CN116596125A - 基于可解释的飞行参数预测网络模型预测飞行参数的方法 - Google Patents
基于可解释的飞行参数预测网络模型预测飞行参数的方法 Download PDFInfo
- Publication number
- CN116596125A CN116596125A CN202310442231.7A CN202310442231A CN116596125A CN 116596125 A CN116596125 A CN 116596125A CN 202310442231 A CN202310442231 A CN 202310442231A CN 116596125 A CN116596125 A CN 116596125A
- Authority
- CN
- China
- Prior art keywords
- flight
- interpretable
- predicted
- network model
- parameters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 24
- 238000011478 gradient descent method Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 102220467908 Protein Dok-7_S30W_mutation Human genes 0.000 claims 1
- 230000006870 function Effects 0.000 description 26
- 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 12
- 230000008569 process Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection 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
- 230000002232 neuromuscular Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- 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"
-
- 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
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2201/00—UAVs characterised by their flight controls
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2201/00—UAVs characterised by their flight controls
- B64U2201/10—UAVs characterised by their flight controls autonomous, i.e. by navigating independently from ground or air stations, e.g. by using inertial navigation systems [INS]
-
- 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
本发明涉及飞行参数预测技术领域,具体涉及基于可解释的飞行参数预测网络模型预测飞行参数的方法。本发明创新的将幂函数作为基函数构建可解释的飞行参数预测网络模型运用于飞行参数预测技术领域,提出一种基于可解释的飞行参数预测网络模型预测飞行参数的方法,本方法由于以幂函数作为基函数其具备强大的非线性拟合能力。本申请首先采集飞机缺失某一飞行参数后的N‑1个飞行参数;接着将采集的N‑1个飞行参数输入到可解释的飞行参数预测网络模型中;最后计算得到缺失飞行参数的预测值。本方法步骤简单、数据处理的体量小、运行时间快且运算精度高,具有可解释性特点。
Description
技术领域
本发明涉及飞行参数预测技术领域,具体涉及基于可解释的飞行参数预测网络模型预测飞行参数的方法。
背景技术
无人机具有体积小、重量轻、成本低、机动性强、危险系数低、任务功能复杂等多种优势,其被广泛用于摄影、电力巡检、环境监测、军事等多个领域。无人机可以分为飞行控制系统、电源系统、导航系统、通讯系统、软件系统、雷达系统等,其中无人机飞行控制系统被喻为机体“神经肌肉”,用于控制和管理无人机飞行,包括飞行方向、速度、高度、姿态、稳定性、导航等方面,是无人机核心控制系统。无人机飞行控制系统采用闭环控制方式,其通过实时采集和处理数据来对无人机的姿态、速度、高度、位置等参数进行调整和控制。用于无人机飞行控制系统闭环数据采集的传感器包含加速度计、陀螺仪、磁力计、GPS、大气机、惯性测量单元等。
随着无人机应用场景不断丰富,无人机在恶劣天气、电磁干扰、复杂地形、多变工况等恶劣环境下工作已成为一种常态,这也使得无人机机载传感器故障频发。故障传感器采集的无效或不正确的飞行数据将对飞行控制系统的闭环控制产生恶劣影响,严重甚至会导致坠机事故。由于受到物理因素(例如空气动力学、惯性等)、系统设计(各个系统和组件之间相互作用)、数据采集(传感器之间存在相互联系)等影响,使得飞行数据中具有强耦合的特点。
近年来,高校和机构研究人员针对无人机飞行数据开展了大量研究,主要包含数据预测、异常检测等任务。按照研究方法可以分为基于知识、基于模型以及基于数据驱动三类。虽然这些方法在一定程度上都取得不错成效,但目前还处于实验室阶段,未考虑机载部署条件。无人机飞行控制系统为无人机核心组件,一般由单独飞控计算机进行数据处理和飞行控制管理。现有方法普遍存在体量大、运行时间长、复杂度高、不可解释等问题,无法满足低功耗、实时性要求高、资源受限的飞控计算机需求。一种可行的思路是在飞控计算外部扩充专用算法处理计算机,飞控计算机仅接收外扩计算机传回运算结果,可以有效解决算法部署问题,但同时也会增加系统复杂度,使得系统故障诊断和健康评估工作更加难以开展。
传统逼近的方法是先给定函数形式,然后再计算公式中系数,但飞行数据中记录了成百上千的过程数据,如何选择参数来建立函数是一大难题。且逼近方法针对高维进行优化时存在维度诅咒问题。另一方面合适的逼近函数形式选择也是一大挑战。
发明内容
为了解决现有技术中飞行参数预测过程中数据处理体量大、运行时间长、复杂度高、不可解释的技术问题,本发明提供一种基于可解释的飞行参数预测网络模型预测飞行参数的方法。具体如下:
本申请提供一种基于可解释的飞行参数预测网络模型预测飞行参数的方法,包括如下步骤:
S100,采集飞机缺失某一飞行参数后的N-1个飞行参数;
S200,将采集的N-1个飞行参数输入到可解释的飞行参数预测网络模型中,所述可解释的飞行参数预测网络模型的表达式为:
其中,表示该网络模型所需要预测飞行参数在t时刻的预测值;/>表示N-1个飞行参数中第i个飞行参数在第t-1时刻取值的p次幂,1≤i≤N-1,i∈[1,N-1];wj,i表示N-1个飞行参数中第i个飞行参数的j次幂基函数项的系数,1≤j≤p,i∈[1,p];b为偏置;
S300,计算得到缺失飞行参数的预测值
进一步的是,步骤S200中可解释的飞行参数预测网络模型采用以下过滤函数将模型中低于设定阈值的权重进行过滤,保留高权重系数,避免无关变量对模型结构的影响,该过滤函数的表达式为:
其中,wo为输出系数,threshold为阈值。
进一步的是,步骤S200中可解释的飞行参数预测网络模型的训练步骤如下:
S10,采集飞机进行多次正常飞行的飞行参数,每次飞行中均包含N个飞行参数,N个飞行参数中包括一个需要预测飞行参数,在t时刻需要预测飞行参数的真实值记为yt;
S20,对步骤S10采集除去需要预测飞行参数后的N-1个飞行参数进行预处理,得到模型输入样本,在t时刻的模型输入样本Xt可表示为Xt={x1,t-1,x2,t-1…,xN-1,t-1},其中xi,t-1表示在t-1时刻除去需要预测飞行参数后N-1个飞行参数中第i个飞行参数的取值,1≤i≤N-1,i∈[1,N];
S30,将步骤S20所得到的模型输入样本Xt={x1,t-1,x2,t-1…,xN-1,t-1}输入到可解释的飞行参数预测网络模型中,可解释的飞行参数预测网络模型输出需要预测飞行参数的预测值以最小化需要预测飞行参数的预测值/>和需要预测飞行参数的真实值yt之间的距离为优化目标、结合优化函数并借助梯度下降法确定可解释的飞行参数预测网络模型表达式(1)中的wj,i和b。
进一步的是,步骤S30中所采用的优化函数为:
其中K为单批次训练样本数量,1≤k≤K,k∈[1,K]。
进一步的是,步骤S30中采用的梯度下降法为随机梯度下降法。
进一步的是,步骤S20中的数据预处理包括如下步骤:
S201,对采集的飞行数据进行清洗;
S202,对清洗后的飞行数据进行归一化处理;
S203,对归一化处理后的飞行数据进行滑窗处理生成模型输入样本Xt={x1,t-1,x2,t-1…,xN-1,t-1}。
进一步的是,还包括位于步骤S30之后的S40,验证步骤S30确定的wj,i和b是否正确。
进一步的是,步骤S40包括以下步骤:
S401,将步骤S30所得到的wj,i和b带回可解释的飞行参数预测网络模型表达式(1),得到可解释公式;
S402,采集数据,采集飞机进行正常飞行的飞行数据,飞行数据中包含N个飞行参数,N个飞行参数中包括一个需要预测的参数,需要预测飞行参数的真实值记为yt′;
S403,将除去需要预测的飞行参数后的N-1个参数输入到步骤S401所得的可解释性公式中得到需要预测参数的模型预测值
S404,将步骤S403中的需要预测参数的模型预测值与步骤S402预测飞行参数的真实值yt′进行比较,若需要预测参数的模型预测值/>与需要预测飞行参数的真实值记为yt′相比,误差在可接受范围内,则步骤S30中确定的各个wj,i和b的值正确,若为否,则不正确。
本发明的有益效果是:
本申请创新的将幂函数作为基函数构建的可解释的飞行参数预测网络模型运用于飞行参数预测技术领域,提出一种基于可解释的飞行参数预测网络模型预测飞行参数的方法,本方法由于以幂函数作为基函数其具备强大的非线性拟合能力,解决了传统方案中飞行参数之间的复杂非线性相关关系使得存在函数形式确定困难的问题。且本方法步骤简单将除去待预测飞行参数后的N-1个飞行参数输入可解释的飞行参数预测网络模型,即可通过模型求解得到待预测飞行参数的预测值,本方法数据处理的体量小、运行时间快且运算精度高,具有可解释性特点。
具体的是,本申请所采用的可解释的飞行参数预测网络模型仅有一层,不包含隐含层,使得可解释的飞行参数预测网络模型具备了可解释性特点。本申请所采用的可解释的飞行参数预测网络模型借助泰勒展开思想,利用幂函数作为基函数,使得该网络模型具备强大的非线性拟合能力。本申请借助随机梯度下降法来学习模型参数,与传统优化相比,现成的深度学习框架简化了本方法实施难度,且针对高维度飞行数据,随机梯度下降法远优于传统数理方法。本申请通过一种权重过滤函数即优化函数过滤除权重较小的参数,减小不相关参数据对预测结果的局部精度干扰,提高了预测结果的精度。
附图说明
图1是本申请基于可解释的飞行参数预测网络模型预测飞行参数的方法流程示意图;
图2是本申请步骤S203中滑窗处理示意图;
图3是本申请可解释的飞行参数预测网络模型结构示意图;
图4是本申请实施例中惯性/气压高度与GPS高度之间的绝对值误差和预测高度与GPS高度之间的绝对值误差对比图。
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。
本发明首先提供一种基于可解释的飞行参数预测网络模型预测飞行参数的方法,该方法包括如下步骤:
S100,采集飞机缺失某一飞行参数后的N-1个飞行参数;
S200,将采集的N-1个飞行参数输入到可解释的飞行参数预测网络模型中,所述可解释的飞行参数预测网络模型的表达式为:
其中,表示该网络模型所需要预测飞行参数在t时刻的预测值;/>表示N-1个飞行参数中第i个飞行参数在第t-1时刻取值的p次幂,1≤i≤N-1,i∈[1,N-1];wj,i表示N-1个飞行参数中第i个飞行参数的j次幂基函数项的系数,1≤j≤p,i∈[1,p];b为偏置;
S300,计算得到缺失飞行参数的预测值
本申请所提供的基于可解释的飞行参数预测网络模型预测飞行参数的方法是在已知N-1个飞行参数的情况下,将N-1个飞行参数带入到可解释的飞行参数预测网络模型中,然后可解释的飞行参数预测网络模型预测未知的一个飞行参数。
本申请创新的将幂函数作为基函数构建的可解释的飞行参数预测网络模型运用于飞行参数预测技术领域,提出一种基于可解释的飞行参数预测网络模型预测飞行参数的方法,本方法由于以幂函数作为基函数其具备强大的非线性拟合能力,解决了传统方案中飞行参数之间的复杂非线性相关关系使得存在函数形式确定困难的问题。
本申请将N-1个飞行参数输入可解释的飞行参数预测网络模型即可求解得到缺失飞行参数的预测值,本方法数据处理的体量小,运行时间快。如图3所示,本申请步骤S200所采用的可解释的飞行参数预测网络模型仅有一层,不包含隐含层,使得模型具备了可解释性特点,解决了现有技术中不可解释的技术问题。
传统深度学习激活函数多为对特征进行激活,本申请创新的采用以下权重过滤函数将可解释的飞行参数预测网络模型中低于设定阈值的权重进行过滤,保留高权重系数,对训练系数w进行限制,避免无关变量对模型预测结果的局部精度干扰,能提高本方法的计算精度。该激活函数的表达式为:
其中,wo为输出系数,threshold为阈值。
优选的是,按照下述步骤训练本方法所采用的可解释的飞行参数预测网络模型,训练的目的在于确定可解释的飞行参数预测网络模型中的幂基函数项的系数wj,i和偏置b,具体步骤如下:
首先,S10,采集飞机进行多次正常飞行的飞行参数,每次飞行中均包含N个飞行参数,N个飞行参数中包括一个需要预测飞行参数,在t时刻需要预测飞行参数的真实值记为yt。
容易理解的是,训练过程应当采集正常飞行状态下的飞行参数,非正常状态下的飞行参数并不能达到训练模型的作用。需要该模型预测哪一飞行参数则将该飞行参数的值记为真实值,在输入模型的过程中不将需要预测的参数输入,使模型运算得出该预测参数的预测值,使预测值逼近真实值,进而确认wj,i和b。
接着,S20,对步骤S10采集除去需要预测飞行参数后的N-1个飞行参数进行预处理,得到模型输入样本,在t时刻的模型输入样本Xt可表示为Xt={x1,t-1,x2,t-1…,xN-1,t-1},其中xi,t-1表示在t-1时刻除去需要预测飞行参数后N-1个飞行参数中第i个飞行参数的取值,1≤i≤N-1,i∈[1,N]。
最后,S30,将S20所得到的模型输入样本Xt={x1,t-1,x2,t-1…,xN-1,t-1}输入到可解释的飞行参数预测网络模型中,可解释的飞行参数预测网络模型输出需要预测飞行参数的预测值以最小化需要预测飞行参数的预测值/>和需要预测飞行参数的真实值yt之间的距离为优化目标、结合优化函数并借助梯度下降法确定飞行参数预测网络模型表达式(1)中的wj,i和b,最终完成模型训练。梯度下降法包括批量梯度下降法、随机梯度下降法和小批量梯度下降法,在本申请中优选的是采用随机梯度下降法。本发明借助随机梯度下降法来学习模型参数,与传统优化相比,现成的深度学习框架简化了方法实施难度。且针对高维度飞行数据,随机梯度下降法远优于传统数理方法。
优选的是,步骤S30中所采用的优化函数为: 其中K为单批次训练样本数量,1≤k≤K,k∈[1,K]。
步骤S20中的数据预处理包括如下步骤:
S201,对采集的飞行数据进行清洗;
S202,对清洗后的飞行数据进行归一化处理;
S203,对归一化处理后的飞行数据进行滑窗处理生成模型输入样本Xt={x1,t-1,x2,t-1…,xN-1,t-1}。
首先对采集的飞行数据集进行清洗,具体内容包含缺失值处理、重复值处理、数据重采样等操作;接着对飞行数据按照参数进行归一化,本申请实施例采用最大最小值归一化方法,避免参数量纲对模型的影响;最后利用滑窗处理生成模型输入和输出样本,滑窗处理的方法如图2所示,输出样本的参数对应需要预测参数,而输入样本的N-1参数对应除去预测参数后其余的全部参数。在t时刻的输入样本Xt可表示为Xt={x1,t-1,x2,t-1…,xN-1,t-1},N-1为输入参数个数,输入样本尺寸为1×(N-1);输出样本可表示为Yt=yt,其中yt表示预测参数在t时刻取值,输出样本尺寸为1×1。
当模型训练完成,为判断训练效果,优选的是还包括对模型进行测试验证步骤S40,验证步骤S30确定的wj,i和b是否正确。
具体的是,步骤S40包括以下步骤:
首先,S401,将步骤S30所得到的wj,i和b带回可解释的飞行参数预测网络模型表达式(1),得到可解释公式;
接着,S402,采集数据,采集飞机进行正常飞行的飞行数据,飞行数据中包含N个飞行参数,N个飞行参数中包括一个需要预测的参数,需要预测飞行参数的真实值记为yt′;
然后,S403,将除去需要预测的飞行参数后的N-1个参数输入到步骤S401所得的可解释性公式中计算得到需要预测参数的模型预测值
最后,S404,将步骤S403中的需要预测参数的模型预测值与步骤S402预测飞行参数的真实值yt′进行比较,若需要预测参数的模型预测值/>与需要预测飞行参数的真实值记为yt′相比,误差在可接受范围内,则步骤S30中确定的各个w和b的值正确,若为否,则不正确。
为了便于理解本申请对可解释的飞行参数预测网络模型的训练和测试步骤,本申请以GPS高度预测为例,介绍训练、测试如下:
在飞行数据中存在多种高度相关数据,例如GPS高度、气压高度、惯性/气压高度,其中GPS高度为GPS卫星所提供的高度信息,气压高度为大气机测得的高度数据,惯性/气压高度为惯性测量单元结合气压高度优化得到的高度。这三个高度的精度对比分别为:GPS高度>惯性/气压高度>气压高度。虽然GPS高度具有精度高的特点,但是当飞机进行大机动或处于恶劣环境下时,可能出现丢星的情况,导致无法GPS高度无效。
第一步,数据采集。利用无人机进行32次正常飞行,飞行阶段包含起飞、爬升、下降、降落、转弯等,采集得到32个飞行数据,每次飞行数据中都包含41个飞行参数。接着将按7:3将32次飞行数据随机划分训练集和测试集。
第二步,数据预处理。首先对采集的数据集进行清洗,具体内容包含缺失值处理(删除有缺失值的时间戳)、重复值处理(删除处理)、数据重采样(线性插值)等操作,使飞行数据变为“干净数据”,处理后的数据采样间隔时间为30ms;接着对飞行数据按照参数进行归一化,此处采用最大最小值归一化方法,避免参数量纲对模型的影响;最后利用滑窗处理生成模型输入和输出样本,滑窗处理的方法如图1所示,输出样本的参数为GPS高度数据,而输入样本的参数为除去GPS高度后其余40个参数,具体为{左机身压力,指示全压,攻角估计值,校准空速,真侧滑角,真实全压,真实静压,真攻角,上攻角压力,真空速,静压估计值,马赫数,X轴加速度,X轴角速率,Y轴加速度,Y轴角速率,Z轴加速度,Z轴角速率,俯仰角,下攻角压力,俯仰角余弦,北向速度,地速,天向速度,总速,横滚角,侧滑角估计值,横滚角余弦,横滚角正弦,真航向角,航迹角,西向速度,飞行轨迹角,全压估计值,升降速度,右机身压力,大气总温,气压高度,相对气压高度,惯性气压高度}。在t时刻的输入样本Xt可表示为Xt={x1,t-1,x2,t-1…,x40,t-1},输入样本尺寸为1×40;输出样本可表示为Yt=yt,其中yt表示预测参数在t时刻取值,输出样本尺寸为1×1。
第三步,建立可解释的飞行参数预测网络模型。网络模型结构如图2所示,具体表达式为:
其中,表示该网络模型所需要预测飞行参数在t时刻的预测值;/>表示去除需要预测飞行参数后剩余N-1个飞行参数中第i个飞行参数在第t-1时刻取值的p次幂,1≤i≤N-1,i∈[1,N-1];wj,i表示去除需要预测飞行参数后剩余N-1个飞行参数中第i个飞行参数的j次幂基函数项的系数,1≤j≤p,i∈[1,p];b为偏置。本例子中p取2,即只展开到二次项。
第四步:设计激活函数。
本例子阈值threshold设置为0.01。
第五步:模型训练,将训练集输入到模型中。
其中K为单批次训练样本数量,1≤k≤K,k∈[1,K]。其中k为单批次训练样本数量,本例子为32,深度学习优化器选用Adam,初始学习率设为0.01,学习率衰减策略采用间隔等步长下降法,每隔40个epoch下降为原来的0.1倍,总训练迭代次数设置为100。
第六步:可解释性分析。在上述模型训练完成条件下,提取模型可训练参数w和b,并按照飞行参数预测网络模型表达式对模型进行复原,得到可解释的飞行参数预测网络模型的表达式。本例子训练成功后得到的w为:
b为0.000124。
去掉系数为0的参数后即可得到的可解释的飞行参数预测网络模型的表达式为:
可解释的飞行参数预测网络模型的表达式中二次项系数全为0,表达式中所有涉及的参数都取归一化后的数值,若采用正常量纲数据需对公式进行量纲转换。
第七步:将测试集输入到已经训练完成的模型中,根据测试集中惯性/气压高度与GPS高度之间的距离是否大于预测高度与GPS高度之间的距离判断训练过程确定的各个w和b的值正确。惯性/气压高度与GPS高度之间的绝对值误差和预测高度与GPS高度之间的绝对值误差对比如图4所示,其中灰色线条为惯性/气压高度与GPS高度之间的绝对值误差,黑色线条为预测高度与GPS高度之间的绝对值误差,横轴为时间轴,纵轴为高度误差值,单位为米。
从图3可知,灰色线条明显高于黑色线条,表明预测高度比惯性/气压高度更加接近与GPS高度,证明训练过程确定的各个w和b的值正确,同时也证明了本申请所提供的基于可解释的飞行参数预测网络模型预测飞行参数的方法的有效性。
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.基于可解释的飞行参数预测网络模型预测飞行参数的方法,其特征在于,包括如下步骤:
S100,采集飞机缺失某一飞行参数后的N-1个飞行参数;
S200,将采集的N-1个飞行参数输入到可解释的飞行参数预测网络模型中,所述可解释的飞行参数预测网络模型的表达式为:
其中,表示该网络模型所需要预测飞行参数在t时刻的预测值;/>表示N-1个飞行参数中第i个飞行参数在第t-1时刻取值的p次幂,1≤i≤N-1,i∈[1,N-1];wj,i表示N-1个飞行参数中第i个飞行参数的j次幂基函数项的系数,1≤j≤p,i∈[1,p];b为偏置;
S300,计算得到缺失飞行参数的预测值
2.根据权利要求1所述的基于可解释的飞行参数预测网络模型预测飞行参数的方法,其特征在于,步骤S200中可解释的飞行参数预测网络模型采用以下过滤函数将模型中低于设定阈值的权重进行过滤,保留高权重系数,避免无关变量对模型结构的影响,该过滤函数的表达式为:
其中,wo为输出系数,threshold为阈值。
3.根据权利要求1至2中任一项所述的基于可解释的飞行参数预测网络模型预测飞行参数的方法,其特征在于,步骤S200中可解释的飞行参数预测网络模型的训练步骤如下:
S10,采集飞机进行多次正常飞行的飞行参数,每次飞行中均包含N个飞行参数,N个飞行参数中包括一个需要预测飞行参数,在t时刻需要预测飞行参数的真实值记为yt;
S20,对步骤S10采集除去需要预测飞行参数后的N-1个飞行参数进行预处理,得到模型输入样本,在t时刻的模型输入样本Xt可表示为Xt={x1,t-1,x2,t-1…,xN-1,t-1},其中xi,t-1表示在t-1时刻除去需要预测飞行参数后N-1个飞行参数中第i个飞行参数的取值,1≤i≤N-1,i∈[1,N];
S30,将步骤S20所得到的模型输入样本Xt={x1,t-1,x2,t-1…,xN-1,t-1}输入到可解释的飞行参数预测网络模型中,可解释的飞行参数预测网络模型输出需要预测飞行参数的预测值以最小化需要预测飞行参数的预测值/>和需要预测飞行参数的真实值yt之间的距离为优化目标、结合优化函数并借助梯度下降法确定可解释的飞行参数预测网络模型表达式(1)中的wj,i和b。
4.根据权利要求3所述的基于可解释的飞行参数预测网络模型预测飞行参数的方法,其特征在于,步骤S30中所采用的优化函数为:
其中K为单批次训练样本数量,1≤k≤K,k∈[1,K]。
5.根据权利要求3所述的基于可解释的飞行参数预测网络模型预测飞行参数的方法,其特征在于,步骤S30中采用的梯度下降法为随机梯度下降法。
6.根据权利要求3所述的基于可解释的飞行参数预测网络模型预测飞行参数的方法,其特征在于,步骤S20中的数据预处理包括如下步骤:
S201,对采集的飞行数据进行清洗;
S202,对清洗后的飞行数据进行归一化处理;
S203,对归一化处理后的飞行数据进行滑窗处理生成模型输入样本Xt={x1,t-1,x2,t-1…,xN-1,t-1}。
7.根据权利要求3所述的基于可解释的飞行参数预测网络模型预测飞行参数的方法,其特征在于,还包括位于步骤S30之后的S40,验证步骤S30确定的wj,i和b是否正确。
8.根据权利要求7所述的基于可解释的飞行参数预测网络模型预测飞行参数的方法,其特征在于,步骤S40包括以下步骤:
S401,将步骤S30所得到的wj,i和b带回可解释的飞行参数预测网络模型表达式(1),得到可解释公式;
S402,采集数据,采集飞机进行正常飞行的飞行数据,飞行数据中包含N个飞行参数,N个飞行参数中包括一个需要预测的参数,需要预测飞行参数的真实值记为yt′;
S403,将除去需要预测的飞行参数后的N-1个参数输入到步骤S401所得的可解释性公式中得到需要预测参数的模型预测值
S404,将步骤S403中的需要预测参数的模型预测值与步骤S402预测飞行参数的真实值yt′进行比较,若需要预测参数的模型预测值/>与需要预测飞行参数的真实值记为yt′相比,若误差在可接受范围内,则步骤S30中确定的各个wj,i和b的值正确,若为否,则不正确。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310442231.7A CN116596125A (zh) | 2023-04-23 | 2023-04-23 | 基于可解释的飞行参数预测网络模型预测飞行参数的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310442231.7A CN116596125A (zh) | 2023-04-23 | 2023-04-23 | 基于可解释的飞行参数预测网络模型预测飞行参数的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116596125A true CN116596125A (zh) | 2023-08-15 |
Family
ID=87607015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310442231.7A Pending CN116596125A (zh) | 2023-04-23 | 2023-04-23 | 基于可解释的飞行参数预测网络模型预测飞行参数的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116596125A (zh) |
-
2023
- 2023-04-23 CN CN202310442231.7A patent/CN116596125A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Multivariate regression-based fault detection and recovery of UAV flight data | |
CN108196532B (zh) | 一种基于非线性自适应观测器的无人机纵向飞行控制系统故障检测与分离方法 | |
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 | |
CN102037421B (zh) | 辅助检测航空器的硬着陆的辅助方法 | |
CN106200629B (zh) | 一种无人机飞行控制系统的故障可检测度分析方法 | |
CN104773304B (zh) | 空气动力学结构的负荷估计系统 | |
CN107563044B (zh) | 基于在线安全学习的四旋翼无人机路径跟踪控制方法 | |
CN108427400A (zh) | 一种基于神经网络解析冗余的飞机空速管故障诊断方法 | |
CN113128035B (zh) | 民用飞机飞控传感器信号重构容错控制方法 | |
CN113514109A (zh) | 一种无人机飞行故障检测方法和系统 | |
CN111460676A (zh) | 多旋翼飞行器在大气紊流扰动下的健康性能评估方法 | |
Liu et al. | Integrated navigation on vehicle based on low-cost SINS/GNSS using deep learning | |
CN108388229B (zh) | 基于健康度的四旋翼随机混杂系统健康评估方法 | |
Lyu et al. | A model-aided optical flow/inertial sensor fusion method for a quadrotor | |
Park et al. | Data-driven fault detection and isolation of system with only state measurements and control inputs using neural networks | |
CN113447021A (zh) | 基于lstm神经网络模型的mems惯性导航系统定位增强方法 | |
CN115993077B (zh) | 复杂路况运输情况下惯导系统优选决策方法及系统 | |
CN115857529B (zh) | 航天器姿态控制系统的执行器故障重构方法 | |
CN116596125A (zh) | 基于可解释的飞行参数预测网络模型预测飞行参数的方法 | |
Guan et al. | A new integrated navigation system for the indoor unmanned aerial vehicles (UAVs) based on the neural network predictive compensation | |
Li et al. | Method for predicting failure rate of airborne equipment based on optimal combination model | |
Zhao et al. | Fuzzy health degree-based dynamic performance evaluation of quadrotors in the presence of actuator and sensor faults | |
Gao et al. | Adaptive air-data estimation in wind disturbance based on flight data | |
He et al. | Detecting Incipient Faults in Quad-rotor Unmanned Aerial Vehicle Based on Detrending and Denoising Techniques | |
CN115855069B (zh) | 基于sce的geo航天器机动检测与位置预测方法 |
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 |