为待预测参数,重复步骤S201至S203,确定各个飞行参数的综合特征提取网络的权重θc、预测结果输出网络的权重θeu和偶然不确定性网络的权重θau。
应当理解的是,在训练置信度评价模型时,应当对其内的M个同构双头网络设置不一样的初始化权重,训练过程存在随机性,M个同构模型学习到的参数不一样,最终所得到的权重不一样。
传统异方差函数设计损失函数为其损失函数存在‖yi-f(xi)‖2和2σ(xi)2两项对抗项,导致模型训练过程中难以收敛。
本申请采用了两阶段训练算法,即首先训练综合特征提取网络与预测结果输出网络/>训练采用的损失函数为/>然后训练偶然不确定性网络/>在训练偶然不确定性网络/>过程中冻结综合特征提取网络/>与预测结果输出网络/>以训练好的权重,训练采用的损失函数为/>
两阶段训练算法相比于传统采用异方差函数,不存在‖yi-f(xi)‖2和2σ(xi)2两项对抗项,置信度评价模型训练过程中更易收敛。且本申请中的偶然不确定性损失函数 是在考虑观测噪声的基础上设计的,能提升不确定性量化模型的可迁移性以及可扩展性。偶然不确定性损失函数中/>来自于认知不确定性网络,针对固定输入数据该值为固定值。
优选的是,在进行步骤S2和步骤S201之前,先对采集的飞参数据进行清洗。清洗具体内容包含缺失值处理、重复值处理、数据重采样等操作。
一个神经网络模型搭建完成后都会经过训练和测试过程。为了进一步阐述本申请训练置信度评价网络模型的步骤,同时也为了证明本申请的有效性,本申请通过以下实施例来说明:
本实施例首先对无人机飞行任务中的传感器数据进行采集,获取正常状态下12次的飞行数据作为12个训练集。将4种不同型号飞机的飞行参数数据作为7个测试集。每次飞行数据里包含32个飞行参数,具体为:轴向过载、侧向过载、法向过载、俯仰角速率、滚转角速率、偏航角速率、攻角、侧滑角、飞行航迹角、航迹倾斜角、真航向角、俯仰角、横滚角、真空速、地速、静压、动压、天向速度、起落架、飞机重心、飞机重量、左鸭翼舵面位置、左ETU转角、左内副翼舵面位置、左前襟舵面内侧位置、左外副翼舵面位置、左方向舵舵面位置、右鸭翼舵面位置、右ETU转角、右内副翼舵面位置、右前襟舵面内侧位置、右外副翼舵面位置、右方向舵舵面位置。
然后对含有33个飞行参数的训练集和测试集进行归一化和滑窗处理。首先通过各飞行参数的最大值xmax和最小值xmin,将原始数据x等比缩放至[0,1]区间,得到归一化后的飞行数据然后通过滑动窗口和切片相结合的方式将训练集和测试集的数据划分成样本,并设置滑动步长为100,使用历史切片数据去预测待检测导航参数在当前时刻的数据,完成数据的滑窗取样本操作。滑窗后单个样本为Xt=(xt-1,xt-2,…xt-D),其中t为飞行数据的时间戳,D为窗体宽度。将Xt=(xt-1,xt-2,…xt-D)作为t时刻输入模型的数据,Yt=yt为模型的输出目标值,即t时刻待检测参数的预测值,如图4所示。
建立5个同构头双头网络,然后将5个同构头双头网络连接组成置信度评价网络模型,如图3所示。
接着,对构造好的置信度评价网络模型进行训练,采用二阶段训练算法。第一阶段训练综合特征提取网络与预测结果输出网络/>将处理好的飞参数据训练集Xt=(xt-1,xt-2,…xt-D)作为输入,通过均方误差损失函数/>输出5个的预测结果及5个认知不确定性,取预测结果序列的均值作为最终预测结果/>取预测结果序列的方差作为最终认知不确定性;使得多源不确定性的飞参数据预测模型的预测值/>逼近待预测参数的真实值yt;确定待预测参数的综合特征提取网络的权重θc和预测结果输出网络的权重θeu。
第二阶段训练偶然不确定性输出网络在训练过程冻结综合特征提取网络与预测结果输出网络的参数权重,在考虑观测噪声的基础上设计偶然不确定性损失函数/>输入同样的训练集,输出5个的预测结果及5个偶然不确定性,取预测结果序列的方差作为最终认知不确定性;取偶然不确定性序列的均值作为最终的偶然不确定性/>使得多源不确定性的飞参数据预测模型的偶然不确定性/>能充分描述预测值和真实值之间的差异,确定待预测飞行参数的偶然不确定性网络的权重θau。
接着将处理好的测试集数据X植入不同程度的噪声δsnr,植入噪声后的数据为X′=X+δsnr。具体地,以俯仰角为例,在除俯仰角外的32个飞参中分别注入50db、20db、10db噪声数据,将注入噪声的数据输入模型,得到不同噪声下俯仰角的预测结果以及预测置信度,如图5、图6、图7所示。从图5、图6、图7中可以发现,随着信噪比降低,预测数据逐渐偏离真实数据,同时置信度指标也随着信噪比降低而降低,表明本文所提置信度评估指标能有效表示预测结果准确度。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;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,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.飞行参数预测及置信度评价方法,其特征在于,包括如下步骤:
S1,采集一段时间内飞机缺失同一飞行参数后的多组飞行数据,每组飞行数据均包括N-1个飞行参数;
S2,对所采集的飞行数据进行归一化处理和滑窗取样本操作,滑窗后模型输入样本表示为Xt=(xt-1,xt-2,...xt-D),xt∈RN-1表示在t时刻N-1个飞行参数的取值,D表示窗体宽度;
S3,将步骤S2中得到的模型输入样本Xt=(xt-1,xt-2,...xt-D)输入到置信度评价网络模型中,得到M个缺失飞行参数的预测结果序列和M个偶然不确定性序列其中/>表示M个预测结果中的第m个预测结果在t时刻的取值,/>表示M个偶然不确定性中第m个偶然不确定性在t时刻的取值,1≤m≤M,m∈[1,M];
S4,根据步骤S3所得到的预测结果序列和偶然不确定性序列得到缺失飞行参数最终预测结果/>认知不确定性量化值/>和偶然不确定性量化值/>
S5,根据认知不确定性量化值以及偶然不确定性量化值/>计算得到缺失参数最终预测结果的置信度u。
2.根据权利要求1所述的飞行参数预测及置信度评价方法,其特征在于:步骤S4中,取预测结果序列的均值作为缺失参数最终预测结果/>
3.根据权利要求1所述的飞行参数预测及置信度评价方法,其特征在于:步骤S4中,取预测结果序列的方差作为认知不确定性量化值/>
4.根据权利要求1所述的飞行参数预测及置信度评价方法,其特征在于:步骤S4中,取偶然不确定性序列的均值作为偶然不确定性量化值/>
5.根据权利要求1所述的飞行参数预测及置信度评价方法,其特征在于,步骤S5中,置信度u的计算公式为: 其中,λau为偶然不确定性权重,λeu为认知不确定性权重,ε为误差度量系数。
6.根据权利要求1所述的飞行参数预测及置信度评价方法,其特征在于,步骤S3中置信度评价网络模型的建立步骤如下:
S31,搭建一个双头网络;
S311,建立综合特征提取网络用于提取输入数据中的综合高级抽象特征与特征降维,该网络输入为t时刻模型输入样本Xt,输出为t时刻综合特征/>θc为综合特征提取网络的权重;
S312,建立预测结果输出网络和偶然不确定网络/>
预测结果输出网络的输入为在t时刻的综合特征/>输出为在t时刻缺失参数的预测值/>θeu为预测结果输出网络的权重;
偶然不确定网络用于获取数据中的偶然不确定性,该网络输入为在t时刻的综合特征/>输出为t时刻偶然不确定性/>θau为偶然不确定网络的权重;
S313,将步骤S311和S312建立的三个网络,连接组成一个同构双头网络;
S32,重复步骤S31,得到M个同构双头网络,并将M个同构双头网络相互连接,得到置信度评价网络模型。
7.根据权利要求6所述的飞行参数预测及置信度评价方法,其特征在于,采用如下步骤训练按权利要求6所建立的置信度评价网络模型:
S100,采集数据,采集飞机进行多次正常飞行的飞行数据,每次飞行数据中均包含N个飞行参数;
S200,选择N个飞行参数中某一个飞行参数作为待预测参数,所选待预测参数真实值记为yt;
S201,对去除带预测参数外其余飞行参数进行归一化处理和滑窗取样本操作,得到模型输入样本Xt=(xt-1,xt-2,...xt-D),xt∈RN-1表示在t时刻N-1个飞行参数的取值,D表示窗体宽度;
S202,训练综合特征提取网络与预测结果输出网络/>
将步骤S201中得到的模型输入样本Xt=(xt-1,xt-2,...,xt-D)输入到按权利要求6所述搭建的置信度评价网络模型中,通过均方误差损失函数输出飞行参数的预测结果序列/>其中b为单批次样本数量,取预测结果序列的均值作为最终预测结果/>取预测结果序列的方差作为最终认知不确定性;使得多源不确定性的飞参数据预测模型的最终预测结果/>逼近待预测参数的真实值yt;确定待预测参数的综合特征提取网络的权重θc和预测结果输出网络的权重θeu;
S203,训练偶然不确定性网络
冻结综合特征提取网络与预测结果输出网络/>已训练好的参数权重θc和θeu,将步骤S201中得到的模型输入样本Xt=(xt-1,xt-2,...,xt-D)输入到按权利要求6所述搭建的置信度评价网络模型中,通过偶然不确定性损失函数/> 输出待预测参数的预测值/>及偶然不确定性序列/>其中b为单批次样本数量,取偶然不确定性序列的均值作为最终的偶然不确定性/>使得多源不确定性的飞参数据预测模型的偶然不确定性能充分描述预测值和真实值之间的差异,确定待预测飞行参数的偶然不确定性网络的权重θau。
S300,依次选择N个飞行参数中其他飞行参数作为待预测参数,重复步骤S201至S203,确定各个飞行参数的综合特征提取网络的权重θc、预测结果输出网络的权重θeu和偶然不确定性网络的权重θau。
8.根据权利要求1或7所述的飞行参数预测及置信度评价方法,其特征在于:在进行步骤S2和步骤S201之前,先对采集的飞参数据进行清洗。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310442233.6A CN116468174A (zh) | 2023-04-23 | 2023-04-23 | 飞行参数预测及置信度评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310442233.6A CN116468174A (zh) | 2023-04-23 | 2023-04-23 | 飞行参数预测及置信度评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116468174A true CN116468174A (zh) | 2023-07-21 |
Family
ID=87182123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310442233.6A Pending CN116468174A (zh) | 2023-04-23 | 2023-04-23 | 飞行参数预测及置信度评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116468174A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117290664A (zh) * | 2023-09-27 | 2023-12-26 | 贵州大学 | 一种基于emd-blstm模型的刀盘扭矩实时动态预测方法及装置 |
-
2023
- 2023-04-23 CN CN202310442233.6A patent/CN116468174A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117290664A (zh) * | 2023-09-27 | 2023-12-26 | 贵州大学 | 一种基于emd-blstm模型的刀盘扭矩实时动态预测方法及装置 |
CN117290664B (zh) * | 2023-09-27 | 2024-04-26 | 贵州大学 | 一种基于emd-blstm模型的刀盘扭矩实时动态预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108594788B (zh) | 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法 | |
CN108960303B (zh) | 一种基于lstm的无人机飞行数据异常检测方法 | |
CN110807257A (zh) | 航空发动机剩余寿命预测方法 | |
CN108256173B (zh) | 一种航空发动机动态过程的气路故障诊断方法及系统 | |
CN112884051B (zh) | 数据驱动的轻量级无人机多部件在线复杂故障诊断方法 | |
CN112800616B (zh) | 基于比例加速退化建模的设备剩余寿命自适应预测方法 | |
CN113722985B (zh) | 航空发动机健康状态评估和剩余寿命预测方法及系统 | |
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 | |
Remadna et al. | Leveraging the power of the combination of CNN and bi-directional LSTM networks for aircraft engine RUL estimation | |
CN112785091A (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
CN116468174A (zh) | 飞行参数预测及置信度评价方法 | |
CN112487694B (zh) | 一种基于多退化指标的复杂设备剩余寿命预测方法 | |
CN114330517A (zh) | 一种基于神经网络的航空发动机传感器故障自诊断方法 | |
CN114943179A (zh) | 基于多源退化数据融合的可靠性评估及剩余寿命预测方法 | |
Li et al. | Remaining useful life prediction of aero-engine based on PCA-LSTM | |
CN108388229B (zh) | 基于健康度的四旋翼随机混杂系统健康评估方法 | |
Mersha et al. | Data-driven model for accommodation of faulty angle of attack sensor measurements in fixed winged aircraft | |
Zhang et al. | Identification of concrete surface damage based on probabilistic deep learning of images | |
CN111930094A (zh) | 一种基于扩展卡尔曼滤波的无人机执行机构故障诊断方法 | |
Kakati et al. | Remaining useful life predictions for turbofan engine degradation using online long short-term memory network | |
CN114037012B (zh) | 基于相关性分析与深度学习的飞行数据异常检测方法 | |
CN110986946A (zh) | 一种动态位姿估计方法及装置 | |
CN114154266B (zh) | 基于偏秩相关的流因果结构学习的燃气轮机故障预测方法 | |
Reed | Development of a parametric-based indirect aircraft structural usage monitoring system using artificial neural networks | |
CN104200269A (zh) | 一种基于在线学习最小嵌入维网络的实时故障诊断方法 |
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 |