[发明专利]一种基于一维卷积神经网络的直升机飞行状态识别方法

权利要求书

1.一种基于一维卷积神经网络的直升机飞行状态识别方法，其特征在于，具体包括以下步骤：

1)去除偏离正常的飞行参数数据段，具体步骤如下：

(1.a)对每一个飞行状态对应的速度和高度进行可视化；

(1.b)通过参数曲线，确定每个飞行状态速度和高度的阈值；

(1.c)根据阈值和每个飞行状态下理想的高度和速度，去除实际高度与速度超过阈值的飞行参数数据段；

2)飞行参数预处理；

3)制作飞行状态标签数据集；

4)设计用于飞行状态识别的一维卷积神经网络模型，具体步骤如下：

(4.a)确定输入层，输入层的数据为每个状态同一时刻对应的m个飞行参数，以m×1的向量形式输入网络；

(4.b)确定特征提取层，特征提取层由卷积层和激活层组成，卷积层对输入数据进行卷积操作，得到输入数据的特征，一层卷积由多个卷积核构成，一个卷积核提取一类特征，多类特征组成特征映射图，第一层卷积包含K₁个卷积核，卷积核均为3×1的大小，第二层卷积包含K₂个卷积核，卷积核均为3×1的大小，第三层卷积包含K₃个卷积核，卷积核均为3×1的大小，每层卷积操作之后都使用ReLU激活函数对输出进行非线性变换，其表达公式为：

a＝f(y)＝max{0,y}

式中，y表示卷积层的输出，a表示y的激活值；

(4.c)确定全连接层，全连接层将卷积层获取的局部特征，通过权值矩阵组装成完整的图，实现从特征到标签的映射，第一层全连接层的输入数据为最后一层卷积层输出铺展成的一维特征向量，包含N₁个神经元，使用ReLU作为激活函数，第二层全连接层为分类层，包含的神经元个数为待识别状态的总个数N₂，使用Softmax作为激活函数，并对两层全连接层设置L2正则化，防止过拟合；

(4.d)确定目标函数，目标函数是评价神经网络输出与实际目标值一致性的函数，本发明所述目标函数为交叉熵函数，其表达公式为：

式中，y表示某一状态的真实值，表示状态的预测值，n表示输入的迭代批次数量；

5)训练并保存网络模型参数；

6)测试数据并获取每个状态识别准确率，分别将每个状态未经训练的数据集输入步骤5)训练好的网络模型中，运行网络模型进行测试，获得每个状态相应的识别准确率。

2.根据权利要求1所述一种基于一维卷积神经网络的直升机飞行状态识别方法，其特征在于，飞行参数预处理具体包括下述步骤：

a)数据去噪，采用样本分位数确定野点位置，并使用一阶差分法替换野点值，对第i时刻飞行参数采样值x_i，以m为时间窗口，获取对应子序列对子序列进行样本分位数求解，得到样本分位数q_i，设置阈值M，当x_i与q_i的差值超过阈值时，则认为x_i为野点值，采用一阶差分法替换该野点值，其表达公式为：

x′_i＝x_i-1+(x_i-1-x_i-2)

式中，x′_i表示修复后第i点数据的值，x_i-1和x_i-2分别表示第i-1和第i-2个点的值；

b)限幅，将第i时刻飞行参数采样值x_i与直升机实际飞行时所能达到的最大值x_max做比较，若x_i＞x_max，则将x_i限制为x_max的大小；

c)数据平滑，采用均值滤波技术对飞行参数进行滤波，对第i时刻飞行参数采样值x_i，取其前后各M₁个点，滤波后第i时刻的值等于这2M₁+1个点的平均值；

d)参数拟合，对指示空速、气压高度和偏航角这三个飞行参数的每个采样数据，取其前后各M₂个数据，用最小二乘法进行直线拟合，直线所得斜率为该点对应的参数变换率。