[发明专利]飞行动作智能识别方法

权利要求书

1.飞行动作智能识别方法，其特征在于，具体步骤如下：

1、建立标准动作基准库

结合指定机型的飞行训练大纲和飞行专家的经验知识，从丰富的历史飞行数据中选择与之相关标准的飞行动作条目，建立具有典型代表性的标准动作基准库；

2、构建深度变分多元时序分割模型

I、飞参数据预处理

采集多个飞行架次内的K类飞行参数，而后在时间维度上将其拼接为L×K的多元时间序列s∈R^L×K，其中，L为序列总时长，而后对序列内的每类飞行参数s_:,i∈R^L×1进行归一化处理，得多元时间序列x∈R^l×n；

II、构建动作时序分割模型

利用变分自编码网络构建动作时序分割模型，动作时序分割模型包括采用深度神经网络分布构造的编码器网络q_φ(z|x)和解码器网络p_θ(x|z)，其中，x为输入样本特征的可见变量，z为一系列不可观测的隐层变量，编码器网络q_φ(z|x)提取具有丰富无冗余飞行动作信息的隐层特征，解码器网络p_θ(x|z)用于将隐层信息恢复为原始数据大小并计算重构损失；

根据先验假设，隐层变量z被约束为正态分布p_θ(z)～N(μ,σ)，根据变分理论，将边际似然函数的变分下界作为目标函数，给定近似后验q_φ(z|x)，变分自编码网络的损失函数如式(3)所示：

其中，E_q(z|x)表示在后验分布q_φ(z|x)下求期望，D_KL表示潜在隐层变量z的近似后验q_φ(z|x)与先验分布p_θ(z)之间的KL散度，用于衡量近似后验与先验分布之间的差距，KL散度值越大，两种分布间的差异越大；

III、构建变分多元时序分割网络

针对飞行过程中的多元时间序列，构建深度变分多元时序分割网络，分为变分自编码特征提取与多元时序分割两个部分，针对步骤I得到的多元时间序列x∈R^l×n，其中，l为时间序列的长度，n为输入的飞参数量，首先利用动作时序分割模型提取飞参维度上的隐层特征其中，z为隐层特征的维度，随后，对隐层特征进行卷积和下采样操作，得到编码为含有时序关系的高层特征，最后对高层特征进行反卷积和上采样操作，输出序列预测类别概率向量分类误差由序列预测类别概率向量与序列真实类别的one-hot编码向量y∈R^l×1共同计算，结合分类误差与重构误差，利用梯度下降法对动作时序分割模型参数进行迭代更新，以确定最终的变分多元时序分割网络；

IV、确定损失函数和模型训练

深度变分多元时序分割模型的损失函数分为重构误差和分类误差两个部分，重构误差如式(5)所示：

其中，μ和σ分别为编码器g输出的均值向量和方差向量；

对多元时序分割部分，采用交叉熵损失函数，如式(6)所示：

其中，p_ij表示在时刻i时模型预测为第j类动作的概率，y_ij表示在时刻i时飞行执行的真实动作；

因此，深度变分多元时序分割模型的总体损失函数为重构误差与分类误差之和，如式(7)所示：

L_seg＝L_recon+L_CE (7)

设置模型训练其余参数进行训练，直至训练衰减损失趋于稳定后，停止训练并保存模型权重，以此构建深度变分多元时序分割模型；

IIV、测试深度变分多元时序分割模型并验证性能

对深度变分多元时序分割模型进行测试并验证其性能，进而得到符合标准的深度变分多元时序分割模型；

3、应用深度变分多元时序分割模型

将待预测的时间序列截断成若干长度并满足网络输入长度Lt的子序列，而后将各段子序列输入至步骤2建立的深度变分多元时序分割模型中，以获得预测子序列，再将预测子序列进行拼接，得到整个飞行架次的逐点预测标签，最后进行边界判断，提取出飞行架次中的每个飞行动作片段，作为输出结果，即完成对飞行动作的智能识别。