[发明专利]飞行员工作状态识别模型的建模方法

权利要求书

1.一种飞行员工作状态识别模型的建模方法，其特征在于，包括如下步骤：

步骤S1：对飞行数据进行预处理；

步骤S2：对预处理后的飞行数据进行特征提取；

步骤S3：利用Treelets算法对提取出的特征进行数据降维；

步骤S4：利用基于布谷鸟算法优化的高斯过程分类器对降维后的特征数据进行训练建模。

2.根据权利要求1所述的飞行员工作状态识别模型的建模方法，其特征在于，步骤S1中，选取飞行数据中纵向加速度、侧向加速度、垂直加速度、俯仰角、偏航角、滚转角、地速、俯仰角速度、偏航角速度、滚转角速度以及攻击角共11个飞行参数，并对飞行参数进行归一化处理，得到飞行参数数据集；对飞行参数数据集采用2类进行标定，即{+1，-1}，其中，+1代表正常工作负荷，-1代表非正常工作负荷，得到预处理后的飞行数据。

3.根据权利要求1所述的飞行员工作状态识别模型的建模方法，其特征在于，所述步骤S2包括如下步骤：

步骤S2.1：引入时域信号特征，提取预处理后的飞行数据的均值、方差以及均方根；

步骤S2.2：计算小波奇异熵：

步骤S2.2.1：获得预处理后的飞行数据序列；

步骤S2.2.2：对预处理后的飞行数据序列进行小波分析，获得小波系数矩阵A；

步骤S2.2.3：对小波系数矩阵A进行奇异值特征值分解，得到奇异值特征值λ_i(i＝1，2，……，r)，其中r∈R，表示奇异特征值总数，且所有奇异值特征值λ₁≥λ₂≥…≥λ_r≥0；

步骤S2.2.4：λ_k/λ₁＞0.01％，计算k阶小波奇异熵，其中，λ_k为步骤S2.2.3中第k大的奇异值特征值，λ₁为步骤S2.2.3中最大的奇异值特征值。

4.根据权利要求3所述的飞行员工作状态识别模型的建模方法，其特征在于，所述k＝5。

5.根据权利要求1所述的飞行员工作状态识别模型的建模方法，其特征在于，步骤S3包括如下步骤：

步骤S3.1：在提取出的特征的第0层，计算预处理后的飞行数据协方差矩阵和相似性度量；

步骤S3.2：从提取出的特征的第1层开始，依次重复步骤S3.1，寻找相似性度量最高的协方差矩阵，并且对找到的两维向量进行PCA变换，得到雅可比变换矩阵；

步骤S3.3：对步骤S3.2中得到的雅可比变换矩阵，定义逼近函数与细节函数，并且根据雅可比变换的参数确定Trelets表示，之后对给定的特征数据进行降维。

6.根据权利要求1所述的飞行员工作状态识别模型的建模方法，其特征在于，步骤S4包括如下步骤：

步骤S4.1：对降维后的特征数据进行高斯二分类训练；

步骤S4.2：对高斯二分类训练后的特征数据进行布谷鸟算法优化训练：

步骤S4.2.1：选择优化函数：对数似然函数；

步骤S4.2.2：设置初始化参数n、P_a、MaxGeneration，其中，n为鸟巢种群的数量，P_a为寄生鸟巢被发现的概率，即随机遗弃的鸟巢比例，MaxGeneration为最大迭代次数；

步骤S4.2.3：通过布谷鸟Levy飞行，产生一个新鸟巢i，并评价鸟巢i适应度f_i；

步骤S4.2.4：随机选择一个鸟巢j，评价鸟巢j适应度f_j，并与适应度f_i比较；

步骤S4.2.5：如果f_j＞f_i，用鸟巢j取代鸟巢i成为当前最最新位置，否则鸟巢i仍然为最新位置；

步骤S4.2.6：遗弃P_a概率下被发现的鸟巢，并在剩下的鸟巢中排序比较，生成这一轮迭代后的当前最优解；

步骤S4.2.7：判断当前迭代次数是否已经达到最大，如果未达到，跳转至步骤S4.2.3进行下一轮迭代，如果已经达到，进行步骤S4.2.8；

步骤S4.2.8：输出最优解，得到飞行员工作状态识别模型。