CN116503766B - 基于航空装备飞参数据分析机动能力的方法 - Google Patents
基于航空装备飞参数据分析机动能力的方法 Download PDFInfo
- Publication number
- CN116503766B CN116503766B CN202310608094.XA CN202310608094A CN116503766B CN 116503766 B CN116503766 B CN 116503766B CN 202310608094 A CN202310608094 A CN 202310608094A CN 116503766 B CN116503766 B CN 116503766B
- Authority
- CN
- China
- Prior art keywords
- equipment
- analysis model
- tactical action
- aviation equipment
- picture
- 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 54
- 230000009471 action Effects 0.000 claims abstract description 142
- 238000004458 analytical method Methods 0.000 claims abstract description 142
- 230000007246 mechanism Effects 0.000 claims abstract description 40
- 230000000875 corresponding effect Effects 0.000 claims description 96
- 238000013528 artificial neural network Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 27
- 238000004891 communication Methods 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 4
- 230000009194 climbing Effects 0.000 claims description 2
- 230000009189 diving Effects 0.000 claims description 2
- 239000004973 liquid crystal related substance Substances 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000000630 rising effect Effects 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000002435 tendon Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
- G06N3/0499—Feedforward 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于航空装备飞参数据分析机动能力的方法,涉及飞参解析及识别领域,所述方法包括:采用位于地面的锁屏录入机构对空中的航空装备进行基于预览画面的锁定动作,以启动对空中的航空装备的超清画面采集;基于所述各帧超清画面分别对应的各份像素点数据以及所述各帧超清画面所在时间分段内所述航空装备的各项空域飞参数据智能分析所述航空装备当前完成的战术动作类型以及对应的完成百分比。通过本发明,能够在地面监控端对上方空域的航空装备进行全面飞参数据采集的基础上,引入定制结构的AI分析模型智能解析单位时间区间内航空装备完成的战斗动作类型以及对应的完成百分比,从而避免出现不同航空装备机动能力分析的误判。
Description
技术领域
本发明涉及飞参解析及识别领域,尤其涉及一种基于航空装备飞参数据分析机动能力的方法。
背景技术
随着科学技术的发展,特别是信息技术的快速发展,对于航空装备而言,现代战场环境发生了明显的变化,隐身与反隐身、强机动、干扰与抗干扰、高杂波和低检测概率等,使航空装备在多目标跟踪技术、多传感器数据融合技术和射频集成技术遇到空前的挑战。
航空装备存在的战术动作类型包括转弯、爬升、俯冲、横滚、筋头以及上升转弯。作为主要的飞行机动性能,每一种航空装备的各项战术动作的完成程度,进一步地,每一种航空装备的各项战术动作在固定的单位时长内的完成程度决定了航空装备的飞行机动性能,是关系到每一种航空装备的飞行性能的主要方面。一般地,可以采取试飞员进行航空装备的极限飞行性能的测试,通过地面观测装置进行试飞状态下航空装备的飞行机动性能的各项参数的采集以及飞行机动性能的数据判断。
示例地,中国发明专利公开文本CN115221210A提出的一种基于航空装备飞参数据分析机动能力的方法,本发明包括:S1、获取飞参数据信息;S2、飞参基础信息解析;S3、动作识别规则配置;S4、执行动作识别处理;S5、动作识别结果查看五个方法步骤。本发明为一种基于航空装备飞参数据分析机动能力的方法,通过以上五个步骤克服装备本身的特殊性以及环境因素的限制,适用于一些无法直视装备的战术动作变化的情况,能够使相关人员直观、清楚地观察航空装备的战术动作变化,飞行时间段、飞行高度、飞行速度、飞行油耗、飞行轨迹以及其他飞行参数的查看,从而更好的分析、复盘战术动作,回放查看飞行的各相关数据。
示例地,中国发明专利公开文本CN115186013A提出的一种基于航空装备数据采集及分析方法,所述方法包括以下步骤:S1、获取根据预设的航空装备体验总体方案建立的指标体系;S2、根据指标体系,确定试验科目和数据采集模型,确定试验科目数据采集项与问卷题库;S3、建立航空装备数据采集平台,获取航空装备在试验科目中飞参装置数据以及实验期间综合业务系统记录数据,并对数据进行整合;S4、对整合的试验采集回收数据进行处理,进行多维度查询统计,确保试验数据的完整性和准确性;S5、将处理后数据与指标体系关联绑定。本发明通过结合指标权重和评估方法进行评估计算,获得指标体系评估计算结果,从而对航空装备进行了科学、有效的评估。
然而,上述现有技术或者仅仅在航空装备各项飞参数据采集的基础上采用地面人员进行数据分析的模式,进行航空装备机动能力的人工判断,或者仅仅采用数据查询模型对航空装备在试验科目中的各项数据进行简单的整合和查询处理,导致采集的飞参数据不够全面、采用的机动能力分析机制过于粗糙,影响对航空装备机动能力评估的稳定性和有效性。因此,需要一种建立在对航空装置全面飞参数据采集基础上的智能化机动能力分析方案,用于解决上述技术问题。
发明内容
为了解决现有技术中的技术问题,本发明提供了一种基于航空装备飞参数据分析机动能力的方法,能够在地面监控端对上方空域的航空装备进行包括各项视觉数据以及各项空域飞参数据的全面飞参数据采集的基础上,引入定制结构的AI分析模型智能解析单位时间区间内航空装备完成的战斗动作类型以及对应的完成百分比,从而提升了不同航空装备机动能力分析的可靠性和稳定性。
本发明提供了一种基于航空装备飞参数据分析机动能力的方法,所述方法包括:
采用位于地面的锁屏录入机构对空中的航空装备进行基于预览画面的锁定动作,以启动对空中的航空装备的超清画面采集,所述预览画面与所述超清画面内容相同且采集参数不同;
分时获取时间轴上均匀间隔的各个时间戳分别对应的各帧超清画面,所述各个时间戳在时间轴上占据的时间分段超过设定时长限量且所述各个时间戳的数量等于设定数量;
采用无线通信模式从空中的航空装备处接收所述各个时间戳在时间轴上占据的时间分段内所述航空装备的各项空域飞参数据,在所述时间分段内所述航空装备的各项空域飞参数据包括在所述时间分段内所述航空装备的平均气压、平均风速、平均速度以及平均气温以及在所述时间分段内所述各个时间戳分别对应的各个飞行高度、各个震动幅值以及各个飞行速度;
将所述各帧超清画面分别对应的各份像素点数据以及所述时间分段内所述航空装备的各项空域飞参数据输入到AI分析模型以运行所述AI分析模型,获取所述AI分析模型输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比;
其中,所述AI分析模型为经过多次学习操作后的BP神经网络且所述BP神经网络的学习操作的次数与每一帧超清画面的像素点数量成正比;
其中,所述各个时间戳在时间轴上占据的时间分段超过设定时长限量且所述各个时间戳的数量等于设定数量包括:所述设定数量的取值与空中的航空装备的体积单调正向关联;
其中,将所述各帧超清画面分别对应的各份像素点数据以及所述时间分段内所述航空装备的各项空域飞参数据输入到AI分析模型以运行所述AI分析模型包括:每一帧超清画面对应的一份像素点数据为该帧超清画面中航空装备所在图像区域的各个组成像素点分别对应的各个灰度数值;
其中,所述预览画面与所述超清画面内容相同且采集参数不同包括:所述超清画面的分辨率以及清晰度分别为所述预览画面的分辨率以及清晰度的倍数。
由此可见,本发明至少具备以下四处主要的发明构思:
第一处主要发明构思:使用位于地面的锁屏录入机构对其上方空域的航空装备进行预览画面采集和预览画面中的航空装备的识别,并在预览画面中存在与航空装备匹配且占据像素点数量超限的图像区域时,认定锁屏录入机构的上方空域出现要分析机动能力的航空装备,以启动后续的基于航空装备飞参数据的机动能力分析处理;
第二处主要发明构思:在基于航空装备飞参数据的机动能力分析处理中,获取上方空域的超清画面以替换原本画质粗糙的预览画面,以各帧超清画面中航空装备所在图像区域的各个组成像素点分别对应的各个灰度数值作为执行机动能力分析处理的一部分基础数据,以各帧超清画面分别对应的各个时间戳在时间轴上占据的时间分段内航空装备的各项空域飞参数据作为执行机动能力分析处理的另一部分基础数据,从而保证了机动能力分析处理的分析数据的稳定性和有效性;
第三处主要发明构思:引入AI分析模型执行基于航空装备飞参数据的机动能力分析处理,所述AI分析模型为经过多次学习操作后的BP神经网络且所述BP神经网络的学习操作的次数与每一帧超清画面的像素点数量成正比;
第四处主要发明构思:各帧超清画面分别对应的各个时间戳的数量与航空装备的体积单调正向关联,从而保证基于航空装备飞参数据的机动能力分析处理适应于各种体型的航空装备。
附图说明
以下将结合附图对本发明的实施例进行描述,其中:
图1为根据本发明的基于航空装备飞参数据分析机动能力的方法的技术流程图。
图2为根据本发明的基于航空装备飞参数据分析机动能力的方法使用的BP神经网络的结构示意图。
具体实施方式
如图1所示,给出了根据本发明示出的基于航空装备飞参数据分析机动能力的方法的技术流程图。
如图1所示,本发明的具体的技术流程如下:
首先,建立用于执行基于航空装备飞参数据的机动能力分析处理的AI分析模型,所述AI分析模型为经过多次学习操作后的BP神经网络且所述BP神经网络的学习操作的次数与每一帧超清画面的像素点数量成正比;示例地,在对BP神经网络的各次学习操作中,采用过往完成的各次飞行数据以及分别对应的各项机动能力分析处理结果作为各次学习操作分别对应的学习数据,执行各次学习操作,从而保证使用的AI分析模型的可靠性;
示例地,所述航空装备可以为固定翼航空器、旋翼航空器、滑翔机、飞艇等类型,旋翼航空器包括直升机和旋翼机;
如图1所示,以直升机为例,所述直升机可以装备航空机枪、航空机关炮和空对空导弹、航空火箭弹等航空器件;可以采用设置在位于地面的锁屏录入机构上的摄像头,例如超清摄像头,对空中的航空装备即直升机进行基于预览画面的锁定动作,以启动对空中的直升机的超清画面采集,所述预览画面与所述超清画面内容相同且采集参数不同,同时所述锁屏录入机构还采用无线通信模式从空中的直升机处接收所述各个时间戳在时间轴上占据的时间分段内直升机的各项空域飞参数据,以一并作为直升机的机动能力分析处理的基础数据;
其次,使用位于地面的锁屏录入机构自动采集其上方空域的预览画面,仅仅在预览画面中存在与航空装备匹配且占据像素点数量超限的图像区域时,认定锁屏录入机构的上方空域出现要分析机动能力的航空装备,方启动后续的基于航空装备飞参数据的机动能力分析处理,从而避免执行无效的分析处理过程;
如图1所示,位于地面的锁屏录入机构可以是固定部件也可以是地面人员手持的移动部件;
再次,在基于航空装备飞参数据的机动能力分析处理启动后,获取用于机动能力分析处理的各项基础数据,具体包括:以上方空域的超清画面以替换原本画质粗糙的预览画面,以各帧超清画面中航空装备所在图像区域的各个组成像素点分别对应的各个灰度数值作为执行机动能力分析处理的一部分基础数据;以各帧超清画面分别对应的各个时间戳在时间轴上占据的时间分段内航空装备的各项空域飞参数据作为执行机动能力分析处理的另一部分基础数据;
最后,使用AI分析模型执行基于上述各项基础数据的航空装备机动能力的智能化分析处理,获取航空装备在单位时间内执行的战术动作类型以及所述战术动作类型对应的完成百分比,从而实现对当前航空装置的机动能力的智能化判断。
本发明的关键点在于:仅仅在预览画面中存在较大分布面积的航空装备再执行后续的基于航空装备飞参数据的机动能力分析处理、定制结构和定制学习下的AI分析模型以及执行机动能力分析处理的基础数据的针对性选择。
下面,将对本发明的基于航空装备飞参数据分析机动能力的方法以实施例的方式进行具体说明。
第一实施例
本发明的第一实施例公开了一种基于航空装备飞参数据分析机动能力的方法。该方法包括以下步骤:
步骤1:采用位于地面的锁屏录入机构对空中的航空装备进行基于预览画面的锁定动作,以启动对空中的航空装备的超清画面采集,所述预览画面与所述超清画面内容相同且采集参数不同;
示例地,所述预览画面的分辨率为标清的分辨率,相比较于超清画面,标清画面的采集速率和处理速率更快,提升了不存在较大面积的航空装备时的数据分析速度,避免在上方空域不存在航空装备或者存在较高位置的航空装备时进行无意义的数据分析处理;
例如,上述锁屏录入机构的画面采集动作以及锁定动作都是自动完成,不需要地面人员进行辅助操作,从而提升了整个系统的自动化水平;
步骤2:分时获取时间轴上均匀间隔的各个时间戳分别对应的各帧超清画面,所述各个时间戳在时间轴上占据的时间分段超过设定时长限量且所述各个时间戳的数量等于设定数量;
示例地,所述各个时间戳在时间轴上占据的时间分段为固定时长,从而保证后续执行的对每一台航空装备的性能分析都是在单位时长范围内的分析处理;
步骤3:采用无线通信模式从空中的航空装备处接收所述各个时间戳在时间轴上占据的时间分段内所述航空装备的各项空域飞参数据,在所述时间分段内所述航空装备的各项空域飞参数据包括在所述时间分段内所述航空装备的平均气压、平均风速、平均速度以及平均气温以及在所述时间分段内所述各个时间戳分别对应的各个飞行高度、各个震动幅值以及各个飞行速度;
例如,在所述航空装备上可以集成各种不同类型的传感器,用于实时测量不同时间的不同物理量,在所述航空装备上还可以集成无线通信接口,用于将实时测量的不同时间的不同物理量无线下发给地面的锁屏录入机构;
步骤4:将所述各帧超清画面分别对应的各份像素点数据以及所述时间分段内所述航空装备的各项空域飞参数据输入到AI分析模型以运行所述AI分析模型,获取所述AI分析模型输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比,所述航空装备存在的战术动作类型包括转弯、爬升、俯冲、横滚、筋头以及上升转弯;
示例地,转弯是最常用且最实用的机动,其适用情况:摆脱敌机的跟踪或保持自己在缠斗中的优势;其战术运用:在转弯时航空装备的机翼与地面所成的角度越大,转弯半径就越小,对自己就越有利,但同时航空装备和飞行员所要承受的G力( G-force,重力)就越大。所以在与敌机缠斗之前最好抛弃除对空武器以外的所有的外挂,以使航空装备能发挥最大的潜力,航空装备速度快不一定就越灵活,要保持最小的转弯半径,应该将航空装备的发动机的推力保持在70%,高度对航空装备的转弯性能也有很大影响,航空装备的高度越高转弯性能就越差,反之高度越低就越灵活。一般最适合缠斗的高度4000英尺左右;
其中,所述AI分析模型为经过多次学习操作后的BP神经网络且所述BP神经网络的学习操作的次数与每一帧超清画面的像素点数量成正比;
示例地,可以采用数值转换公式表示所述BP神经网络的学习操作的次数与每一帧超清画面的像素点数量成正比的数值对应关系;
其中,所述各个时间戳在时间轴上占据的时间分段超过设定时长限量且所述各个时间戳的数量等于设定数量包括:所述设定数量的取值与空中的航空装备的体积单调正向关联;
其中,将所述各帧超清画面分别对应的各份像素点数据以及所述时间分段内所述航空装备的各项空域飞参数据输入到AI分析模型以运行所述AI分析模型包括:每一帧超清画面对应的一份像素点数据为该帧超清画面中航空装备所在图像区域的各个组成像素点分别对应的各个灰度数值;
例如,每一帧超清画面对应的一份像素点数据为该帧超清画面中航空装备所在图像区域的各个组成像素点分别对应的各个灰度数值包括:基于航空装备的颜色成像特性和/或灰度成像特性识别每一帧超清画面中航空装备所在的图像区域;
其中,所述预览画面与所述超清画面内容相同且采集参数不同包括:所述超清画面的分辨率以及清晰度分别为所述预览画面的分辨率以及清晰度的倍数;
其中,采用位于地面的锁屏录入机构对空中的航空装备进行基于预览画面的锁定动作,以启动对空中的航空装备的超清画面采集包括:锁屏录入机构对其正上方的空域进行预览画面采集,并在当前时刻采集的预览画面中存在与航空装备匹配且占据面积超限的图像区域时,进行锁定动作以启动对空中的航空装备的超清画面采集;
其中,锁屏录入机构对其正上方的空域进行预览画面采集,并在当前时刻采集的预览画面中存在与航空装备匹配且占据面积超限的图像区域时,进行锁定动作以启动对空中的航空装备的超清画面采集包括:锁屏录入机构对其正上方的空域进行预览画面采集,并在当前时刻采集的预览画面中存在与航空装备匹配且占据像素点数量超过设定数量阈值的图像区域时,进行锁定动作以启动对空中的航空装备的超清画面采集;
显然,通过上述锁屏录入机构的锁定动作,避免在预览画面中不存在航空装备或者航空装备过高的状态下进行后续大运算数量的智能分析过程,从而能够实现对整个系统功耗的有效节省。
第二实施例
相比较于第一实施例,在步骤1之前,第二实施例提供的所述基于航空装备飞参数据分析机动能力的方法还包括:
步骤5:对BP神经网络执行多次学习操作以获得经过多次学习操作后的BP神经网络并作为所述AI分析模型输出;
图2为根据本发明的基于航空装备飞参数据分析机动能力的方法使用的BP神经网络的结构示意图;
如图2所示,BP神经网络包括输入层、隐层和输出层,所述隐层位于所述输入层和所述输出层之间,所述输入层用于接收多个输入数据,所述输出层用于输出输出数据,在本发明中,输出数据的数量为两项,分别为在单位时间分段内航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比;
其中,对BP神经网络执行多次学习操作以获得经过多次学习操作后的BP神经网络并作为所述AI分析模型输出包括:在对BP神经网络执行的每一次学习操作中,将所述航空装备在过往某次飞行完成的战术动作对应的已知战斗动作编号以及所述完成的战术动作对应的已知完成百分比作为BP神经网络的两项输出数据,将所述过往某次飞行对应的各帧超清画面分别对应的各份像素点数据以及对应的时间分段内所述航空装备的各项空域飞参数据作为BP神经网络的逐项输入数据,执行本次学习操作;
例如,可以采用数值仿真模式实现将所述航空装备在过往某次飞行完成的战术动作对应的已知战斗动作编号以及所述完成的战术动作对应的已知完成百分比作为BP神经网络的两项输出数据,将所述过往某次飞行对应的各帧超清画面分别对应的各份像素点数据以及对应的时间分段内所述航空装备的各项空域飞参数据作为BP神经网络的逐项输入数据,执行本次学习操作的操作过程。
第三实施例
相比较于第二实施例,在步骤5之后,第三实施例提供的所述基于航空装备飞参数据分析机动能力的方法还包括:
步骤6:存储所述AI分析模型的各项模型参数以实现对所述AI分析模型的模型存储;
例如,可以选择静态存储芯片、TF存储芯片或者MMC存储芯片中的任一类型芯片执行所述AI分析模型的各项模型参数的存储。
第四实施例
相比较于第一实施例,在步骤4之后,第四实施例提供的所述基于航空装备飞参数据分析机动能力的方法还包括:
步骤7:通过无线通信链路将所述AI分析模型输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比无线发送给远端的机动能力分析服务器;
示例地,通过无线通信链路将所述AI分析模型输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比无线发送给远端的机动能力分析服务器包括:所述无线通信链路为保密模式下的频分双工通信链路。
第五实施例
在根据本发明的第五实施例示出的基于航空装备飞参数据分析机动能力的方法中,相比较于本发明的第一实施例,在步骤4之后,所述基于航空装备飞参数据分析机动能力的方法还包括:
步骤8:接收并实时显示所述AI分析模型输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比;
示例地,所述战术动作编号对应的战术动作类型的完成百分比越高,标志对应的航空装备完成对应战斗动作的机动能力越高;
其中,接收并实时显示所述AI分析模型输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比包括:在固定分析终端嵌入的液晶显示屏幕处接收并实时显示所述AI分析模型输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比。
接着,将继续对本发明的各个实施例进行进一步地说明。
在上述各个实施例内,可选地,在所述基于航空装备飞参数据分析机动能力的方法中:
采用位于地面的锁屏录入机构对空中的航空装备进行基于预览画面的锁定动作,以启动对空中的航空装备的超清画面采集包括:所述位于地面的锁屏录入机构被集成在地面人员的手持分析终端内或者被集成在地面上的固定分析终端内;
示例地,所述位于地面的锁屏录入机构被集成在地面人员的手持分析终端内或者被集成在地面上的固定分析终端内包括:所述手持分析终端为移动部件,所述固定分析终端为固定部件。
以及在上述各个实施例内,可选地,在所述基于航空装备飞参数据分析机动能力的方法中:
将所述各帧超清画面分别对应的各份像素点数据以及所述时间分段内所述航空装备的各项空域飞参数据输入到AI分析模型以运行所述AI分析模型,获取所述AI分析模型输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比包括:将所述各帧超清画面分别对应的各份像素点数据以及所述时间分段内所述航空装备的各项空域飞参数据作为所述AI分析模型的逐项输入数据;
其中,将所述各帧超清画面分别对应的各份像素点数据以及所述时间分段内所述航空装备的各项空域飞参数据输入到AI分析模型以运行所述AI分析模型,获取所述AI分析模型输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比还包括:运行所述AI分析模型以获得所述AI分析模式输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比;
例如,运行所述AI分析模型以获得所述AI分析模式输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比包括:采用数值仿真模式实现运行所述AI分析模型以获得所述AI分析模式输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比的处理过程;
其中,运行所述AI分析模型以获得所述AI分析模式输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比包括:采用MATLAB工具箱实现运行所述AI分析模型以获得所述AI分析模式输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比的仿真操作;
其中,将所述各帧超清画面分别对应的各份像素点数据以及所述时间分段内所述航空装备的各项空域飞参数据作为所述AI分析模型的逐项输入数据包括:在将所述各帧超清画面分别对应的各份像素点数据以及所述时间分段内所述航空装备的各项空域飞参数据输入到所述AI分析模型之前,对所述各帧超清画面分别对应的各份像素点数据以及所述时间分段内所述航空装备的各项空域飞参数据分别执行数值归一化处理;
以及其中,运行所述AI分析模型以获得所述AI分析模式输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比包括:获得的所述AI分析模式输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比为数值归一化表示形式。
另外,在根据本发明的基于航空装备飞参数据分析机动能力的方法中:
采用位于地面的锁屏录入机构对空中的航空装备进行基于预览画面的锁定动作,以启动对空中的航空装备的超清画面采集还包括:锁屏录入机构对其正上方的空域进行预览画面采集,并在当前时刻采集的预览画面中不存在与航空装备匹配且占据面积超限的图像区域时,继续执行预览画面采集而不执行对空中的航空装备的超清画面采集;
其中,将所述各帧超清画面分别对应的各份像素点数据以及所述时间分段内所述航空装备的各项空域飞参数据输入到AI分析模型以运行所述AI分析模型,获取所述AI分析模型输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比包括:采用数值仿真模式实现将所述各帧超清画面分别对应的各份像素点数据以及所述时间分段内所述航空装备的各项空域飞参数据输入到AI分析模型以运行所述AI分析模型,获取所述AI分析模型输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比的仿真和测试。
对本发明示例性实施例的前述描述是为了例示和描述的目的而提供的。其并非旨在穷举或者将本发明限于所公开的确切形式。显然,许多修改和变型对于本领域技术人员是显而易见的。选择并描述示例性实施例是为了最好地说明本发明的原理及其实际应用,从而使得本领域其他技术人员能够理解本发明的适用于所构想特定用途的各种实施例和各种变型例。旨在由所附权利要求及其等同物来限定本发明的范围。
Claims (8)
1.一种基于航空装备飞参数据分析机动能力的方法,其特征在于,所述方法包括:
采用位于地面的锁屏录入机构对空中的航空装备进行基于预览画面的锁定动作,以启动对空中的航空装备的超清画面采集,所述预览画面与所述超清画面内容相同且采集参数不同;
分时获取时间轴上均匀间隔的各个时间戳分别对应的各帧超清画面,所述各个时间戳在时间轴上占据的时间分段超过设定时长限量且所述各个时间戳的数量等于设定数量;
采用无线通信模式从空中的航空装备处接收所述各个时间戳在时间轴上占据的时间分段内所述航空装备的各项空域飞参数据,在所述时间分段内所述航空装备的各项空域飞参数据包括在所述时间分段内所述航空装备的平均气压、平均风速、平均速度以及平均气温以及在所述时间分段内所述各个时间戳分别对应的各个飞行高度、各个震动幅值以及各个飞行速度;
将所述各帧超清画面分别对应的各份像素点数据以及所述时间分段内所述航空装备的各项空域飞参数据输入到AI分析模型以运行所述AI分析模型,获取所述AI分析模型输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比,所述航空装备存在的战术动作类型包括转弯、爬升、俯冲、横滚、筋头以及上升转弯;
其中,所述AI分析模型为经过多次学习操作后的BP神经网络且所述BP神经网络的学习操作的次数与每一帧超清画面的像素点数量成正比;
其中,所述各个时间戳在时间轴上占据的时间分段超过设定时长限量且所述各个时间戳的数量等于设定数量包括:所述设定数量的取值与空中的航空装备的体积单调正向关联;
其中,将所述各帧超清画面分别对应的各份像素点数据以及所述时间分段内所述航空装备的各项空域飞参数据输入到AI分析模型以运行所述AI分析模型包括:每一帧超清画面对应的一份像素点数据为该帧超清画面中航空装备所在图像区域的各个组成像素点分别对应的各个灰度数值;
其中,所述预览画面与所述超清画面内容相同且采集参数不同包括:所述超清画面的分辨率以及清晰度分别为所述预览画面的分辨率以及清晰度的倍数;
其中,采用位于地面的锁屏录入机构对空中的航空装备进行基于预览画面的锁定动作,以启动对空中的航空装备的超清画面采集包括:锁屏录入机构对其正上方的空域进行预览画面采集,并在当前时刻采集的预览画面中存在与航空装备匹配且占据面积超限的图像区域时,进行锁定动作以启动对空中的航空装备的超清画面采集;
其中,锁屏录入机构对其正上方的空域进行预览画面采集,并在当前时刻采集的预览画面中存在与航空装备匹配且占据面积超限的图像区域时,进行锁定动作以启动对空中的航空装备的超清画面采集包括:锁屏录入机构对其正上方的空域进行预览画面采集,并在当前时刻采集的预览画面中存在与航空装备匹配且占据像素点数量超过设定数量阈值的图像区域时,进行锁定动作以启动对空中的航空装备的超清画面采集;
其中,在采用位于地面的锁屏录入机构对空中的航空装备进行基于预览画面的锁定动作,以启动对空中的航空装备的超清画面采集,所述预览画面与所述超清画面内容相同且采集参数不同之前,所述方法还包括:
对BP神经网络执行多次学习操作以获得经过多次学习操作后的BP神经网络并作为所述AI分析模型输出;
其中,对BP神经网络执行多次学习操作以获得经过多次学习操作后的BP神经网络并作为所述AI分析模型输出包括:在对BP神经网络执行的每一次学习操作中,将所述航空装备在过往某次飞行完成的战术动作对应的已知战斗动作编号以及所述完成的战术动作对应的已知完成百分比作为BP神经网络的两项输出数据,将所述过往某次飞行对应的各帧超清画面分别对应的各份像素点数据以及对应的时间分段内所述航空装备的各项空域飞参数据作为BP神经网络的逐项输入数据,执行本次学习操作。
2.如权利要求1所述的基于航空装备飞参数据分析机动能力的方法,其特征在于,在对BP神经网络执行多次学习操作以获得经过多次学习操作后的BP神经网络并作为所述AI分析模型输出之后,所述方法还包括:
存储所述AI分析模型的各项模型参数以实现对所述AI分析模型的模型存储。
3.如权利要求1所述的基于航空装备飞参数据分析机动能力的方法,其特征在于,在将所述各帧超清画面分别对应的各份像素点数据以及所述时间分段内所述航空装备的各项空域飞参数据输入到AI分析模型以运行所述AI分析模型,获取所述AI分析模型输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比之后,所述方法还包括:
通过无线通信链路将所述AI分析模型输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比无线发送给远端的机动能力分析服务器。
4.如权利要求1所述的基于航空装备飞参数据分析机动能力的方法,其特征在于,在将所述各帧超清画面分别对应的各份像素点数据以及所述时间分段内所述航空装备的各项空域飞参数据输入到AI分析模型以运行所述AI分析模型,获取所述AI分析模型输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比之后,所述方法还包括:
接收并实时显示所述AI分析模型输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比;
其中,接收并实时显示所述AI分析模型输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比包括:在固定分析终端嵌入的液晶显示屏幕处接收并实时显示所述AI分析模型输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比。
5.如权利要求1-4任一项所述的基于航空装备飞参数据分析机动能力的方法,其特征在于:
采用位于地面的锁屏录入机构对空中的航空装备进行基于预览画面的锁定动作,以启动对空中的航空装备的超清画面采集包括:所述位于地面的锁屏录入机构被集成在地面人员的手持分析终端内或者被集成在地面上的固定分析终端内。
6.如权利要求1-4任一项所述的基于航空装备飞参数据分析机动能力的方法,其特征在于:
将所述各帧超清画面分别对应的各份像素点数据以及所述时间分段内所述航空装备的各项空域飞参数据输入到AI分析模型以运行所述AI分析模型,获取所述AI分析模型输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比包括:将所述各帧超清画面分别对应的各份像素点数据以及所述时间分段内所述航空装备的各项空域飞参数据作为所述AI分析模型的逐项输入数据。
7.如权利要求6所述的基于航空装备飞参数据分析机动能力的方法,其特征在于:
将所述各帧超清画面分别对应的各份像素点数据以及所述时间分段内所述航空装备的各项空域飞参数据输入到AI分析模型以运行所述AI分析模型,获取所述AI分析模型输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比还包括:运行所述AI分析模型以获得所述AI分析模式输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比;
其中,运行所述AI分析模型以获得所述AI分析模式输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比包括:采用MATLAB工具箱实现运行所述AI分析模型以获得所述AI分析模式输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比的仿真操作。
8.如权利要求7所述的基于航空装备飞参数据分析机动能力的方法,其特征在于:
将所述各帧超清画面分别对应的各份像素点数据以及所述时间分段内所述航空装备的各项空域飞参数据作为所述AI分析模型的逐项输入数据包括:在将所述各帧超清画面分别对应的各份像素点数据以及所述时间分段内所述航空装备的各项空域飞参数据输入到所述AI分析模型之前,对所述各帧超清画面分别对应的各份像素点数据以及所述时间分段内所述航空装备的各项空域飞参数据分别执行数值归一化处理;
其中,运行所述AI分析模型以获得所述AI分析模式输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比包括:获得的所述AI分析模式输出的在所述时间分段内所述航空装备的战术动作编号以及所述战术动作编号对应的战术动作类型的完成百分比为数值归一化表示形式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310608094.XA CN116503766B (zh) | 2023-05-25 | 2023-05-25 | 基于航空装备飞参数据分析机动能力的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310608094.XA CN116503766B (zh) | 2023-05-25 | 2023-05-25 | 基于航空装备飞参数据分析机动能力的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116503766A CN116503766A (zh) | 2023-07-28 |
CN116503766B true CN116503766B (zh) | 2023-09-12 |
Family
ID=87323147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310608094.XA Active CN116503766B (zh) | 2023-05-25 | 2023-05-25 | 基于航空装备飞参数据分析机动能力的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116503766B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101063643A (zh) * | 2007-02-02 | 2007-10-31 | 北京航空航天大学 | 飞机故障智能诊断方法及系统 |
CN112258898A (zh) * | 2020-10-16 | 2021-01-22 | 中国民用航空华东地区空中交通管理局 | 基于数字孪生技术的空中交通管制方法、系统、电子设备及存储介质 |
CN114004292A (zh) * | 2021-10-29 | 2022-02-01 | 重庆大学 | 基于飞参数据无监督聚类的飞行员平飘顶杆行为分析方法 |
KR20220073113A (ko) * | 2020-11-26 | 2022-06-03 | 엘아이지넥스원 주식회사 | 비행 데이터 분석 기반의 항공 운항 관리 방법 및 그를 위한 장치 |
CN115186013A (zh) * | 2022-07-25 | 2022-10-14 | 中国人民解放军陆军航空兵学院 | 一种基于航空装备数据采集及分析方法 |
CN115221210A (zh) * | 2022-07-25 | 2022-10-21 | 中国人民解放军陆军航空兵学院 | 一种基于航空装备飞参数据分析机动能力的方法 |
-
2023
- 2023-05-25 CN CN202310608094.XA patent/CN116503766B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101063643A (zh) * | 2007-02-02 | 2007-10-31 | 北京航空航天大学 | 飞机故障智能诊断方法及系统 |
CN112258898A (zh) * | 2020-10-16 | 2021-01-22 | 中国民用航空华东地区空中交通管理局 | 基于数字孪生技术的空中交通管制方法、系统、电子设备及存储介质 |
KR20220073113A (ko) * | 2020-11-26 | 2022-06-03 | 엘아이지넥스원 주식회사 | 비행 데이터 분석 기반의 항공 운항 관리 방법 및 그를 위한 장치 |
CN114004292A (zh) * | 2021-10-29 | 2022-02-01 | 重庆大学 | 基于飞参数据无监督聚类的飞行员平飘顶杆行为分析方法 |
CN115186013A (zh) * | 2022-07-25 | 2022-10-14 | 中国人民解放军陆军航空兵学院 | 一种基于航空装备数据采集及分析方法 |
CN115221210A (zh) * | 2022-07-25 | 2022-10-21 | 中国人民解放军陆军航空兵学院 | 一种基于航空装备飞参数据分析机动能力的方法 |
Non-Patent Citations (1)
Title |
---|
基于小波神经网络的飞参数据预处理;唐崇凯;曲建岭;高峰;周胜明;;数据采集与处理(第S1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116503766A (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101796258B1 (ko) | 소형 무인비행체를 이용한 비전 기반의 구조물 안정성 검사 방법 | |
CN110221681B (zh) | 图像识别方法、图像呈现时间的调整方法及设备 | |
CN112162930A (zh) | 一种控件识别的方法、相关装置、设备及存储介质 | |
CN112329725B (zh) | 一种道路场景的要素识别方法、装置、设备以及存储介质 | |
CN110766081B (zh) | 一种界面图像检测的方法、模型训练的方法以及相关装置 | |
CN110276286B (zh) | 一种基于tx2的嵌入式全景视频拼接系统 | |
CN108121350B (zh) | 一种控制飞行器降落的方法以及相关装置 | |
CN108320310B (zh) | 基于图像序列的空间目标三维姿态估计方法 | |
CN106839881A (zh) | 一种基于动态图像识别的反无人机方法 | |
CN116503766B (zh) | 基于航空装备飞参数据分析机动能力的方法 | |
JP5746550B2 (ja) | 画像処理装置、画像処理方法 | |
CN112215120A (zh) | 视觉搜索区域的确定方法、装置及驾驶模拟器 | |
CN109993234B (zh) | 一种无人驾驶训练数据分类方法、装置及电子设备 | |
CN109558771B (zh) | 海上船舶的行为状态识别方法、装置、设备及存储介质 | |
CN112906523B (zh) | 一种硬件加速的深度学习目标机型识别方法 | |
KR102475554B1 (ko) | 학습용 데이터 생성 방법, 학습용 데이터 생성 장치 및 학습용 데이터 생성 프로그램 | |
CN110108719A (zh) | 一种基于智能眼镜的绕机检查方法及系统 | |
CN117014584B (zh) | 植被遥感产品获取系统及方法 | |
CN114915772B (zh) | 飞行器的视景增强方法、系统、飞行器及存储介质 | |
CN117516480A (zh) | 一种基于车机协同的未爆弹位姿精确探测系统及方法 | |
CN115953703A (zh) | 一种三旋翼布局的微型无人机高动态目标识别和跟踪方法 | |
Samkov et al. | Some particular indices of effectiveness of unmanned aerial vehicle application | |
de Figueiredo et al. | Image database of low-altitude UAV flights with flight condition-logged for photogrammetry, remote sensing, and computer vision | |
Li et al. | Fault Detection and Classification of Aerospace Sensors using a VGG16-based Deep Neural Network | |
Xia | Embedded basketball motion detection video target tracking algorithm based on deep learning |
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 |