CN117909694B - 基于深度学习模型的飞机飞行中重心位置预测方法及系统 - Google Patents
基于深度学习模型的飞机飞行中重心位置预测方法及系统 Download PDFInfo
- Publication number
- CN117909694B CN117909694B CN202410309642.3A CN202410309642A CN117909694B CN 117909694 B CN117909694 B CN 117909694B CN 202410309642 A CN202410309642 A CN 202410309642A CN 117909694 B CN117909694 B CN 117909694B
- Authority
- CN
- China
- Prior art keywords
- module
- feature
- tcn
- gcn
- input
- 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
- 230000005484 gravity Effects 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013136 deep learning model Methods 0.000 title claims abstract description 20
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 239000000446 fuel Substances 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 44
- 239000013598 vector Substances 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 24
- 239000000463 material Substances 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 16
- 230000001364 causal effect Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000000547 structure data Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 239000012633 leachable Substances 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于航空技术领域,具体涉及一种基于深度学习模型的飞机飞行中重心位置预测方法及系统,旨在解决传统的单一网络模型无法充分捕捉多模态数据和时空信息之间的复杂关系,无法捕捉到所有重要的特征的问题。本发明包括:采集飞机燃油值数据和飞机重心位置数据,获得原始数据集;对原始数据集进行预处理,获得最终数据集;将最终数据集输入训练好的PGTNet模型;最终数据集分别输入TCN分流路径网络获得第一全局特征gT和GCN分流路径网络获得第二全局特征gG,通过融合模块获得多模态特征TG;对所述第一全局特征gT、第二全局特征gG和多模态特征TG通过注意力模块进行连接,获得融合注意力特征,基于融合注意力特征通过预测层预测重心位置。
Description
技术领域
本发明属于航空技术领域,具体涉及了一种基于深度学习模型的飞机飞行中重心位置预测方法及系统。
背景技术
飞机载重平衡对飞行安全至关重要。飞机在飞行过程中,必须严格遵守飞机载重平衡的相关规定,以确保飞机能够安全、平稳地执行飞行任务。随着燃油的消耗,飞机的飞行重量和重心会发生变化。每一架飞机每次起飞和降落时,都必须对其重量和重心进行严格的控制,以确保飞行安全。正确掌握飞机载重平衡关系对航空公司保障飞行安全具有极其重要的意义。飞机重量平衡控制是安全飞行的前提条件,飞机的载重平衡问题关乎飞机的飞行安全。飞机重量平衡的问题解决措施包括严格控制飞机重量、合理分布座位和乘客、进行正确的数据计算和分析等。飞机载重平衡的技术和算法的应用能够提高航空公司的运行效率和飞行安全水平。而现有技术中,传统的单一网络模型无法充分捕捉多模态数据和时空信息之间的复杂关系,无法捕捉到所有重要的特征,对复杂特征提取具有一定的局限性。
在航空工程领域,了解飞机的重心位置对于飞行安全和性能至关重要。 飞机的重心位置受到许多因素的影响,包括载荷分布和燃油量。 随着飞机的飞行,燃油会被消耗,导致飞机的重心位置发生变化。因此,准确地预测飞机重心位置对于飞行安全和性能至关重要。 随着深度学习的发展,使用传统的单一网络模型无法充分捕捉燃油值和重心位置之间的关系,无法充分捕捉多模态数据和时空信息之间的复杂关系,无法捕捉到所有重要的特征,对复杂特征提取具有一定的局限性。
发明内容
为了解决现有技术中的上述问题,即传统的单一网络模型无法充分捕捉多模态数据和时空信息之间的复杂关系,无法捕捉到所有重要的特征的问题,本发明提供了一种基于深度学习模型的飞机飞行中重心位置预测方法,所述方法包括:
步骤S10,采集飞机燃油值数据和飞机重心位置数据,获得原始数据集;
步骤S20,对原始数据集进行预处理,获得最终数据集;
步骤S30,将最终数据集输入训练好的PGTNet模型;PGTNet模型由TCN分流路径网络、GCN分流路径网络、融合模块和注意力模块组成;最终数据集分别输入TCN分流路径网络获得第一全局特征gT和GCN分流路径网络获得第二全局特征gG,通过融合模块对TCN分流路径网络和GCN分流路径网络的输出进行融合,获得多模态特征TG;
步骤S40,对所述第一全局特征gT、第二全局特征gG和多模态特征TG通过注意力模块进行连接,获得融合注意力特征,基于融合注意力特征通过预测层预测重心位置。
基于GCN和TCN模块并行,设计了PGTNet模型,通过GCN和TCN并行可以处理数据中的空间依赖性和时间依赖性,全面地捕捉数据的特征,通过在不同的层级上提取低级特征和高级特征并进行融合可以获得更丰富特征表示,避免高级特征中忽略的隐藏特征信息,从而提升模型的性能和预测能力。
进一步的,所述TCN分流路径网络,具体包括:
三个TCN模块和一个TCN多级注意力模块;
每个TCN模块包含时间残差子模块和残差注意力模块;
所述时间残差子模块包括膨胀因果卷积层、权重归一化层、ReLU激活函数和Dropout层;
所述的膨胀因果卷积层设置为两层,每个膨胀因果卷积层之后按照权重归一化层、ReLU激活函数层和Dropout层的顺序依次排列;每个TCN模块的输入与TCN模块中最后一个Dropout层的输出经过残差注意力模块后输出,且输出作为下一个TCN模块的输入和TCN多级注意力模块的输入;
所述TCN多级注意力模块提取每个TCN模块的输出,获取第一全局特征gT。
进一步的,所述残差注意力模块,具体包括:
第一单元,将多级TCN模块的输入与TCN模块中最后一个Dropout层的输出按照通道维度进行拼接,获得拼接好的特征向量;
第二单元,将所述拼接好的特征向量作为ECA-Net的输入进行通道注意力计算,获得通道权重;
第三单元,将所述通道权重与所述拼接好的特征向量对应相乘,并按照通道维度进行特征向量相加,相加获得的叠加特征向量作为下一个TCN模块的输入;
第四单元,重复第一单元、第二单元和第三单元的功能,遍历每个TCN模块,获得时间高级特征信息T3、第一时间低级特征T1和第二时间低级特征T2。
通过注意力模块取代普通残差模块,在克服梯度消失问题的同时关注输入序列与输出序列之间的关系,并且结合基于TCN模型本身可并行计算的结构特点,有助于提升模型的预测效果。
进一步的,所述所述TCN分流路径网络全局特征gT的计算方法包括:
;
;
其中,表示第一时间低级特征T1的权重分数,/>表示第二低级特征信息T2的权重分数,/>表示时间高级特征信息T3的权重分数;FN由两层全连接层连接进行计算,m表示TCN模块的层级数,/>表示TCN模块第m层级的特征信息权重分数,/>表示TCN模块第m层级的特征信息。
进一步的,所述GCN分流路径网络,具体包括:
三个GCN模块和一个GCN多级注意力模块;
在最终数据集输入GCN模块之前需要将最终数据集构建为图结构数据G=<V,E,A>,将最终数据集;
A是邻接矩阵用于表示节点与节点之间的连接关系;
邻接矩阵元素,定义为/>,其中,i和j表示图节点;将图结构数据作为GCN模块的输入,通过GCN模块对图结构特征进行聚合更新,具体公式为:
;
;
;
其中,是输入特征,/>是输出,/>是激活函数,W是可学习的权重,/>是加了自环的图邻接矩阵,由A邻接矩阵和/>单位矩阵相加得到,/>是加了自环的图度矩阵;
将每一个GCN模块的输出分别作为下一个GCN模块的输入和GCN多级注意力模块的输入;获得空间高级特征信息G3、第一空间低级特征G1和第二空间低级特征G2;GCN多级注意力模块的输入和GCN多级注意力模块的输出,作为GCN分流路径网络的输出。
进一步的,所述GCN分流路径网络全局特征gG的计算方法包括:
;
;
其中,表示第一空间低级特征G1的权重分数,/>表示第二空间低级特征G2的权重分数,/>表示空间高级特征信息G3的权重分数;FN由两层全连接层连接进行计算,表示GCN模块的层级数,/>表示GCN模块第/>层级的特征信息权重分数,/>表示GCN模块第/>层级的特征信息。
进一步的,所述多模态特征TG的计算方法包括:
将所述TCN分流路径网络全局特征gT和GCN分流路径全局特征gG进行拼接融合形成多模态特征TG;
;
;
其中,是时空间融合的时间高级特征信息T3的权重分数,/>是时空间融合的空间高级特征信息G3的权重分数,MF是由两层全连接层连接进行计算,/>表示维度拼接。
进一步的,所述融合注意力特征,其计算方法具体包括:
;
;
其中,是TCN分流路径网络全局特征gT的权重分数,/>是GCN分流路径全局特征gG的权重分数,/>是多模态特征TG的权重分数,DF是由两层全连接层连接进行计算,表示融合注意力特征。
通过对图神经网络自身的特征、时间卷积神经网络自身的特征和两者融合的特征进行计算,能全面的捕捉数据特征,从而提升模型的性能和预测能力。
进一步的,所述PGTNet模型,其训练过程具体包括:
步骤B100,获取训练材料;所述训练材料包括按固定时间采集飞机燃油值数据和对应时刻的飞机重心位置数据;
步骤B200,对所述训练材料进行预处理得到预处理训练材料;
步骤B300,将预处理训练材料拆分为训练集、验证集和测试集;将训练集作为待预测数据;
步骤B400,将待预测数据输入PGTNet模型,输出训练集预测的飞机飞行中的重心位置,获得待预测数据预测结果;
步骤B500,采用均方差方法对待预测数据预测结果与待预测数据中的标签值进行损失函数计算,获得损失值;
步骤B600,通过ReLU激活函数采用梯度下降算法,调整参数,重复步骤B300-B500的方法,直至训练集对应的损失值低于设定的判定阈值;
步骤B700,将测试集作为待预测数据重复步骤B300-B500直至测试集对应的损失值达到预设的测试集判定阈值且训练集损失值低于设定的训练集判定阈值,获得训练好的PGTNet模型。
其中,验证集用于调整超参数,根据预测模型是否发生了过拟合的现象来决定是否要停止训练。PGTNet模型训练结束后,还需要再测试集上评价PGTNet预测模型的最终效果。
本发明的另一方面,提出了一种基于深度学习模型的飞机飞行中重心位置预测系统,所述系统包括:
输入数据获取模块,配置为按固定时间采集飞机燃油值数据和对应时刻的飞机重心位置数据,获得原始数据集;
预处理模块,配置为对原始数据集进行预处理,获得最终数据集;
特征信息获取模块,配置为将最终数据集输入训练好的PGTNet模型;PGTNet模型由TCN分流路径网络、GCN分流路径网络、融合模块和注意力模块组成;最终数据集分别输入TCN分流路径网络获得第一全局特征gT和GCN分流路径网络获得第二全局特征gG,通过融合模块对TCN分流路径网络和GCN分流路径网络的输出进行融合,获得多模态特征TG;
重心位置预测模块,配置为对所述第一全局特征gT、第二全局特征gG和多模态特征TG通过注意力模块进行连接,获得融合注意力特征,基于融合注意力特征通过预测层预测重心位置。
本发明的有益效果:
(1)本发明通过残差注意力模块取代普通残差连接模块,在克服梯度消失问题的同时关注输入序列与输出序列之间的关系并且结合基于TCN模型本身可并行计算的结构特点,有助于提升模型的预测效果;
(2)本发明通过对图神经网络自身的特征、时间卷积神经网络自身的特征和两者融合的特征进行计算,能全面地捕捉数据特征,从而提升模型的性能和预测能力;
(3)本发明通过GCN和TCN并行可以处理数据中的空间依赖性和时间依赖性,全面地捕捉数据的特征,通过在不同的层级上提取低级特征和高级特征并进行融合可以获得更丰富特征表示,避免高级特征中忽略的隐藏特征信息,从而提升模型的性能和预测能力。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本发明基于深度学习模型的飞机飞行中重心位置预测方法的流程图;
图2是本发明基于深度学习模型的飞机飞行中重心位置预测方法的构架图;
图3是本发明数据预处理的操作示意图;
图4是本发明TCN模块的结构图;
图5是本发明训练PGTNet模型的流程图;
图6是本发明多级注意力模块结构图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明提供一种基于深度学习模型的飞机飞行中重心位置预测方法,包括:
步骤S10,采集飞机燃油值数据和飞机重心位置数据,获得原始数据集;
步骤S20,对原始数据集进行预处理,获得最终数据集;
步骤S30,将最终数据集输入训练好的PGTNet模型;PGTNet模型由TCN分流路径网络、GCN分流路径网络、融合模块和注意力模块组成;最终数据集分别输入TCN分流路径网络获得第一全局特征gT和GCN分流路径网络获得第二全局特征gG,通过融合模块对TCN分流路径网络和GCN分流路径网络的输出进行融合,获得多模态特征TG;
步骤S40,对所述第一全局特征gT、第二全局特征gG和多模态特征TG通过注意力模块进行连接,获得融合注意力特征,基于融合注意力特征通过预测层预测重心位置。
为了更清晰地对本发明一种基于深度学习模型的飞机飞行中重心位置预测方法进行说明,下面结合附图对本发明实施例中各步骤展开详述。
本发明第一实施例的一种基于深度学习模型的飞机飞行中重心位置预测方法,包括步骤S10-步骤S40,如图1和图2所示,各步骤详细描述如下:
步骤S10,每十分钟采集一次飞机燃油值数据和对应时刻的飞机重心位置数据,获得原始数据集;
步骤S20,对原始数据集进行预处理,获得最终数据集;
步骤S30,将最终数据集输入训练好的PGTNet模型;PGTNet模型由TCN分流路径网络、GCN分流路径网络、融合模块和注意力模块组成;最终数据集分别输入TCN分流路径网络获得第一全局特征gT和GCN分流路径网络获得第二全局特征gG,通过融合模块对TCN分流路径网络和GCN分流路径网络的输出进行融合,获得多模态特征TG;
在本实施例中,所述TCN分流路径网络,具体包括:
三个TCN模块和一个TCN多级注意力模块;
每个TCN模块如图4所示,包含时间残差子模块和残差注意力模块;
所述时间残差子模块包括膨胀因果卷积层、权重归一化层、ReLU激活函数和Dropout层;
所述的膨胀因果卷积层设置为两层,每个膨胀因果卷积层之后按照权重归一化层、ReLU激活函数层和Dropout层的顺序依次排列;每个TCN模块的输入与TCN模块中最后一个Dropout层的输出经过残差注意力模块后输出,且输出作为下一个TCN模块的输入和TCN多级注意力模块的输入;
所述TCN多级注意力模块提取每个TCN模块的输出,获取第一全局特征gT。
在本实施例中,如图6所示,所述残差注意力模块,具体包括:
第一单元,将多级TCN模块的输入与TCN模块中最后一个Dropout层的输出按照通道维度进行拼接,获得拼接好的特征向量;
第二单元,将所述拼接好的特征向量作为ECA-Net的输入通过通道注意力计算,获得通道权重;
所述ECA-Net是通道注意力计算的一种实现形式,将输入的的特征向量通过全局平均池化得到每个通道的全局平均值,然后通过一个一维卷积得到每个通道的注意力权重。
第三单元,将所述通道权重与所述拼接好的特征向量对应相乘,并按照通道维度进行特征向量相加,相加获得叠加特征向量作为下一个TCN模块的输入;
所述将所述通道权重与所述拼接好的特征向量对应相乘,表示为:例如拼接好的特征向量有两个通道维度,则会产生两个通道权重值,将第一个通道权重值与第一个通道维度相乘,第一个通道权重值与第一个通道维度相乘,第二个通道权重值与第二个通道维度相乘;
所述特征向量相加,表示为,所述通道权重值与拼接好的特征向量对应相乘后得到的特征向量;
第四单元,重复第一单元、第二单元和第三单元的功能,遍历每个TCN模块,获得时间高级特征信息T3、第一时间低级特征T1和第二时间低级特征T2。
在本实施例中,所述TCN分流路径网络全局特征gT的计算方法包括:
;
;
其中,表示第一时间低级特征T1的权重分数,/>表示第二低级特征信息T2的权重分数,/>表示时间高级特征信息T3的权重分数;FN由两层全连接层连接进行计算,中间隐藏神经元个数为4,m表示TCN模块的层级数,/>表示TCN模块第m层级的特征信息权重分数,/>表示TCN模块第m层级的特征信息。
在本实施例中,所述GCN分流路径网络,具体包括:
三个GCN模块和一个GCN多级注意力模块;
在最终数据集输入GCN模块之前需要将最终数据集构建为图结构数据G=<V,E,A>,将最终数据集;为每个时间步创建一个节点V,将飞机燃油值作为节点特征,飞机重心位置做为节点的标签;按照时间步之间的顺序关系添加有向边E表示不同节点之间的关系;
A是邻接矩阵用于表示节点与节点之间的连接关系;
邻接矩阵元素,定义为/>,其中,i和j表示图节点;将图结构数据作为GCN模块的输入,通过GCN模块对图结构特征进行聚合更新,具体公式为:
;
;
;
其中,是输入特征,/>是输出,/>是激活函数,W是可学习的权重,/>是加了自环的图邻接矩阵,由A邻接矩阵和/>单位矩阵相加得到,/>是加了自环的图度矩阵;
将每一个GCN模块的输出分别作为下一个GCN模块的输入和GCN多级注意力模块的输入;获得空间高级特征信息G3、第一空间低级特征G1和第二空间低级特征G2;GCN多级注意力模块的输入和GCN多级注意力模块的输出,作为GCN分流路径网络的输出。
在本实施例中,所述GCN分流路径网络全局特征gG的计算方法包括:
;
;
其中,表示第一空间低级特征G1的权重分数,/>表示第二空间低级特征G2的权重分数,/>表示空间高级特征信息G3的权重分数;FN由两层全连接层连接进行计算,中间隐藏神经元个数为4,/>表示GCN模块的层级数,/>表示GCN模块第/>层级的特征信息权重分数,/>表示GCN模块第/>层级的特征信息。
在本实施例中,所述多模态特征TG的计算方法包括:
将所述TCN分流路径网络全局特征gT和GCN分流路径全局特征gG进行拼接融合形成多模态特征TG;
;
;
其中,是时空间融合的时间高级特征信息T3的权重分数,/>是时空间融合的空间高级特征信息G3的权重分数,MF是由两层全连接层连接进行计算,中间隐藏神经元个数为4,/>表示维度拼接。
在本实施例中,如图5所示,所述PGTNet模型,其训练过程具体包括:
步骤B100,获取训练材料;所述训练材料包括按固定时间采集飞机燃油值数据和对应时刻的飞机重心位置数据;在本实施例中,如图3所示,所述训练材料包括:
对历史的原始数据集中的数据进行划分为若干组,其中每组包含三对<燃油值,重心位置>数据并依次排列;将每组前五个值设置为一组真实值,每组最后一个值设置为标签值;循环设置步骤,直至设置所有历史的原始数据集,形成训练材料。
在实测阶段,如果只有一个燃油值,可以根据训练过程中,选取这个燃油值临近的数据,进行特征补充。
步骤B200,对所述训练材料进行预处理得到预处理训练材料;
步骤B300,将预处理训练材料拆分为训练集、验证集和测试集;其中,训练集:验证集:测试集的比例为8:1:1;并对训练集、验证集和测试集进行Min-Max标准化处理;将训练集作为待预测数据;
步骤B400,将待预测数据输入PGTNet模型,输出训练集预测的飞机飞行中的重心位置,获得待预测数据预测结果;
步骤B500,采用均方差方法对待预测数据预测结果与待预测数据中的标签值进行损失函数计算,获得损失值;
步骤B600,通过ReLU激活函数采用梯度下降算法,调整参数,重复步骤B300-B500的方法,直至训练集对应的损失值低于设定的判定阈值;
步骤B700,将测试集作为待预测数据重复步骤B300-B500直至测试集对应的损失值达到预设的测试集判定阈值且训练集损失值低于设定的训练集判定阈值,获得训练好的PGTNet模型。
在本实施例中,所述通过ReLU激活函数采用梯度下降算法,调整参数,参数具体设置为:
batch size的值设置为16,epoch的值设置为100,dropout设置为0.5,初始学习率设置为0.01,每20个epoch过后将学习率乘以0.9。
在本实施例中,所述PGTNet模型,采用均方差损失函数来判断时间输出与期望输出的接近程度,通过采用SGD优化器不断训练使得损失值最小化。
步骤S40,对所述TCN分流路径网络全局特征gT、GCN分流路径全局特征gG和多模态特征TG进行注意力计算,其输出作为预测层的输入,通过最后一个预测层预测飞机飞行中的重心位置;所述预测层由两个全连接层组成。
在本实施例中,所述注意力计算,具体包括:
;
;
其中,是TCN分流路径网络全局特征gT的权重分数,/>是GCN分流路径全局特征gG的权重分数,/>是多模态特征TG的权重分数,DF是由两层全连接层连接进行计算,中间隐藏神经元个数为64,/>表示维度拼接,/>表示融合注意力特征。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述,但是本领域技术人员可以理解,为了实现本实施例的效果,不同的步骤之间不必按照这样的次序执行,其可以同时(并行)执行或以颠倒的次序执行,这些简单的变化都在本发明的保护范围之内。
本发明第二实施例的一种基于深度学习模型的飞机飞行中重心位置预测系统,所述系统包括:
输入数据获取模块,配置为按固定时间采集飞机燃油值数据和对应时刻的飞机重心位置数据,获得原始数据集;
预处理模块,配置为对原始数据集进行预处理,获得最终数据集;
特征信息获取模块,配置为将最终数据集输入训练好的PGTNet模型;PGTNet模型由TCN分流路径网络、GCN分流路径网络、融合模块和注意力模块组成;最终数据集分别输入TCN分流路径网络获得第一全局特征gT和GCN分流路径网络获得第二全局特征gG,通过融合模块对TCN分流路径网络和GCN分流路径网络的输出进行融合,获得多模态特征TG;
重心位置预测模块,配置为对所述第一全局特征gT、第二全局特征gG和多模态特征TG通过注意力模块进行连接,获得融合注意力特征,基于融合注意力特征通过预测层预测重心位置。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的一种基于深度学习模型的飞机飞行中重心位置预测系统,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (7)
1.一种基于深度学习模型的飞机飞行中重心位置预测方法,其特征在于,所述方法包括:
步骤S10,采集飞机燃油值数据和飞机重心位置数据,获得原始数据集;
步骤S20,对原始数据集进行预处理,获得最终数据集;
步骤S30,将最终数据集输入训练好的PGTNet模型;PGTNet模型由TCN分流路径网络、GCN分流路径网络、融合模块和注意力模块组成;最终数据集分别输入TCN分流路径网络获得第一全局特征gT、输入GCN分流路径网络获得第二全局特征gG,通过融合模块对TCN分流路径网络和GCN分流路径网络的输出进行融合,获得多模态特征TG;
所述TCN分流路径网络具体包括:
三个TCN模块和一个TCN多级注意力模块;
每个TCN模块包含时间残差子模块和残差注意力模块;
所述时间残差子模块包括膨胀因果卷积层、权重归一化层、ReLU激活函数层和Dropout层;
所述的膨胀因果卷积层设置为两层,每个膨胀因果卷积层之后按照权重归一化层、ReLU激活函数层和Dropout层的顺序依次排列;每个TCN模块的输入与TCN模块中最后一个Dropout层的输出经过残差注意力模块后输出,且输出作为下一个TCN模块的输入和TCN多级注意力模块的输入;
所述TCN多级注意力模块提取每个TCN模块的输出,获取第一全局特征gT;
所述残差注意力模块具体包括:
第一单元,将多级TCN模块的输入与TCN模块中最后一个Dropout层的输出按照通道维度进行拼接,获得拼接好的特征向量;
第二单元,将所述拼接好的特征向量作为ECA-Net的输入,通过通道注意力计算,获得通道权重;
第三单元,将所述通道权重与所述拼接好的特征向量对应相乘,并按照通道维度进行特征向量相加,相加获得叠加特征向量作为下一个TCN模块的输入;
第四单元,重复第一单元、第二单元和第三单元的功能,遍历每个TCN模块,获得时间高级特征信息T3、第一时间低级特征T1和第二时间低级特征T2;
所述GCN分流路径网络具体包括:
三个GCN模块和一个GCN多级注意力模块;
在最终数据集输入GCN模块之前需要将最终数据集构建为图结构数据G=<V,E,A>;
V表示节点,E表示有向边,A是邻接矩阵用于表示节点与节点之间的连接关系;
邻接矩阵元素 ,定义为/>,其中,i和j表示图节点;
将图结构数据作为GCN模块的输入,通过GCN模块对图结构特征进行聚合更新具体公式为:
;
;
其中,是输入特征,/>是输出,/>是激活函数,W是可学习的权重,/>是加了自环的图邻接矩阵,由A邻接矩阵和/>单位矩阵相加得到,/>是加了自环的图度矩阵;
将每一个GCN模块的输出分别作为下一个GCN模块的输入和GCN多级注意力模块的输入;获得空间高级特征信息G3、第一空间低级特征G1和第二空间低级特征G2;GCN多级注意力模块的输入和GCN多级注意力模块的输出,作为GCN分流路径网络的输出;
步骤S40,对所述第一全局特征gT、第二全局特征gG和多模态特征TG通过注意力模块进行连接,获得融合注意力特征,基于融合注意力特征通过预测层预测重心位置。
2.根据权利要求1所述的一种基于深度学习模型的飞机飞行中重心位置预测方法,其特征在于,所述第一全局特征gT的计算方法包括:
;
;
其中,表示第一时间低级特征T1的权重分数,/>表示第二低级特征信息T2的权重分数,/>表示时间高级特征信息T3的权重分数;FN由两层全连接层连接进行计算,m表示TCN模块的层级数, />表示TCN模块第m层级的特征信息权重分数,/>表示TCN模块第m层级的特征信息。
3.根据权利要求1所述的一种基于深度学习模型的飞机飞行中重心位置预测方法,其特征在于,所述第二全局特征gG的计算方法包括:
;
;
其中,表示第一空间低级特征G1的权重分数,/>表示第二空间低级特征G2的权重分数,/>表示空间高级特征信息G3的权重分数;FN由两层全连接层连接进行计算,/>表示GCN模块的层级数,/>表示GCN模块第/>层级的特征信息权重分数,/>表示GCN模块第层级的特征信息。
4.根据权利要求1所述的一种基于深度学习模型的飞机飞行中重心位置预测方法,其特征在于,所述多模态特征TG的计算方法包括:
将TCN分流路径网络获得的第一全局特征gT和GCN分流路径网络获得的第二全局特征gG进行拼接融合形成多模态特征TG;
;
;
其中,是时空间融合的时间高级特征信息T3的权重分数,/>是时空间融合的空间高级特征信息G3的权重分数,MF是由两层全连接层连接进行计算,/>表示维度拼接。
5.根据权利要求1所述的一种基于深度学习模型的飞机飞行中重心位置预测方法,其特征在于,所述融合注意力特征的计算方法具体包括:
;
;
其中,是TCN分流路径网络全局特征gT的权重分数,/>是GCN分流路径全局特征gG的权重分数,/>是多模态特征TG的权重分数,DF是由两层全连接层连接进行计算,表示维度拼接,/>表示融合注意力特征。
6.根据权利要求1所述的一种基于深度学习模型的飞机飞行中重心位置预测方法,其特征在于,所述PGTNet模型的训练过程具体包括:
步骤B100,获取训练材料;所述训练材料包括按固定时间采集飞机燃油值数据和对应时刻的飞机重心位置数据;
步骤B200,对所述训练材料进行预处理得到预处理训练材料;
步骤B300,将预处理训练材料拆分为训练集、验证集和测试集;将训练集作为待预测数据;
步骤B400,将待预测数据输入PGTNet模型,输出训练集预测的飞机飞行中的重心位置,获得待预测数据预测结果;
步骤B500,采用均方差方法对待预测数据预测结果与待预测数据中的标签值进行损失函数计算,获得损失值;
步骤B600,通过ReLU激活函数采用梯度下降算法,调整参数,重复步骤B300-B500的方法,直至训练集对应的损失值低于设定的判定阈值;
步骤B700,将测试集作为待预测数据重复步骤B300-B500直至测试集对应的损失值达到预设的测试集判定阈值且训练集损失值低于设定的训练集判定阈值,获得训练好的PGTNet模型。
7.一种基于深度学习模型的飞机飞行中重心位置预测系统,其特征在于,所述系统包括:
输入数据获取模块,配置为按固定时间采集飞机燃油值数据和对应时刻的飞机重心位置数据,获得原始数据集;
预处理模块,配置为对原始数据集进行预处理,获得最终数据集;
特征信息获取模块,配置为将最终数据集输入训练好的PGTNet模型;PGTNet模型由TCN分流路径网络、GCN分流路径网络、融合模块和注意力模块组成;最终数据集分别输入TCN分流路径网络获得第一全局特征gT、输入GCN分流路径网络获得第二全局特征gG,通过融合模块对TCN分流路径网络和GCN分流路径网络的输出进行融合,获得多模态特征TG;
所述TCN分流路径网络具体包括:
三个TCN模块和一个TCN多级注意力模块;
每个TCN模块包含时间残差子模块和残差注意力模块;
所述时间残差子模块包括膨胀因果卷积层、权重归一化层、ReLU激活函数层和Dropout层;
所述的膨胀因果卷积层设置为两层,每个膨胀因果卷积层之后按照权重归一化层、ReLU激活函数层和Dropout层的顺序依次排列;每个TCN模块的输入与TCN模块中最后一个Dropout层的输出经过残差注意力模块后输出,且输出作为下一个TCN模块的输入和TCN多级注意力模块的输入;
所述TCN多级注意力模块提取每个TCN模块的输出,获取第一全局特征gT;
所述残差注意力模块具体包括:
第一单元,将多级TCN模块的输入与TCN模块中最后一个Dropout层的输出按照通道维度进行拼接,获得拼接好的特征向量;
第二单元,将所述拼接好的特征向量作为ECA-Net的输入,通过通道注意力计算,获得通道权重;
第三单元,将所述通道权重与所述拼接好的特征向量对应相乘,并按照通道维度进行特征向量相加,相加获得叠加特征向量作为下一个TCN模块的输入;
第四单元,重复第一单元、第二单元和第三单元的功能,遍历每个TCN模块,获得时间高级特征信息T3、第一时间低级特征T1和第二时间低级特征T2;
所述GCN分流路径网络具体包括:
三个GCN模块和一个GCN多级注意力模块;
在最终数据集输入GCN模块之前需要将最终数据集构建为图结构数据G=<V,E,A>;
V表示节点,E表示有向边,A是邻接矩阵用于表示节点与节点之间的连接关系;
邻接矩阵元素,定义为/>,其中,i和j表示图节点;
将图结构数据作为GCN模块的输入,通过GCN模块对图结构特征进行聚合更新具体公式为:
;
;
其中,是输入特征,/>是输出,/>是激活函数,W是可学习的权重,/>是加了自环的图邻接矩阵,由A邻接矩阵和/>单位矩阵相加得到,/>是加了自环的图度矩阵;
将每一个GCN模块的输出分别作为下一个GCN模块的输入和GCN多级注意力模块的输入;获得空间高级特征信息G3、第一空间低级特征G1和第二空间低级特征G2;GCN多级注意力模块的输入和GCN多级注意力模块的输出,作为GCN分流路径网络的输出;
重心位置预测模块,配置为对所述第一全局特征gT、第二全局特征gG和多模态特征TG通过注意力模块进行连接,获得融合注意力特征,基于融合注意力特征通过预测层预测重心位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410309642.3A CN117909694B (zh) | 2024-03-19 | 2024-03-19 | 基于深度学习模型的飞机飞行中重心位置预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410309642.3A CN117909694B (zh) | 2024-03-19 | 2024-03-19 | 基于深度学习模型的飞机飞行中重心位置预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117909694A CN117909694A (zh) | 2024-04-19 |
CN117909694B true CN117909694B (zh) | 2024-05-17 |
Family
ID=90696270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410309642.3A Active CN117909694B (zh) | 2024-03-19 | 2024-03-19 | 基于深度学习模型的飞机飞行中重心位置预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117909694B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3002032A1 (fr) * | 2013-02-08 | 2014-08-15 | Dassault Aviat | Systeme et procede d'aide a la navigation d'un aeronef |
CN109727491A (zh) * | 2017-10-30 | 2019-05-07 | 波音公司 | 用于提高飞机燃油效率的方法和系统 |
KR102194238B1 (ko) * | 2020-06-24 | 2020-12-22 | 국방과학연구소 | 실시간 항공기 안정성 상실 위험 예측 시스템 및 예측 방법 |
CN112801404A (zh) * | 2021-02-14 | 2021-05-14 | 北京工业大学 | 一种基于自适应空间自注意力图卷积的交通预测方法 |
WO2023237560A1 (en) * | 2022-06-06 | 2023-12-14 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Analyzing an inference of a machine learning predictor |
-
2024
- 2024-03-19 CN CN202410309642.3A patent/CN117909694B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3002032A1 (fr) * | 2013-02-08 | 2014-08-15 | Dassault Aviat | Systeme et procede d'aide a la navigation d'un aeronef |
CN109727491A (zh) * | 2017-10-30 | 2019-05-07 | 波音公司 | 用于提高飞机燃油效率的方法和系统 |
KR102194238B1 (ko) * | 2020-06-24 | 2020-12-22 | 국방과학연구소 | 실시간 항공기 안정성 상실 위험 예측 시스템 및 예측 방법 |
CN112801404A (zh) * | 2021-02-14 | 2021-05-14 | 北京工业大学 | 一种基于自适应空间自注意力图卷积的交通预测方法 |
WO2023237560A1 (en) * | 2022-06-06 | 2023-12-14 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Analyzing an inference of a machine learning predictor |
Non-Patent Citations (2)
Title |
---|
Research on RCS Sequence Prediction Based on ARIMA-TPA-LSTM Algorithm;JiangGuanwu et al.;2023 China Automation Congress (CAC);20231119;第1887-1892页 * |
考虑重心位置的飞机装载优化问题的研究;朱贺;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑;20181215(第12期);第C031-85页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117909694A (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110609524B (zh) | 一种工业设备剩余寿命预测模型及其构建方法和应用 | |
CN109766583A (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
WO2007033300A2 (en) | Systems and methods for martingale boosting in machine learning | |
CN111967594A (zh) | 一种神经网络压缩方法、装置、设备及存储介质 | |
CN108053077A (zh) | 一种基于区间二型t-s模糊模型的短期风速预测方法与系统 | |
CN110751267B (zh) | 神经网络的结构搜索方法、训练方法、装置及存储介质 | |
CN111679972B (zh) | 软件系统可靠性预计方法、装置、计算机设备和存储介质 | |
Li et al. | Study on signal recognition and diagnosis for spacecraft based on deep learning method | |
CN117909694B (zh) | 基于深度学习模型的飞机飞行中重心位置预测方法及系统 | |
CN113408200B (zh) | 航空装备振动环境分析和预测方法 | |
CN107330638B (zh) | 一种面向决策支持的航天项目风险综合评价方法 | |
CN116706907B (zh) | 基于模糊推理的光伏发电预测方法和相关设备 | |
CN116629338B (zh) | 一种模型数据的处理方法、相关装置、设备以及存储介质 | |
Schösser et al. | On the Performance of Machine Learning Based Flight Delay Prediction–Investigating the Impact of Short-Term Features | |
CN117454776A (zh) | 基于vmd优化下多层次分解与集成的空中交通流量预测方法 | |
CN117421571A (zh) | 一种基于配电网的拓扑实时辨识方法及系统 | |
CN110674791A (zh) | 一种基于多阶段迁移学习的强迫振荡分层定位方法 | |
Yamada et al. | Weight Features for Predicting Future Model Performance of Deep Neural Networks. | |
Xu et al. | Design of an expert system based on neural network ensembles for missile fault diagnosis | |
CN110222892A (zh) | 乘客的下车站点预测方法及装置 | |
CN114611753A (zh) | 一种航班飞机轨迹数据预测系统及方法 | |
IDRUS et al. | Forecasting the number of airplane passengers using box-jenkins and artificial neural network In Malaysia | |
Mahdaoui et al. | A TSK-type recurrent neuro-fuzzy systems for fault prognosis | |
KR102497543B1 (ko) | 머신러닝을 사용한 군 수리부속 수요예측 모델과 실용화 시스템 | |
Kalyan | A multi-fidelity platform using machine learning for integrated design of aircraft systems |
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 |