一种基于边缘计算的助航灯光控制策略选择方法

1.本发明属于助航灯光控制技术领域，涉及边缘计算系统，具体提供一种物联网下的基于边缘计算的助航灯光控制策略选择方法。


背景技术：

2.助航灯光是设置于机场场面规定地段的灯光标志，其作为保障机场场面航空器安全高效运行的重要基础设施，为航空器在夜间或能见度低的情况下起飞、着陆、滑行提供目视引导。机场正常运行时，不同区域、不同种类的助航灯光设备需要在不同时段、不同能见度、以及其他环境约束条件下运行其对应规定的方向、光级、频闪等设定组合。随着我国民航业的快速发展，大中型机场的新建、改建、扩建都使得助航灯光设备的种类及数量快速攀升，系统计算数据量、复杂度与处理时延也随之提高，给传统的助航灯光控制策略处理方法带来了不小的挑战。
3.为满足工业控制、无人驾驶、虚拟现实等各种低时延、高可靠需求的应用场景，出现了基于边缘计算的系统构架，在云计算服务器与终端设备网络层引入边缘计算设备；与云计算相比，边缘计算带来了就近的数据处理能力，减少了网络数据传输量、系统处理时延、计算复杂度，也使得数据处理的可靠性得到提高，被称为“人工智能的最后一公里”。基于此，本发明引入边缘计算的系统构架，提出一种基于边缘计算的助航灯光控制策略选择方法，以解决实际工程中的应用难题。


技术实现要素：

4.本发明的目的在于提供一种基于边缘计算的助航灯光控制策略选择方法，用以解决传统助航灯光控制策略处理方法存在的中心系统设定调整复杂、数据计算量大、处理时延高、人工经验无法量化、人为差错导致安全隐患等问题。本发明采用边缘计算系统，由边缘侧计算设备根据机场安全运行时的各种助航灯光要求，将助航灯光控终端设备面临的机场环境参数进行量化，通过量化的客观标准进行助航灯光控制策略选择，实现基于边缘计算系统的灯光控制效能最大优化。
5.为实现上述目的，本发明采用的技术方案为：一种基于边缘计算的助航灯光控制策略选择方法，其特征在于，所述助航灯光控制策略选择方法基于边缘计算系统实现，具体包括以下步骤：步骤1、针对第i个光控终端设备，边缘侧计算设备根据运行场景等级设置该光控终端设备的环境参数评价矩阵ai，i=1,2,...,k，k为光控终端设备的数量；步骤2、边缘侧计算设备根据环境参数评价矩阵ai计算得到第i个光控终端设备的综合环境量化集wi；步骤3、边缘侧计算设备根据先验灯光控制策略设置控制策略等级评价矩阵b；步骤4、边缘侧计算设备根据综合环境量化集wi与控制策略等级评价矩阵b计算得到第i个光控终端设备的控制策略等级量化集zi；
步骤5、边缘侧计算设备根据控制策略等级量化集zi为第i个光控终端设备提供灯光控制策略，并下发至该光控终端设备。
6.进一步的，步骤1中，所述环境参数评价矩阵ai具体为：，其中，表示第i个光控终端设备应用第v个运行场景等级的第t维度的环境参数量化值；v=1,2,...,s，s为运行场景等级的数量；t=1,2,3，分别对应跑道方向、运行时段、能见度。
7.进一步的，步骤2中，所述综合环境量化集wi具体为：，其中，表示第i个光控终端设备应用第v个运行场景等级的综合环境量化值，具体为：，其中，表示第i个光控终端设备应用第v个运行场景等级的第t维度的环境参数量化值；v=1,2,...,s，s为运行场景等级的数量；t=1、2、3，分别对应跑道方向、运行时段、能见度。
8.进一步的，步骤3中，所述控制策略等级评价矩阵b具体为：，其中，表示第v个运行场景等级下采用第j个灯光控制策略的等级评价值，j=1,2,...,p，p为先验灯光控制策略的数量。
9.进一步的，步骤4中，所述控制策略等级量化集zi具体为：，
其中，表示第i个光控终端设备采用第j个灯光控制策略的等级量化值，j=1,2,...,p，p为先验灯光控制策略的数量。
10.进一步的，步骤5中，当第i个光控终端设备需要单一灯光控制策略进行控制时，边缘侧计算设备于控制策略等级量化集zi中选择最大值所对应的灯光控制策略下发至该光控终端设备。
11.进一步的，步骤5中，当第i个光控终端设备需要两个及以上灯光控制策略进行组合控制时，采用层次分析方法或者机器学习算法进行灯光控制策略选择，实现组合控制。更进一步的，采用机器学习算法进行灯光控制策略选择的具体过程为：采用bp神经网络进行灯光控制策略选择，将控制策略等级量化集zi输入至bp神经网络，由bp神经网络输出两个及以上灯光控制策略并下发至该光控终端设备，实现组合控制。
12.基于上述技术方案，本发明的有益效果在于：本发明提供一种基于边缘计算的助航灯光控制策略选择方法，充分利用边缘侧计算设备的计算能力，采用跑道方向、运行时段与能见度三个环境参数量化值组成运行场景等级，基于运行场景等级对光控终端设备设置环境参数评价矩阵，并基于先验灯光控制策略设置控制策略等级评价矩阵；再根据环境参数评价矩阵计算得到光控终端设备的综合环境量化集，进而基于综合环境量化集与控制策略等级评价矩阵计算得到光控终端设备的控制策略等级量化集，最终基于控制策略等级量化集实现助航灯光控制策略选择。本发明通过量化的客观标准进行边缘侧光控终端设备的灯光控制策略选择，实现基于边缘计算系统的灯光控制效能最大优化；并且，通过边缘侧计算设备进行基于多维环境参数的灯光控制策略等级综合评估，在满足准确、高效灯光控制需求的前提下，实现计算资源最节约。
附图说明
13.图1为本发明实施例中边缘计算系统的结构示意图。
14.图2为本发明实施例中基于边缘计算的助航灯光控制策略选择方法的原理示意图。
15.图3为本发明实施例中基于边缘计算的助航灯光控制策略选择方法的流程示意图。
16.图4为本发明实施例中bp神经网络的结构示意图。
具体实施方式
17.为使本发明的目的、技术方案与有益效果更加清楚明白，下面结合附图和实施例对本发明做进一步详细说明。
18.本实施例提供一种基于边缘计算的助航灯光控制策略选择方法，涉及边缘计算系统如图1所示，该系统包括：云计算服务器、边缘侧计算设备与光控终端设备，光控终端设备包括进近光控终端、跑边光控终端及滑中光控终端，边缘侧计算设备与光控终端设备的连接为无线连接或有线连接。
19.本实施例中采用跑道方向、运行时段与能见度三个环境参数量化值组成运行场景等级，如图2所示；基于运行场景等级对每一个光控终端设备设置环境参数评价矩阵，并基
于先验灯光控制策略设置控制策略等级评价矩阵；边缘侧计算设备根据环境参数评价矩阵计算得到光控终端设备的综合环境量化集，再基于综合环境量化集与控制策略等级评价矩阵计算得到光控终端设备的控制策略等级量化集，最终基于控制策略等级量化集实现助航灯光控制策略选择。
20.具体而言，本实施例中基于边缘计算的助航灯光控制策略选择方法如图3所示，包括以下步骤：步骤1、针对第i个光控终端设备，边缘侧计算设备根据运行场景等级设置该光控终端设备的环境参数评价矩阵ai，i=1,2,...,k，k为光控终端设备的数量；所述环境参数评价矩阵ai具体为：，其中，表示第i个光控终端设备应用第v个运行场景等级的第t维度的环境参数量化值；v=1,2,...,s，s为运行场景等级的数量；t=1,2,3，分别对应跑道方向、运行时段、能见度；所述环境参数评价矩阵为经验量化矩阵，其中，每一个环境参数量化值可结合场景概率、设备类型、场景作用权重等，采用经验量化、用户设定等方法确定，相同运行场景等级下的相同类型光控终端设备的环境参数评价矩阵相同，本实施例提供示例性环境参数量化值如表1所示；表1步骤2、边缘侧计算设备根据环境参数评价矩阵ai计算得到第i个光控终端设备的综合环境量化集wi；所述综合环境量化集wi具体为：，其中，表示第i个光控终端设备应用第v个运行场景等级的综合环境量化值，具体为：
，i=1,2,...,k；步骤3、边缘侧计算设备根据先验灯光控制策略设置控制策略等级评价矩阵b；所述控制策略等级评价矩阵b具体为：，其中，表示第v个运行场景等级下采用第j个灯光控制策略的等级评价值，j=1,2,...,p，p为先验灯光控制策略的数量；所述控制策略等级评价矩阵b为经验量化矩阵，为结合策略能效、复杂度等因素，采用经验量化、用户设定等方法综合确定；并且，控制策略等级评价矩阵b针对所有光控终端设备适用；步骤4、边缘侧计算设备根据综合环境量化集wi与控制策略等级评价矩阵b计算得到第i个光控终端设备的控制策略等级量化集zi；所述控制策略等级量化集zi具体为：，其中，表示第i个光控终端设备采用第j个灯光控制策略的等级量化值；步骤5、边缘侧计算设备根据控制策略等级量化集zi为第i个光控终端设备提供灯光控制策略，并下发至该光控终端设备；当第i个光控终端设备需要单一灯光控制策略进行控制时，边缘侧计算设备于控制策略等级量化集zi中选择最大值所对应的灯光控制策略下发至该光控终端设备；当第i个光控终端设备需要两个及以上灯光控制策略进行组合控制时，本实施例采用bp神经网络进行灯光控制策略选择，将控制策略等级量化集zi输入至bp神经网络，由bp神经网络输出两个及以上灯光控制策略，并下发至该光控终端设备进行组合控制；所述bp神经网络如图4所示，包括：n1个节点的输入层、n2个节点的隐含层、n3个节点的输出层，输出层将计算得到的损失回传至网络；所述bp神经网络经过离线训练，训练集采用先验助航灯光控制策略历史数据集，光控终端设备的控制策略等级量化集作为训练样本的输入，光控终端设备的灯光控制策略历史数据作为标签。
21.以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方
法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。