一种基于支持向量机的机场驱鸟智能决策方法与流程

本发明涉及一种基于支持向量机(SVM)的机场驱鸟智能决策方法，属于建立在统计学理论基础上的机器学习技术领域。

背景技术：

机场驱鸟是机场飞行保障工作中的一项重要工作，国内外各个机场的飞行保障人员中都配备了专业的驱鸟队伍。为保障飞行安全，避免鸟撞飞机事故的发生，机场驱鸟队员采用各种方法与鸟类拉起了对抗战，世界各国的专家都在借助各种力量研究新的有效驱鸟手段。目前，机场常用的驱鸟设备包括煤气炮、钛雷炮、定向声波、语音驱鸟器等。

这些设备主要以恐吓的方式进行驱鸟，在起初安装阶段对鸟类具有一定的驱赶效果，但随着运行时间的延长，鸟类对这些设备的重复单调运行产生了适应性，驱鸟效果逐渐丧失。

目前，各国都在积极研究探鸟技术，将探鸟与驱鸟相结合，基于探鸟技术获取的鸟情信息有针对性地进行驱鸟，实现驱鸟的高效准确性，避免驱鸟设备盲目动作，降低机场驱鸟设备长期单调重复动作的可能性，解决鸟类对驱鸟设备的耐受性问题。支持向量机是一种基于统计学习理论的模式识别方法，已广泛用于高维空间数据分类，可探索利用其进行机场智能驱鸟决策。

技术实现要素：

本发明的目的是为了解决鸟类对驱鸟设备的耐受性问题，提出一种基于支持向量机的机场驱鸟智能决策方法，利用探鸟设备获取的机场鸟情信息，进行实时智能驱鸟决策，实现机场驱鸟设备的最优化组合与运行。

一种基于支持向量机的机场驱鸟智能决策方法，包括训练和测试两部分，其特征在于，训练部分基于历史鸟情信息和专家知识，建立驱鸟策略分类模型，测试部分根据驱鸟实时智能决策结果，对驱鸟策略分类模型进行修正与优化，包括如下步骤：

步骤一、训练数据预处理；

步骤二、支持向量机训练；

步骤三、测试数据预处理；

步骤四、测试数据分类；

步骤五、分类模型修正与优化。

本发明的优点在于：

(1)利用探鸟设备获取的机场鸟情信息，实现机场驱鸟设备的智能优化组合与运行，有针对性的进行驱鸟，解决鸟类对驱鸟设备的耐受性问题；

(2)能够利用测试数据对驱鸟策略分类模型进行循环优化升级，不断改善和提升机场驱鸟设备的驱鸟效果。

附图说明

图1是本发明的基于支持向量机的机场驱鸟智能决策方法的流程图；

图2是本发明实施例的某机场实时鸟情信息与智能驱鸟决策的示意图。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

一种基于支持向量机的机场驱鸟智能决策方法，包括训练和测试两部分，训练部分基于历史鸟情信息和专家知识，建立驱鸟策略分类模型，测试部分根据驱鸟实时智能决策结果，对驱鸟策略分类模型进行修正与优化，包括如下步骤：

步骤一、训练数据预处理；

将基于机场探鸟设备获取的大量历史鸟情信息按照一定的顺序排列为向量，鸟情信息包括但不限于飞行方向D、坐标位置P、鸟种S、数量N、出现时段T等，其向量结构如下所示：

X^Train＝[D P S N T…] (1)

其中，飞行方向D和坐标位置P根据机场探鸟设备的探测能力分为二维和三维；鸟种S根据机场周边鸟类生态调研的结果，将机场周边不同的鸟种标定为不同的自然数；数量N根据机场探鸟设备的分辨率进行标定；出现时段T根据机场周边鸟类的活动规律将一天24小时划分为不同的时段，并标定为不同的自然数。

针对不同的鸟情信息，由鸟类学专家与机场专业驱鸟人员，基于机场现有的驱鸟设备设计不同的驱鸟策略，驱鸟设备包括但不限于定向声波、煤气炮、钛雷炮、语音驱鸟器等，驱鸟策略包括但不限于定向声波和语音驱鸟器中驱鸟音的选择、定向声波与钛雷炮的发射角度、煤气炮的启动顺序、多种驱鸟设备的组合等。每种驱鸟策略由Y表示，基于专家知识，将驱鸟策略与鸟情信息向量关联对应：

其中，n个鸟情信息向量与m类驱鸟策略对应，n值远大于m值，为训练数据中的鸟情信息，为训练数据中的驱鸟策略。

步骤二、支持向量机训练；

基于步骤一中生成的大量包括历史鸟情信息与驱鸟策略的对应关系数据，采用支持向量机进行分类模型训练，生成驱鸟策略分类模型

其中：γ_SVM为通过支持向量机训练生成的驱鸟策略分类模型、SVM为支持向量机的训练过程。

该模型采用“二叉树”的分类方式。先将所有类别分成两个子类，再将子类进一步划分成两个次级子类，如此循环下去，直到所有的节点都只包含一个单独的类别为止。“二叉树”驱鸟策略分类模型中共包含m-1个最优分类面。

步骤三、测试数据预处理；

基于机场探鸟设备实时获取的鸟情信息按照(1)式排列为鸟情信息向量X^Test，作为测试数据。

步骤四、测试数据分类；

基于步骤二生成的驱鸟策略分类模型，按照“二叉树”的方法逐级分类，为测试数据X^Test选择对应的驱鸟策略

Y^Test＝γ_SVM(X^Test) (4)

其中：Y^Test为基于驱鸟策略分类模型自动选择的驱鸟策略，γ_SVM为通过支持向量机训练生成的驱鸟策略分类模型。

步骤五、分类模型修正与优化；

按照步骤四输出的驱鸟策略Y^Test进行驱鸟作业，如果驱鸟效果良好，即将飞鸟目标驱离相关危险区域，则将该组数据加入训练数据，重新生成优化的分类模型

其中：为基于原始训练数据以及新加入的测试数据，通过支持向量机重新生成的优化的分类模型。

反之，如果未达到预期的驱鸟效果，则进行人工干预，由专家根据当前的鸟情信息进行决策，提出修正的驱鸟策略Y^Modified，并将修正后的数据加入训练数据，重新生成修正的分类模型

进入下一个循环过程，实现驱鸟策略分类模型不断的自优化与自升级。

实施例：

下面结合附图中某机场鸟情信息探测与智能驱鸟决策的过程对本发明提出的基于支持向量机的机场驱鸟智能决策方法进行图示和描述。

机场环境中多种驱鸟设备的长期盲目重复运行，易导致鸟类对其的适应性，影响驱鸟效果。基于支持向量机的机场驱鸟智能决策方法，能够根据实时的鸟情信息自动给出有针对性的驱鸟策略，改善机场驱鸟设备的驱鸟效果。

图2是本发明实施例的一个某机场鸟情信息探测与智能驱鸟决策的示意图，包括某机场多种驱鸟设备的分布、驱鸟策略的主要分类、某时刻的实时鸟情信息及相应的智能驱鸟决策结果，以说明驱鸟策略分类模块训练、测试与优化升级的全过程。

本发明的基于支持向量机的机场驱鸟智能决策方法，包括训练和测试两部分，其特征在于，训练部分基于历史鸟情信息和专家知识，建立驱鸟策略分类模型，测试部分根据驱鸟实时智能决策结果，对驱鸟策略分类模型进行修正与优化，流程如图1所示，包括如下步骤：

步骤一、训练数据预处理；

将基于某机场安装的雷达与红外探鸟设备获取的5000组历史鸟情信息按照一定的数据结构排列为向量，鸟情信息包括但不限于飞行方向D、坐标位置P、鸟种S、数量N、出现时段T等，其向量结构如下所示：

X^Train＝[D P S N T…] (1)

其中，该机场获取的飞鸟目标飞行方向D和坐标位置P为二维信息，坐标系采用图2所示的直角坐标系，单位为米，飞行方向D以单位坐标向量表示；鸟种S根据机场周边鸟类生态调研的结果，将机场周边10个常见鸟种标定为：八哥1、白头鹎2、黄鹂3、喜鹊4、珠颈斑鸠5、灰背伯劳6、大山雀7、金翅8、小云雀9、家燕10；数量N根据机场探鸟设备的分辨率进行标定；出现时段T根据机场周边鸟类的活动规律将一天24小时划分为以下几个时段：0:00-5:00，5:00-9:00，9:00-12:00，12:00-18:00，18:00-20:00，20:00-24:00；分别标定为1～6的自然数。

针对不同的鸟情信息，由鸟类学专家与机场专业驱鸟人员，基于机场现有的驱鸟设备设计不同的驱鸟策略。本例中，该机场配备的驱鸟设备包括定向声波1部、煤气炮8部、钛雷炮2部、语音驱鸟器2部。如图2所示，定向声波和钛雷炮(“●”)置于灯光站附近，8部煤气炮(“■”)和2部语音驱鸟器分别置于跑道南段两侧。

针对该机场的鸟情特点，共设计8种驱鸟策略：

1)将定向声波调整至飞鸟目标方向并启动，采用驱鸟音1；

2)将定向声波调整至飞鸟目标方向并启动，采用驱鸟音2；

3)将2部钛雷炮调整至飞鸟目标方向并启动；

4)将1部钛雷炮调整至飞鸟目标方向并启动，同时将定向声波调整至飞鸟目标方向并启动，采用驱鸟音1；

5)将1部钛雷炮调整至飞鸟目标方向并启动，同时将定向声波调整至飞鸟目标方向并启动，采用驱鸟音2；

6)启动2部语音驱鸟器；

7)按照与飞鸟目标的距离远近，依次启动跑道西侧的4部煤气炮；

8)按照与飞鸟目标的距离远近，依次启动跑道东侧的4部煤气炮。

每种驱鸟策略由Y表示，基于专家知识，将以上8种驱鸟策略与5000组鸟情信息向量关联对应：

其中，策略1对应951组鸟情信息向量，策略2对应816组鸟情信息向量，策略3对应505组鸟情信息向量，策略4对应467组鸟情信息向量，策略5对应560组鸟情信息向量，策略7对应816组鸟情信息向量，策略8对应885组鸟情信息向量。

步骤二、支持向量机训练；

基于步骤一中生成的5000组历史鸟情信息与8种驱鸟策略的对应关系数据，采用支持向量机进行分类模型训练，生成驱鸟策略分类模型

该模型采用“二叉树”的分类方式。先将所有类别分成两个子类，再将子类进一步划分成两个次级子类，如此循环下去，直到所有的节点都只包含一个单独的类别为止。“二叉树”驱鸟策略分类模型中共包含7个最优分类面。

步骤三、测试数据预处理；

基于某机场探鸟设备实时获取的鸟情信息按照(1)式排列为鸟情信息向量，作为测试数据X^Test＝[(0.707,-0.707)；(500,800)；1；6；5]。该向量中，目标飞行方向D＝(0.707,-0.707)、坐标位置P＝(500,800)、鸟种为S＝1(八哥)、数量N＝6、出现时段T＝5(18:21)。

步骤四、测试数据分类；

基于步骤二生成的驱鸟策略分类模型，按照“二叉树”的方法逐级分类，为测试数据X^Test选择对应的驱鸟策略

Y^Test＝γ_SVM(X^Test)＝2 (4)

将定向声波调整至飞鸟目标方向并启动，采用驱鸟音2。

步骤五、分类模型修正与优化；

按照步骤四输出的驱鸟策略Y^Test＝2进行驱鸟作业，驱鸟效果良好，将该组数据加入训练数据，重新生成优化的分类模型