[发明专利]飞行动作智能识别方法

说明书

飞行动作智能识别方法，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，而后基于变分自编码网络构建深度变分多元时序分割模型，并将深度变分多元时序分割模型识别的飞行动作与标准动作基准库进行对比，以得到符合标准的深度变分多元时序分割模型，最后将待预测的时间序列输入至深度变分多元时序分割模型进行飞行动作智能识别。本发明以架次内的全部飞行参数序列作为网络输入，不仅关注飞行时间序列的时序关系，且将网络输出飞行时间序列中每一个点处的飞行动作类别作为标签，不依赖于专家知识划分样本，有效提高飞行动作识别准确率。

技术领域

本发明涉及数据挖掘技术领域，尤其涉及一种飞行动作智能识别方法。

背景技术

从飞参数据中快速准确地识别出飞行动作，是开展飞行员操纵品质监控的前提。军事飞行学员在日常飞行训练中，积累了大量的飞行训练数据资源，能够用于分析评估其执行的飞行动作及飞行质量，但传统算法处理飞行训练数据，普遍存在飞行动作识别度不高、五分制质量评估分辨率低、应用中评分区分度不高等问题，尤其是面对当前军事飞行训练强度增加、飞行机动性更强的状况，传统动作识别与质量评估算法在应用中几乎失效。

飞行动作识别本质上属于模式识别问题，针对飞行动作识别任务，目前在工程上得到广泛应用的飞行动作识别方法主要是依靠基于知识库的专家系统，由领域专家根据经验人工从飞行数据中提取出飞行参数变化特征并建立动作识别知识库，再应用计算机高级语言研制推理机，采用正向精确推理策略完成飞行动作的快速识别。2004年，谢川等人利用支持向量机将飞行动作识别任务分解为动作数据筛选与动作片段分类两个阶段；2005年，谢川等人提出了利用粗糙集理论来提取飞行参数特征的方法以提高模型分类准确率；倪世宏等人基于专家系统的思想构建了典型飞行动作的飞参判别规则知识库，但基于知识库的专家系统在飞行评估过程中过于教条，不够灵活，对于复杂机动动作知识表达出现多层嵌套关系，知识库完备性和准确性不易判断。极端情况下，对于某些战术类机动动作，飞行参数变化特征难以提取，动作识别知识无法表达，用户反馈的问题也多。

第二类方法是基于统计学原理或概率图模型的识别系统，如贝叶斯网络模型，支持向量机等，孟光磊等人提出利用动态贝叶斯网络^[4]来设计机动动作识别方法，该方法能够实现对模拟飞行训练中的飞行员做出的机动动作通过飞行参数进行自动识别，再对做出的每个动作进行评分；北京航空航天大学的李丹丹等利用主成分分析(Particle SwarmOptimization,PCA)方法对飞参数据进行降维，然后使用SVM分别对降维前、后的数据进行飞行阶段的划分，通过对比实验得出SVM对主成分降维后的数据划分效果更好，基于统计学原理或概率图模型的识别方法，能够运用机器学习的知识形成飞行动作的模型，准确率高，但由于计算复杂，存在所需识别时间长的缺点。

近年来，学者们提出了可将动作识别的问题转化为飞行时间序列和标准时间序列的相似性查询问题，动态时间规整广泛应用在语音识别中，核心思想是通过动态时间规整技术获取最小路径，其优点是可实现最佳对齐匹配，能支持序列的时间轴弯曲、不同长度时间序列的相似性度量，但计算相对复杂；2015年，李鸿利等人利用多元动态时间规整(Multivariant Dynamic Time Warping，MDTW)算法来计算时间序列与标准动作序列之间的相似度进而判断其所属动作类别；2017年，沈一超等人利用基于多元动态时间规整的层次聚类来筛选节点特征，然后构建贝叶斯网络来预测时间序列属于不同类别的概率；周超等人利用改进的多元动态时间规整算法来实现飞行动作的分级预分类-细分类；2019年沈一超等人提出了动态时间规整路径病态匹配算法，来去除时间序列中的无效片段，以提高动作起止点的精度，然而动态时间规整计算相对复杂。