[发明专利]一种基于深度学习的重着陆预测方法

权利要求书

1.一种基于深度学习的重着陆预测方法，其特征在于，包括如下步骤：

步骤1：获取记录飞行参数的航班数据，以下简称QAR数据，航班数据记录的是飞机从起飞到着陆全过程的数据，从中截取海拔高度在250英尺以下的最终进近数据作为航班着陆阶段数据；选择着陆阶段关键参数，关键参数包括俯仰角、滚转角、下降率、风速、风向、驾驶员俯仰杆操作、驾驶员滚转角操作、驾驶员脚踏板操作、脚踏板角度、地速、空速、纵向加速度、水平加速度的参数，经过截取和关键参数选择操作，每个航班样本表示成一个多元时间序列，每个时间点是一个由上述参数在该时间点的QAR记录值组成的向量，每一个向量被称为一个着陆状态点；

步骤2：定义着陆状态点为飞机着陆序列中每一个时刻的记录值，将从QAR中获取到的全部航班样本所有着陆状态点利用Kmeans方法进行聚类，Kmeans聚类将所有着陆状态点根据其取值对应到不同的着陆状态类别；Kmeans聚类算法产生的质心生成航班着陆状态字典，航班中每一个着陆状态点均映射到一个航班着陆状态字典中的一个符号化表示，每个航班由多个着陆状态点组成，经过映射，每一个航班均得到一个符号序列表示；

步骤3：利用循环神经网络(LSTM)搭建深度学习自回归模型，模型的输入为步骤2中得到的航班的符号序列表示，模型的主题结构为LSTM，模型每个时刻的输出为经过LSTM编码得到的向量；利用该模型进行预训练，预训练的方式为，在任一时刻t，用前面t-1个时刻的着陆状态预测当前时刻的着陆状态，预训练后的模型即为飞机着陆模型ALM(AircraftLanding Model，ALM)；

步骤4：根据QAR数据中记录的垂直载荷参数值，选择垂直载荷参数值大于1.5的样本作为重着陆训练样本，使用步骤2中生成的航班着陆状态字典将重着陆样本数据转换成符号序列，利用转换后的航班着陆符号序列，在步骤3中预训练的飞机着陆模型基础上继续训练，训练方法为最小化重着陆预测损失，最终得到预测结果。

2.根据权利要求1所述的基于深度学习的重着陆预测方法，其特征在于：所述步骤1具体实现过程如下：

(11)数据准备：提取QAR数据，截取距离地面高度250英尺到距离地面0英尺之间的数据作为飞机着陆数据，其中选择着陆发生5秒以前时间段的数据作为训练数据；

(12)参数提取：根据QAR数据中的记录数据以及相关文献，选择对于着陆最重要的一些特征，分为三组参数，分别是飞机状态类参数、环境类参数和驾驶员操作参数，所述飞机状态参数包括俯仰角、滚转角、地速、水平加速度、纵向加速度、下降率和空速；所述驾驶员操作参数包括滚转操作、俯仰操作、脚踏板操作和脚踏板角度；所述环境参数包括风速和风向；

(13)着陆状态点生成：每个航班样本经过步骤(1)和步骤(2)的处理得到多个向量，每个着陆点为一个向量，包含步骤(2)选择的参数在当前着陆点的取值。

3.根据权利要求1所述的基于深度学习的重着陆预测方法，其特征在于：所述步骤2具体实现过程如下：

(21)利用Kmeans聚类算法，对所有着陆状态向量进行聚类操作，生成900个聚类质心，聚类质心的数量是通过聚类指标确定的最佳聚类质心数量，每个聚类质心是一个符号到向量的映射，为Kmeans生成的900个聚类质心分配唯一编号，每一个质心的向量表示计算方法如下：Kmeans算法将数据中的着陆状态点分配给各个质心，被划分到各个质心的着陆状态点对应的向量求平均值，级得到对应质心的向量表示；

(22)针对每一个着陆状态向量，为其分配一个的聚类质心，作为这个着陆状态向量的符号化表示，选择质心的方式为计算着陆状态点向量和Kmeans聚类得到的所有质心的欧式距离，选择欧式距离最小的作为分配给该着陆状态点的质心，每一个航班的每一个着陆状态向量都转换成质心对应的符号，同一个航班的所有着陆状态点的映射结果组成一个符号序列。