CN112948963A - 飞机刹车干扰因素的观测及识别方法及装置 - Google Patents
飞机刹车干扰因素的观测及识别方法及装置 Download PDFInfo
- Publication number
- CN112948963A CN112948963A CN202110135913.4A CN202110135913A CN112948963A CN 112948963 A CN112948963 A CN 112948963A CN 202110135913 A CN202110135913 A CN 202110135913A CN 112948963 A CN112948963 A CN 112948963A
- Authority
- CN
- China
- Prior art keywords
- interference
- sequence
- probability
- hidden markov
- observing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种飞机刹车干扰因素的观测及识别方法及装置,所述方法包括:对刹车过程时间序列进行滑动时间窗口截取;以采样周期为单位,采集观测信号数据,构成数据序列;对数据序列进行平稳性判别;利用基于高斯混合‑隐式马尔科夫模型的干扰预分类器进行干扰预分类,输出预分类对应干扰类型结果;将得到的预分类对应干扰类型结果与时间序列关联,构成干扰类型序列;对干扰类型序列进行缓冲区截取,得到缓冲序列;将缓冲序列输入贝叶斯滤波器,经过贝叶斯滤波器对干扰类型发生的概率进行估计和滤波;贝叶斯滤波器利用阈值检测,设定概率阈值,当所述概率大于所述设定概率阈值时,输出对应的干扰类型结果。
Description
技术领域
本公开涉及飞机刹车技术领域,尤其涉及一种飞机刹车干扰因素的 观测及识别方法及装置。
背景技术
飞机刹车***是飞机起飞着陆***的组成部分之一,对飞机安全起 降极为重要,其主要任务是缩短飞机的着陆滑跑距离,操纵地面滑行方 向,以及在中止起飞(RTO)也称放弃起飞等异常情况下,保证安全地 将飞机制动停止。
在刹车过程中,飞机刹车控制器所采集到的机轮动态是飞机着落时 所涉及到的诸如跑道,轮胎,刹车盘,气动力,起落架载荷甚至是传输 噪声等诸多因素共同作用的结果,这些干扰因素既可以对飞机刹车产生 有利的影响,也可能阻碍飞机刹车过程,增大飞机着陆滑跑距离。要良 好地控制飞机刹车过程,需要在刹车过程中随时对各种干扰因素进行检 测,而这是非常困难的,对飞机刹车***自身来说,干扰对刹车过程的 影响只能通过有限的可观测信号来反映。此时则需要一种通过可观测状 态来提取刹车过程中的干扰因素的方法。以往的干扰检测手段,多是通 过对飞机刹车的个别部件进行建模,通过对模型状态变量进行观测来判 断干扰的发生。但从统计的角度出发,刹车控制器在某个时间所采集的 可观测信号是一个状态,它与某个隐藏状态相对应,该隐藏状态是所涉 及到的***与物理因素共同作用的结果,该隐藏状态与可观测的信号状 态存在一定的概率转换关系。
隐式马尔科夫模型,这是一种从可观参数来分析其中隐含参数的方 法,是贝叶斯滤波算法的具体实现,目的是找出隐含参数,然后利用这 些参数来做进一步的分析。20世纪60年代后半期由Leonard E.Baum和 其它一些作者在一系列的统计学论文中将其描述出来,后广泛应用于语 音识别等的信号处理问题。在隐马尔可夫模型中,状态是不直接可见的, 但输出依赖于该状态下,是可见的。
由于刹车过程中所受到的干扰是非线性的,因而反映出来的可观测 信号也并不是一个线性的函数,此时需要一种非线性分析方法,贝叶斯 滤波广泛适用于非线性和非高斯***的状态估计问题,可以满足本发明 的需要,其基于贝叶斯定理,将未知参数看作是随机变量,使用先验概 率和当前观测信息计算后验概率,从而协调先验信息和当前信息。
发明内容
针对飞机刹车过程中干扰因素难以检测的问题,设计一种通过刹车过程 中可观测信号来获取各种干扰因素信息的方法,建立其与干扰因素的关 系,使得飞机刹车过程中所受到的干扰转化成刹车控制***可处理的信 号,从而有利于对刹车过程的控制。
一方面,提供一种飞机刹车干扰因素的观测及识别方法,包括:
对刹车过程时间序列进行滑动时间窗口截取;
以采样周期为单位,采集观测信号数据,构成数据序列;
对所述数据序列进行平稳性判别;
对经过平稳性判别的数据序列,利用基于高斯混合-隐式马尔科夫模 型的干扰预分类器进行干扰预分类,输出预分类对应干扰类型结果;
将得到的所述预分类对应干扰类型结果与时间序列关联,构成干扰 类型序列;
对所述干扰类型序列进行缓冲区截取,得到缓冲序列;
将所述缓冲序列输入贝叶斯滤波器,经过贝叶斯滤波器对干扰类型 发生的概率进行估计和滤波;
所述贝叶斯滤波器利用阈值检测,设定概率阈值,当所述概率大于 所述设定概率阈值时,输出对应的干扰类型结果。
在本公开的至少一个实施例中,所述基于高斯混合-隐式马尔科夫模 型的干扰预分类器,基于两种模型作用:隐式马尔科夫模型和高斯混合 模型;
所述隐式马尔科夫模型,包含三种集合:
第一集合:N个可能的干扰因素,其中,N为大于0的整数;
第二集合:K个采集观测到的信号数据,其中,K为大于0的整数;
第三集合:每一个干扰因素第一次出现的概率;
所述第一集合、第二集合、第三集合内部之间所有的关系,及所述 三种集合之间所有的对应关系,构成了隐式马尔科夫模型。
在本公开的至少一个实施例中,对飞机刹车过程所述N个可能的干 扰因素进行归类,形成n个隐式马尔科夫模型,其中,n为大于0的整数;
每个隐式马尔科夫模型采用隐式马尔科夫学习进行模型训练,所述 模型训练方法为:对采样的干扰因素样本集进行训练,得到样本序列概 率最大的隐式马尔科夫参数集。
在本公开的至少一个实施例中,所述隐式马尔科夫学习使用 Baum-Welch算法进行计算。
在本公开的至少一个实施例中,所述基于高斯混合-隐式马尔科夫模 型的干扰预分类器,基于两种模型作用:隐式马尔科夫模型和高斯混合 模型;
对于采集到的连续的所述观测信号数据,采用所述高斯混合模型, 进行拟合观测状态到隐藏状态的分布;
所述分布方法为:将一个以上高斯基函数进行线性组合,实现发射 概率计算,构建连续的输出状态空间,求得任意观测数据集合出现的概 率。
在本公开的至少一个实施例中,将所述飞机刹车干扰因素看做随机变量, 利用所述缓冲序列和先验概率计算后验概率,包括如下步骤:
对于服从马尔科夫过程的模型,贝叶斯滤波器更新过程描述如下:
式中,
将所述缓冲序列作为观测输入序列X,
将观测输入序列X对应的隐藏状态序列用Z代表,
将实际对应的发射概率函数用似然函数l代表;
上述公式中,贝叶斯滤波器利用分类器结果缓冲序列作为观测输入 序列X,计算当前输出各类干扰的概率值,设定统一阈值,当概率值大 于设定概率阈值时,输出对应的干扰类型。
在多组数据构成的样本中,问题可以变化为对一个多项式分布的参 数进行估计,也是贝叶斯滤波所要进行后验估计并输出的结果。这里设 观测向量x中第k个向量xk=1发生的概率为pk,则长度为N的干扰预分 类序列{x1,x2,x3,…,xN}(x代表一个完整向量)的概率为:
这里K代表状态数量也即向量长度,nk代表N次试验过程中第k种 状态出现的次数,上式也即利用最大似然估计得到的似然函数。由于贝 叶斯公式对于分布参数与观测输入序列X的表达为:
由于后验概率=先验概率×似然函数(发射概率),为了能简化计算过 程,则期望得到的后验概率,先验概率以及似然函数存在相似的结构, 也即互为共轭分布,这里选用与多项式分布结构相同的狄利克雷分布作 为先验概率分布,如下式:
其中Γ()为伽马函数,α={α1,…,αK}为狄利克雷分布的参数。则对多 项式分布的后验概率分布有如下结论:
根据上式求得的后验概率值,可以求得多项式分布参数p的期望:
在上述表述中,需要确定的参数有αk,nk,N,其中N为截取的输 入贝叶斯滤波器的刹车状态采样时间序列长度,nk为各个状态出现的次 数,唯一需要设定的参数为αk的初始值。
在本公开的至少一个实施例中,当所述后验概率大于所述设定概率 阈值时,输出对应的干扰类型结果。
在本公开的至少一个实施例中,所述干扰类型结果,表示为一个nd× 1的向量,nd表示干扰类别的数量,向量中的每一个元素代表以0或1 表示某种干扰是否存在。
另一方面,还提供一种飞机刹车干扰因素的观测及识别装置,所述 装置包括处理器和存储器,所述存储器中存储有适于所述处理器执行的 计算机程序指令,所述计算机程序指令被所述处理器运行时执行如上述 任一实施例所述的飞机刹车干扰因素的观测及识别方法中的一个或多个 步骤。
本公开所述的飞机刹车干扰因素的观测及识别方法,其优势在于:
(1)对于飞机刹车***,传统控制方法多基于某时刻或某时间段内 的误差进行控制,对这种输入信号在一定时间区间内的变化模式很难进 行识别,对干扰的种类不能做出判断。本专利提出一种基于高斯混合-隐 式马尔科夫模型及贝叶斯滤波技术的刹车过程干扰特征提取方法,通过 刹车过程中的可观测信号来获取干扰因素信息,刹车过程中干扰因素相 对于刹车控制***是不可见的,刹车控制器在某个时间所采集的可观测 信号是一个状态,它与某个隐藏状态相对应,该隐藏状态是所涉及到的 ***与物理因素共同作用的结果,该隐藏状态与可观测的信号状态存在 一定的概率转换关系,可以通过分析可观测信号来获取其中隐含的干扰 因素,从而给刹车控制***提供有利的控制参数。
(2)通过的可采集的实时数据利用高斯混合-隐式马尔可夫模型进行 干扰预分类,同时为提高干扰的置信度,结合刹车过程的数据概率分布 规律构建贝叶斯滤波器实现对干扰的输出。
(3)本专利使用的算法成熟,具有高可靠性,这种基于高斯混合- 隐式马尔科夫模型及贝叶斯滤波技术的刹车过程干扰特征提取方法在传 统控制方法出现误判或判别不准确的情况下,提供了一种思路完全不同 且互为备份的干扰检测方式,识别准确度较高。
附图说明
附图示出了本公开的示例性实施方式,并与其说明一起用于解释本 公开的原理,其中包括了这些附图以提供对本公开的进一步理解,并且 附图包括在本说明书中并构成本说明书的一部分。
图1为根据一些实施例的飞机刹车干扰因素的观测及识别方法的流 程示意图。
具体实施方式
下面结合附图和实施方式对本公开作进一步的详细说明。可以理解 的是,此处所描述的具体实施方式仅用于解释相关内容,而非对本公开 的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本公 开相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施方式及实施方 式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明 本公开。
需要说明的是,文中的步骤编号,仅为了方便具体实施例的解释, 不作为限定步骤执行先后顺序的作用。
本公开一些实施例提供的方法可以由相关的处理器执行,且下文均 以处理器作为执行主体为例进行说明。其中,执行主体可以根据具体案 例进行调整,如服务器、电子设备、计算机等。
要良好地控制飞机刹车过程,需要在刹车过程中随时对各种干扰因 素进行检测,而干扰对刹车过程的影响只能通过有限的可观测信号来反 映。刹车控制器在某个时间所采集的可观测信号是一个状态,它与某个 隐藏状态相对应,该隐藏状态是所涉及到的***与物理因素共同作用的 结果,该隐藏状态与可观测的信号状态存在一定的概率转换关系。在隐 马尔可夫模型中,状态是不直接可见的,但输出依赖于该状态下,是可 见的。由于可观测信号并不是一个线性的函数,本公开发明人发现贝叶 斯滤波适用于非线性和非高斯***的状态估计问题,可以满足本公开的 需要,其基于贝叶斯定理,将未知参数看作是随机变量,使用先验概率 和当前观测信息计算后验概率,从而协调先验信息和当前信息。
如图1所示,本公开的一些实施例提供一种飞机刹车干扰因素的观 测及识别方法,包括以下步骤:
对刹车过程时间序列进行滑动时间窗口截取;
以采样周期为单位,采集观测信号数据,构成数据序列;
对所述数据序列进行平稳性判别;
对经过平稳性判别的数据序列,利用基于高斯混合-隐式马尔科夫模 型的干扰预分类器进行干扰预分类,输出预分类对应干扰类型结果;
将得到的所述预分类对应干扰类型结果与时间序列关联,构成干扰 类型序列;
对所述干扰类型序列进行缓冲区截取,得到缓冲序列;
将所述缓冲序列输入贝叶斯滤波器,经过贝叶斯滤波器对干扰类型 发生的概率进行估计和滤波;
所述贝叶斯滤波器利用阈值检测,设定概率阈值,当所述概率大于 所述设定概率阈值时,输出对应的干扰类型结果。
在本公开的一些实施例中,所述基于高斯混合-隐式马尔科夫模型的 干扰预分类器,基于两种模型作用:隐式马尔科夫模型和高斯混合模型;
所述隐式马尔科夫模型,包含三种集合:
第一集合:N个可能的干扰因素,其中,N为大于0的整数;
第二集合:K个采集观测到的信号数据,其中,K为大于0的整数;
第三集合:每一个干扰因素第一次出现的概率;
所述第一集合、第二集合、第三集合内部之间所有的关系,及所述 三种集合之间所有的对应关系,构成了隐式马尔科夫模型。
示例性的,第一集合干扰因素的集合内部有干扰因素间的概率转移 关系,第一集合干扰因素的集合和第二集合可观测状态的集合之间也有 相对应的发射概率函数,而这些所有集合和所有的对应关系,构成了隐 式马尔科夫模型。
在本公开的一些实施例中,对飞机刹车过程所述N个可能的干扰因 素进行归类,形成n个隐式马尔科夫模型,其中,n为大于0的整数;
每个隐式马尔科夫模型采用隐式马尔科夫学习进行模型训练,所述 模型训练方法为:对采样的干扰因素样本集进行训练,得到样本序列概 率最大的隐式马尔科夫参数集。
在本公开的一些实施例中,所述隐式马尔科夫学习使用Baum-Welch 算法进行计算。
在针对每一种干扰类型训练出对应的参数集后,需要对后续产生的 新数据序列的概率进行评估,以此选出最为合适的干扰类型,此时问题 转换为评估问题,可以采用前向后向算法完成模型状态出现概率的估值。
由于刹车***实质上是一个连续***,传感器采集的连续的数据观 测信号之间没有明显的差异,对连续信号无法构建离散的观测集合。在 本公开的一些实施例中,对于采集到的连续的所述观测信号数据,采用 所述高斯混合模型,进行拟合观测状态到隐藏状态的分布;
所述分布方法为:将若干个高斯基函数进行线性组合,实现发射概 率计算,构建连续的输出状态空间,求得任意观测数据集合出现的概率。
基于所述高斯混合-隐式马尔科夫模型是针对刹车***面临的大类干 扰,都建立对应的马尔科夫过程,并训练其参数。在训练完毕后,可以 利用训练好的模型对新输入的测试数据进行逐一匹配,计算新序列在几 种模型下的最大概率。
对于刹车某时刻的观测状态信息进行干扰预分类后输出的是孤立的干扰 情况。但飞机刹车是一个连续的动态过程,为将干扰识别与整个刹车过 程的状态信息建立联系,在本公开的一些实施例中,提出一种应用于刹 车状态干扰识别的贝叶斯滤波器,用于改善干扰预分类器的输出结果, 将所述飞机刹车干扰因素看做随机变量,利用所述缓冲序列和先验概率 计算后验概率,包括如下步骤:
对于服从马尔科夫过程的模型,贝叶斯滤波器更新过程描述如下:
式中,
将所述缓冲序列作为观测输入序列X,
将观测输入序列X对应的隐藏状态序列用Z代表,
将实际对应的发射概率函数用似然函数l代表;
上述公式中,贝叶斯滤波器利用分类器结果缓冲序列作为观测输入 序列X,计算当前输出各类干扰的概率值,设定统一阈值,当概率值大 于设定概率阈值时,输出对应的干扰类型。
在多组数据构成的样本中,问题可以变化为对一个多项式分布的参 数进行估计,也是贝叶斯滤波所要进行后验估计并输出的结果。这里设 观测向量x中第k个向量xk=1发生的概率为pk,则长度为N的干扰预分 类序列{x1,x2,x3,…,xN}(x代表一个完整向量)的概率为:
这里K代表状态数量也即向量长度,nk代表N次试验过程中第k种 状态出现的次数,上式也即利用最大似然估计得到的似然函数。由于贝 叶斯公式对于分布参数与观测输入序列X的表达为:
由于后验概率=先验概率×似然函数(发射概率),为了能简化计算过 程,则期望得到的后验概率,先验概率以及似然函数存在相似的结构, 也即互为共轭分布,这里选用与多项式分布结构相同的狄利克雷分布作 为先验概率分布,如下式:
其中Γ()为伽马函数,α={α1,…,αK}为狄利克雷分布的参数。则对多 项式分布的后验概率分布有如下结论:
根据上式求得的后验概率值,可以求得多项式分布参数p的期望:
在上述表述中,需要确定的参数有αk,nk,N,其中N为截取的输 入贝叶斯滤波器的刹车状态采样时间序列长度,nk为各个状态出现的次 数,唯一需要设定的参数为αk的初始值。
在本公开的一些实施例中,当所述后验概率大于所述设定概率阈值 时,输出对应的干扰类型结果。
在本公开的一些实施例中,所述干扰类型结果,表示为一个nd×1 的向量,nd表示干扰类别的数量,向量中的每一个元素代表以0或1表 示某种干扰是否存在。
本公开的一些实施例还提供一种飞机刹车干扰因素的观测及识别装 置,该装置置于刹车控制器中,包括处理器和存储器。
处理器用于支持飞机刹车干扰因素的观测及识别装置执行上述任一 实施例所述的飞机刹车干扰因素的观测及识别方法中的一个或多个步骤。 处理器可以是中央处理单元(Central Processing Unit,简称CPU),还可 以是其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、 现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体 管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者 该处理器也可以是任何常规的处理器等。
所述存储器中存储有适于所述处理器执行的计算机程序指令,所述 计算机程序指令被所述处理器运行时执行上述任一实施例所述的飞机刹 车干扰因素的观测及识别方法中的一个或多个步骤。
存储器可以是只读存储器(Read-Only Memory,ROM)或可存储静 态信息和指令的其他类型的静态存储设备,随机存取存储器(Random Access Memory,RAM)或者可存储信息和指令的其他类型的动态存储设 备,也可以是电可擦可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory,EEPROM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩 光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者 其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的 期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存 储器可以是独立存在,通过通信总线与处理器相连接。存储器也可以和 处理器集成在一起。
在本说明书的描述中,参考术语“一个实施例/方式”、“一些实施例/ 方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施 例/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至 少一个实施例/方式或示例中。在本说明书中,对上述术语的示意性表述 不必须针对的是相同的实施例/方式或示例。而且,描述的具体特征、结 构、材料或者特点可以在任一个或多个实施例/方式或示例中以合适的方 式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说 明书中描述的不同实施例/方式或示例以及不同实施例/方式或示例的特 征进行结合和组合。
此外,在本公开的描述中,“多个”的含义是至少两个,例如两个, 三个等,除非另有明确具体的限定。“和/或”仅仅是描述关联对象的关联 关系,表示三种关系,例如,A和/或B,表示为:单独存在A,同时存 在A和B,单独存在B这三种情况。术语“上”、“下”、“左”、“右”、“内”、 “外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅 是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元 件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对 本公开的限制。同时,在本公开的描述中,除非另有明确的规定和限定, 术语“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以 是可拆卸连接,或一体地连接;可以是机械连接,也可以是电性连接; 可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技 术人员而言,可以根据具体情况理解上述术语在本公开中的具体含义。
本领域的技术人员应当理解,上述实施方式仅仅是为了清楚地说明 本公开,而并非是对本公开的范围进行限定。对于所属领域的技术人员 而言,在上述公开的基础上还可以做出其它变化或变型,并且这些变化 或变型仍处于本公开的范围内。
Claims (9)
1.一种飞机刹车干扰因素的观测及识别方法,其特征在于,包括:
利用滑动时间窗口截取刹车过程时间序列;
以采样周期为单位,采集观测信号数据,构成数据序列;
对所述数据序列进行平稳性判别,排除飞行员或其他故障对刹车***运行状态的影响,确保采集到的是平稳状态下的数据序列;
对经过平稳性判别的数据序列,利用基于高斯混合-隐式马尔科夫模型的干扰预分类器进行干扰预分类,输出预分类对应干扰类型结果;
将得到的所述预分类对应干扰类型结果与所述刹车过程时间序列关联,构成干扰类型序列;
对所述干扰类型序列进行缓冲区截取,得到缓冲序列;
将所述缓冲序列输入贝叶斯滤波器,经过贝叶斯滤波器对干扰类型发生的概率进行估计和滤波;
所述贝叶斯滤波器在所述干扰类型发生的概率大于设定概率阈值时,输出对应的干扰类型结果。
2.根据权利要求1所述的飞机刹车干扰因素的观测及识别方法,其特征在于,
所述基于高斯混合-隐式马尔科夫模型的干扰预分类器,基于两种模型作用:隐式马尔科夫模型和高斯混合模型;
所述隐式马尔科夫模型,包含三种集合:
第一集合:N个干扰因素,其中,N为大于0的整数;
第二集合:K个采集观测到的信号数据,其中,K为大于0的整数;
第三集合:每一个干扰因素第一次出现的概率;
所述第一集合、第二集合、第三集合内部之间所有的关系,及所述三种集合之间所有的对应关系,构成了隐式马尔科夫模型;
对所述第一集合中的N个干扰因素进行归类,形成n个隐式马尔科夫模型,其中,n为大于0的整数。
3.根据权利要求2所述的飞机刹车干扰因素的观测及识别方法,其特征在于,
每个隐式马尔科夫模型采用隐式马尔科夫学习进行模型训练,所述模型训练方法为:对采样的干扰因素样本集进行训练,得到样本序列概率最大的隐式马尔科夫参数集。
4.根据权利要求3所述的飞机刹车干扰因素的观测及识别方法,其特征在于,
所述隐式马尔科夫学习使用Baum-Welch算法进行计算。
5.根据权利要求1所述的飞机刹车干扰因素的观测及识别方法,其特征在于,
所述基于高斯混合-隐式马尔科夫模型的干扰预分类器,基于两种模型作用:隐式马尔科夫模型和高斯混合模型;
对于采集到的连续的所述观测信号数据,采用所述高斯混合模型,进行拟合观测状态到隐藏状态的分布;
所述分布方法为:将一个以上高斯基函数进行线性组合,实现发射概率计算,构建连续的输出状态空间,求得任意观测数据集合出现的概率。
7.根据权利要求6所述的飞机刹车干扰因素的观测及识别方法,其特征在于,
当所述后验概率大于所述设定概率阈值时,输出对应的干扰类型结果。
8.根据权利要求7所述的飞机刹车干扰因素的观测及识别方法,其特征在于,
所述干扰类型结果,表示为一个nd×1的向量,nd表示干扰类别的数量,向量中的每一个元素代表以0或1表示某种干扰是否存在,0表示不存在,1表示存在。
9.一种飞机刹车干扰因素的观测及识别装置,其特征在于,所述装置置于刹车控制器中,包括处理器和存储器,所述存储器中存储有适于所述处理器执行的计算机程序指令,所述计算机程序指令被所述处理器运行时执行如权利要求1~8中任一项所述的飞机刹车干扰因素的观测及识别方法中的一个或多个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110135913.4A CN112948963A (zh) | 2021-02-01 | 2021-02-01 | 飞机刹车干扰因素的观测及识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110135913.4A CN112948963A (zh) | 2021-02-01 | 2021-02-01 | 飞机刹车干扰因素的观测及识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112948963A true CN112948963A (zh) | 2021-06-11 |
Family
ID=76240623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110135913.4A Pending CN112948963A (zh) | 2021-02-01 | 2021-02-01 | 飞机刹车干扰因素的观测及识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112948963A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114241815A (zh) * | 2021-11-08 | 2022-03-25 | 深圳市瑞达飞行科技有限公司 | 计算方法及其装置、电子设备和计算机可读存储介质 |
CN115173975A (zh) * | 2022-07-06 | 2022-10-11 | 北京航空航天大学 | 干扰信号的检测方法、装置、设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274011A (zh) * | 2017-06-05 | 2017-10-20 | 上海电力学院 | 综合马尔科夫模型和概率网络的设备状态识别方法 |
-
2021
- 2021-02-01 CN CN202110135913.4A patent/CN112948963A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274011A (zh) * | 2017-06-05 | 2017-10-20 | 上海电力学院 | 综合马尔科夫模型和概率网络的设备状态识别方法 |
Non-Patent Citations (2)
Title |
---|
ZONGXIA JIAO 等: "A novel aircraft brake disturbance recognition model", 《AEROSPACE SCIENCE AND TECHONOLOGY》 * |
李丰羽 等: "基于结合力模型的自适应飞机防滑刹车控制", 《北京航空航天大学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114241815A (zh) * | 2021-11-08 | 2022-03-25 | 深圳市瑞达飞行科技有限公司 | 计算方法及其装置、电子设备和计算机可读存储介质 |
CN114241815B (zh) * | 2021-11-08 | 2023-02-28 | 深圳市瑞达飞行科技有限公司 | 计算方法及其装置、电子设备和计算机可读存储介质 |
CN115173975A (zh) * | 2022-07-06 | 2022-10-11 | 北京航空航天大学 | 干扰信号的检测方法、装置、设备及存储介质 |
CN115173975B (zh) * | 2022-07-06 | 2024-02-06 | 北京航空航天大学 | 干扰信号的检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN112948963A (zh) | 飞机刹车干扰因素的观测及识别方法及装置 | |
US11669080B2 (en) | Abnormality detection device, abnormality detection method, and program | |
US20230316051A1 (en) | Pre-alarming method for rotary stall of compressors based on temporal dilated convolutional neural network | |
CN111460392B (zh) | 一种磁悬浮列车及其列车的悬浮***故障检测方法和*** | |
CN111504676A (zh) | 基于多源监控数据融合的设备故障诊断方法、装置及*** | |
CN114282579A (zh) | 基于变分模态分解和残差网络的航空轴承故障诊断方法 | |
CN113091872B (zh) | 一种诊断故障传感器的方法与装置 | |
CN112986950A (zh) | 基于深度学习的单脉冲激光雷达回波特征提取方法 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN113050594B (zh) | 一种矢量喷管控制***的多信息融合故障诊断方法及*** | |
CN106291498A (zh) | 一种基于粒子滤波的检测跟踪联合优化方法 | |
CN113203464A (zh) | 一种动态车载称重***的传感器故障检测方法 | |
CN111930094A (zh) | 一种基于扩展卡尔曼滤波的无人机执行机构故障诊断方法 | |
CN115859148A (zh) | 风机叶片振动报警方法及装置 | |
Li et al. | Remaining useful life prediction of aero-engine based on PCA-LSTM | |
Barbary et al. | Drones tracking based on robust cubature Kalman-TBD-multi-Bernoulli filter | |
CN113390654B (zh) | 一种基于多源信息融合的列车制动故障诊断方法 | |
CN113071509A (zh) | 一种智能车车轮转角传感器故障检测方法 | |
CN111209942A (zh) | 一种足式机器人多模态感知的异常监测方法 | |
CN116304924A (zh) | 目标卫星意图识别的决策树森林构建***及其应用方法 | |
CN113375658B (zh) | 移动机器人故障下同时fdd和slam的方法及*** | |
Muzhichek et al. | Bayesian recognition of a moving object information-measuring system state: A priori information weight correction | |
CN112651087A (zh) | 一种基于分布式估计的列车电机故障检测方法 | |
Eagon et al. | Mass Detection for Heavy-Duty Vehicles using Gaussian Belief Propagation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210611 |