[发明专利]一种基于支持向量机分类的重着陆预测方法

摘要

一种基于支持向量机分类的重着陆预测方法，该方法实现的具体步骤如下：步骤一：飞参数据初选，提供数据分析基础；步骤二：对飞参数据进行基于飞行高度的切片处理；步骤三：基于支持向量机分类的重着陆预测模型；步骤四：重着陆模型的特征选取和惩罚参数与径向基核参数的优化；通过以上各步骤一是提出了基于飞行高度的飞机重着陆预测理念，即在飞机处于不同飞行高度状态时，实现对重着陆是否发生的预测；二是制定了飞参数据处理和分析的一套方法，并在此基础上建立支持向量机的预测模型实现对重着陆的多次预测；三是通过对支持向量机的特征选取和参数优化，提高了预测精度，对飞机着陆安全的预测和预警具有实用价值。

主权项

1.一种基于支持向量机分类的重着陆预测方法，其特征在于：该方法实现的具体步骤如下：步骤一：飞参数据初选，提供数据分析基础飞参数据初选是指对原始飞参数据进行初步筛选，去除无用数据，保留研究所需数据的过程；飞参数据初选包括以下内容：根据原始飞参数据绘制散点图，利用SPSS软件，横坐标轴为飞行时长，单位为秒，即s，纵坐标轴为无线电高度，高度为米，即m；判定无线电高度达到较小值且法向加速度在相应的时刻范围内取得最大值为该次飞机飞行的着陆时刻，并以该时刻的法向加速度为该次飞行的着陆载荷值；当着陆载荷值超过规定限值时，判定此次着陆为重着陆，否则，判定未发生重着陆；其次，在标定着陆时刻后，截断着陆时刻以后的数据，保留着陆时刻以前的数据作为研究对象；步骤二：对飞参数据进行基于飞行高度的切片处理判断飞机着陆时刻，提取着陆载荷值；根据原始飞参数据，判断每一次飞机的着陆时刻并获取此时的着陆载荷值；当着陆载荷值超过规定限值时，判定此次着陆为重着陆，否则，判定为正常着陆；与此同时，产生一个新的二分变量，该变量的值为“重着陆”，记为“hard”，和“正常着陆”，记为“normal”，分别代表重着陆和正常着陆，作为预测模型的输出变量，然后剔除掉着陆后的数据；基于高度变化的重着陆预测理念，对飞参数据按照飞行高度进行切片处理；由于飞参数据采集的起始点不一致，初选后的飞参数据，不同飞行架次的飞行高度数据区间具有不一致性；为保证研究的飞参数据表现出相对一致的数据特征，需要设定统一的飞行高度范围，而该范围之外的数据将被剔除；飞参数据切片处理是指按照飞行高度值，每间隔一定高度值截取一部分飞参数据的处理方法，截取后的飞参数据将作为数据分析的基础，其余数据将被剔除；在9m‑2m的高度范围内，每隔0.5m对飞参数据进行一次截取，则截取15次；步骤三：基于支持向量机分类的重着陆预测模型鉴于飞参数据的多样性和复杂性，考虑线性不可分数据集{fi，Li}(i＝1，2，…N)，fi∈Rd为由飞参输入变量组成的向量，N表示训练集的样本量；Li∈{+1，‑1}为是否发生重着陆的分类变量，+1表示发生重着陆，‑1表示正常着陆；引入非负松弛变量εi≥0，(i＝1，2，…N)；假设飞参数据满足以下关系式：w·fi+b+εi≥+1对于Li＝+1w·fi+b‑εi≤‑1对于Li＝‑1等价于：Li(w·fi+b)+εi‑1≥0最优超平面满足条件：且L_i(w·f_i+b)+ε_i≥+1其中，C为惩罚参数；利用RBF核函数K(fi，fj)将飞参输入变量映射到高维空间当中，在变换空间中求解最优的分类超平面；径向基核函数表示如下：K(xi，xj)＝exp(‑γ||xi‑xj||2)其中，γ为径向基核函数的参数；步骤四：重着陆模型的特征选取和惩罚参数与径向基核参数的优化选取递归特征淘汰法即Recursive Feature Eliminations进行支持向量机分类预测模型的特征选取；首先，对模型所有输入变量进行所有可能的组合，对于n个输入变量来讲，具有种组合；其次，依次计算出各种输入变量组合所对应的模型预测精度；最后，筛选出模型预测精度最高时所对应的输入变量组合，即为最优的模型输入变量；参数优化是指对惩罚参数C与径向基核函数参数γ两个参数进行优化，参数C和γ同样对模型预测精度具有重大影响，采用网格搜索算法即Grid‑Search Algorithm对支持向量机预测模型进行参数优化；首先，设定参数C和γ的最初取值范围；其次，运用10重交叉验证法并结合R软件计算出每一组不同参数C和γ组合值对应下的模型预测精度；最后，比较模型预测精度大小，挑选出模型预测精度最高时所对应的参数值组合，即为最优的模型参数取值。