CN107392226A - 飞行员工作状态识别模型的建模方法 - Google Patents

Abstract

本发明提供了一种飞行员工作状态识别模型的建模方法，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数据进行训练建模。本发明具有良好的时域局部化能力，对噪声干扰也有免疫，使得特征值更加严谨。将原始数据降到更加低的维度，从而使降维后的数据复杂度降低，为下一步更加准确分类打下基础。参数优化相对容易，且更易收敛。尽可能为函数寻找全局或者近似全局优化结果，避免了模型的局部最优化。

Description

飞行员工作状态识别模型的建模方法

技术领域

本发明涉及飞行员疲劳检测以及监督预警技术领域，具体涉及飞行员工作状态识别模型的建模方法，该方法根据飞机工作时的飞行参数，利用机器学习等算法得到一个可以评估飞行员工作负荷状态的模型。

背景技术

对于传统的航空任务中飞行员状态检测模型，其过程类似经典模式识别过程，主要分为：数据预处理，特征提取，数据降维处理，机器学习算法分类处理。

在特征提取技术方面，时域信号特征均值、方差与均方根，常常用来表征信号的幅值特性以及原始飞行参数的差异性。但是这些时域特征对于复杂度较高的数据过于简单，很难对信息量较复杂的数据集进行全面的特征描述。

在数据降维方面，主成分分析方法(PCA)广泛应用于工业与科学领域。但是PCA有其无法克服的缺点，PCA将所有的样本作为一个整体来对待，而数据方差较小的方向也会包含重要信息。所以该算法可能导致在降到过低维度时，原信号能量损失过大导致失真，使得分类结果受到影响。

在分类器方面，目前应用比较广泛的为支持向量机(SVM)模型。但SVM仍有许多缺陷，支持向量机的核函数及其参数和惩罚函数的选取是比较困难的问题。在相关参数选择方面，更多依靠传统实验的经验，所以无法根据输入样本的实际情况，生成一个最适应样本的分类模型。甚至有可能因为参数不合适，产生结果过拟合问题，使得分类结果受到影响。

经过检索发现：

(一)

邱宗江，刘慧霞，席庆彪，等在《计算机工程与应用》，2013，49(4)：262-266中发表的《无人机PCA故障检测与诊断技术研究[J]》中，该技术将主成分分析算法(PCA)结合方差敏感自适应阈值的检测，并将其运用于无人机飞控***传感器的故障检测和诊断，克服了传统PCA模型在暂态过程中虚预警和误诊断的缺点。但该技术点仍然无法克服PCA降维过程中忽略数据方差较小的方向的缺点，使得该算法在保证信号能量的基础下，无法将数据降到尽可能低的维度。

(二)

Heng H，Zhang J，Xin C.基于支持向量机的飞行器故障探测[C]//国际消费性电子，交流与网络会议.IEEE，2012：496-499.该技术基于飞行数据，建立SVM发动机故障检测模型，但SVM仍有许多缺陷，支持向量机的核函数及其参数和惩罚函数的选取是比较困难的问题。

(三)

B.机器学习中的高斯过程[J].国际神经***期刊，2008，14(6)：3011-3015.该技术详细介绍了高斯过程的原理以及分类器应用，并且分析得出高斯过程具有处理非线性输入，不依赖参数等特性。但是在文章结尾也提到，在预测高斯过程模型的均值以及协方差时，需要得到全局最优化的结果。斯过程可以通过进行负对数边缘概率关于超参数的最小化获得，一般确定超参数有梯度下降法与牛顿法，但是此类方法随着初始变量的维度数量变大，算法容易陷入局部极值，初始值的选取对算法影响较大。

发明内容

针对现有技术中存在的上述不足，本发明提供了一种飞行员工作状态识别模型的建模方法，该方法解决了如下技术问题：

(1)特征数据过于简单，对噪声干扰难以避免。

(2)需要更好的降维算法，使得可以在保证原信号能量充足的情况下，将数据维度尽量降低。

(3)需要严谨的分类算法，使其适应新更强，不是完全依赖参数。并且分类算法应该可以处理非线性数据。

本发明是通过以下技术方案实现的。

一种飞行员工作状态识别模型的建模方法，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。

优选地，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。

优选地，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；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。

优选地，所述k＝5。

优选地，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。

优选地，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。

优选地，所述步骤S4.2.2中，初始化参数设置为：n＝25，P_a＝0.25，MaxGeneration＝1000；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。

优选地，还包括如下步骤：

步骤S5，对于训练剩下的预处理后的飞行数据作为测试数据对飞行员工作状态识别模型进行验证，得到模型的精度，从而评价模型的效能；同时对比Treelets降维以及PCA降维对模型效能的影响，得到最佳识别模型。

由于采用了上述技术方案，本发明的有益效果是：

1)在特征提取中加入了小波奇异熵特征，由于其良好的时域局部化能力，它携带了信号更加复杂的特征。此外在一定程度上，对噪声干扰也有免疫，使得特征值更加严谨。

2)相比于PCA，Treelets是一种多尺度结构，该方法是自适应算法，结果为可以反映数据结构的层次树与正交基。它可以将原始数据降到更少维数却可以保留更多的原始信息能量。而本申请中使用的Treelets算法作为多尺度自适应算法，可以将原始数据降到更加低的维度，从而使降维后的数据复杂度降低，为下一步更加准确分类打下基础。

3)相比于SVM，高斯过程是一种非参数模型，可以很容易地处理***不确定性与噪声观测建模问题，并具有简易性和灵活的非参数推断能力，其表现往往优于同类的分类算法。高斯过程可以根据训练数据选择超参数与核函数，参数优化相对容易，且更易收敛。

4)此外为了避免模型产生局部最优化问题，本申请引入了布谷鸟优化算法(CS)。由于该算法的随机选择性，可以一定程度上规避局部优化，尽可能为函数寻找全局或者近似全局优化结果，避免了模型的局部最优化。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为Treelets与PCA降维后的分类精度对比图；

图2为Treelets-CS-GP典型分类结果图；

图3为TPCA-CS-GP典型分类结果图。

具体实施方式

下面对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

实施例

本实施例提供的飞行员工作状态识别模型的建模方法，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分类(训练建模)；

进一步地，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。

进一步地，步骤2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、方差与均方根；

步骤S2.2：计算预处理后的飞行数据的小波奇异熵；

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s(t)序列进行小波分析；根据小波母函数的小波变换：其中，m为尺度因子，τ为平移因子；小波变换的系数可以由如下内积公式定义：飞行数据经过小波变换后获得小波系数矩阵A；

步骤S2.2.3：对小波系数矩阵A进行奇异值特征值分解；将A分解为正交矩阵U、正交矩阵V^T和对角矩阵Λ，即，A＝UAV^T；对角矩阵Λ的特征值λ_i(i＝1，2…，r)为矩阵A的奇异值特征值，且所有奇异值特征值λ₁≥λ₂≥…≥λ_r＞0；

步骤S2.2.4：λ_k/λ₁＞0.01％，其中λ_k为按照步骤S2.2.3得到的第k大的特征值，λ₁为步骤S2.2.3中最大的特征值。根据信息熵原理，以小波变换后的奇异值为对象，得到小波奇异熵：

进一步地，所述k＝5。

进一步地，步骤S3包括如下步骤：

步骤S3.1：在l＝0，即第0层，每一个观测信号x代表飞行数据参数x⁽⁰⁾＝[s_0，1，…，s_0，p]^T，s_0，k＝x_k，计算飞行数据的协方差矩阵与相似性度量

∑_ij＝E[(s_i-Es_i)(s_j-Es_j)]，M_ij＝|ρ_ij|+λ|∑_ij|；

其中：x⁽⁰⁾表示观测信号x代表的飞行数据参数矩阵集合，s_0，p表示所有飞行参数中第p个飞行数据，s_0，k表示所有飞行参数中第k个飞行数据。现在针对x⁽⁰⁾矩阵中的第i组与第j组数据，∑_ij表示x⁽⁰⁾集合中第i组数据与第j组数据之间的协方差矩阵，ρ_ij表示将∑_ij归一化后得到的中间参数，Es_i表示第i组数据的期望值，Es_j表示第j组数据的期望值，M_ij表示第i组数据与第j组数据间的相似性度量，λ表示权重参数，可以根据需要进行相关调整。

步骤S3.2：从提取出的特征的第一层开始，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；

1、寻找相似性度量最高的矩阵 其中α和β表示矩阵矩阵中最相似两个变量的位置，argmax表示矩阵中寻找最大值，是l-1层相似度矩阵，i和j表示矩阵中坐标位置；

2、对找到的两维向量进行PCA变换，找到雅可比变换矩阵J(α，β，θ_l)；其中θ_i表示第i个变量旋转的角度；

其中：

其中c＝cos(θ_l)，s＝sin(θ_l)，对x_α，x_β进行PCA降维，即寻找一个旋转角度θ_l，|θ_l|≤π/4，空间的新基B_l＝J^TB_l-1，新的坐标为x^(l)＝J^Tx^(l-1)，更新相似性度量

步骤S3.3：雅可比变换后，我们假设即α、β分别为第一主成分与第二主成分，定义在l树结构上，第l层的和变量为第l层的差变量为同时，定义逼近函数与细节函数分别为φ_l，ψ_l，即为基函数B_l的α与β列。这时，在l层树结构上，我们得到Treelets表示：

对于给定的基B＝(w₁，…，w_p)，其中p表示基的向量总数x数据降为到k保留原始信号能量为：

其中：s_l表示第1层的和变量，表示第l层飞行参数中，位置为α的数据，d_l表示第l层的差变量，表示第l层飞行参数中，位置为α的数据；

进一步地，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。

进一步地，所述步骤S4.2.2中，初始化参数设置为：n＝25，P_a＝0.25，MaxGeneration＝1000。

进一步地，还包括如下步骤：

步骤S5，对于训练剩下的预处理后的飞行数据作为测试数据对飞行员工作状态识别模型进行验证，得到模型的精度，从而评价模型的效能；同时对比Treelets降维以及PCA降维对模型效能的影响，得到最佳识别模型。

在飞行数据预处理阶段：

从飞行数据存储设备选取纵向加速度，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，滚转角速度与攻击角11个飞行参数。为了避免不同飞行参数不同量纲对结果产生影响，对飞行参数进行归一化处理。对应数据集对比飞行任务结束记录的NASA-TLX量表标定数据集，简单采用2类进行标定，即{+1，-1}，代表正常工作负荷与非正常工作负荷。

在飞行数据特征提取阶段：

提取预处理后飞行数据的均值、方差、均方根与小波奇异熵特征。

在特征降维阶段：

分别采用乔木降维(Treelets)算法与主成分分析(PCA)算法对提取的特征进行降维处理。

在基于布谷鸟优化的高斯过程建模阶段：

分别对采用Treelets算法与PCA算法降维的特征集与标定集进行k折交叉模型对数据集进行训练，k＝5，布谷鸟算法初始化参数设置为，n＝25，P_a＝0.25，MaxGeneration＝1000。

在模型验证阶段：

对于训练剩下的数据作为测试数据进行验证，得到模型的精度，从而评价模型的效能。同时对比Treelets降维以及PCA降维对模型效能的影响得到最佳识别模型。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (8)

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。

7.根据权利要求6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S4.2.2中，初始化参数设置为：n＝25，P_a＝0.25，MaxGeneration＝1000；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。

8.根据权利要求1至7中任一项所述的飞行员工作状态识别模型的建模方法，其特征在于，还包括如下步骤：

步骤S5，对于训练剩下的预处理后的飞行数据作为测试数据对飞行员工作状态识别模型进行验证，得到模型的精度，从而评价模型的效能；同时对比Treelets降维以及PCA降维对模型效能的影响，得到最佳识别模型。