一种基于支持向量机分类的重着陆预测方法
【技术领域】
[0001] 本发明提供一种基于支持向量机分类的重着陆预测方法，即基于支持向量机的重 着陆预测模型，属于航空飞行安全管理预测技术领域。
【背景技术】
[0002] 飞行安全一直是航空安全管理的重要课题。飞行安全的复杂性在于：不仅要考虑 影响飞行安全的各种客观和主观因素，还要对飞行的各个阶段进行动态的安全控制。一般 情况下，飞机的整个飞行过程可分为滑跑、起飞、爬升、巡航、下降、进近、着陆和滑行等几个 阶段。数据显示，着陆阶段具有最高的飞行事故发生率，因此对飞机着陆安全的预防与控制 具有重要意义。重着陆，也称硬着陆，是着陆阶段对飞行安全影响极为重要的安全隐患。频 繁发生重着陆会加速起落架的疲劳损伤，严重时会造成机毁人亡。空客的维修手册对重着 陆的定义如下：飞机着陆时垂直加速度超过规定极限值或者垂直方向上的速度超过规定 值，即为重着陆。飞参数据，实时记录着飞机的飞行状态信息，综合反映了飞机的飞行健康 状况，已有研究证明，可通过飞参数据的分析开展飞行安全的研究。
[0003] 本发明在前述研究基础之上，提出一种基于支持向量机的重着陆预测方法。该方 法包括对飞参数据的收集、处理分析和基于支持向量机的预测模型及其优化等，在飞机着 陆之前实现了重着陆的预测，对飞机着陆安全的预测和预警具有重要意义。
【发明内容】
[0004] 1、目的:本发明的目的在于针对飞机着陆安全问题的重要性和飞参数据研究的不 足，提供一种基于支持向量机分类的重着陆预测方法。该模型综合考虑了飞行高度和着陆 架次两个维度的飞参数据信息并提出飞参数据处理和分析的方法，基于处理和分析后的飞 参数据，建立基于支持向量机分类的重着陆预测模型，实现重着陆的预测。
[0005] 2、技术方案：
[0006] 本发明是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：
[0007] 步骤一:飞参数据初选，提供数据分析基础
[0008] 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(s)，纵坐标轴为无线电高度，高度为米(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，保留着陆时刻以前作为研究对象的数据;本发明重点为在飞机着陆之前对重着陆 做出预测，故飞机着陆后数据没有价值，需将其剔除；
[0009] 步骤二:对飞参数据进行基于飞行高度的切片处理
[0010] 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 贝IJ，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；
[0011] 本发明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（如9m-2m)，而该范围之外的数据将被剔除；
[0012] 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；如在9m-2m的 高度范围内，每隔0.5m对飞参数据进行一次截取，则可以截取15次；
[0013] 步骤三:基于支持向量机分类的重着陆预测模型
[0014] 支持向量机最初用于二元分类问题，该方法的核心就是获得距离两类数据点集最 大的分类超平面;鉴于飞参数据的多样性和复杂性，本文考虑线性不可分数据集RnL 1Ki =1，2,…N)，fiERd为由飞参输入变量组成的向量，N表示训练集的样本量;LiE { + 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2 0，（i = 1，2，-·Ν);假设飞参数据满足以下关系式：
[0015] w · fi+b+ε? 2+1 对于Li =+1
[0016] w · fi+b-ε? <-1 对于Li = -I
[0017] 等价于：
[0018] Li(w · fi+b)+￡i-l > 0
[0019] 最优超平面满足条件：
[0021] 其中，C为惩罚参数。
[0022] 本文利用RBF核函数K(fi，fi)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：
[0023] K(xi，xj) = exp(-γ I I Xi-Xj I 12)
[0024]其中，γ为径向基核函数的参数；
[0025] 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
[0026] 为提高支持向量机分类模型在飞机重着陆的预测精度，需要重点解决支持向量机 模型中存在的两类问题:特征选取和参数优化;这两类问题对支持向量机模型的运行效率 和预测精度具有较大影响，特征选取旨在为支持向量机模型筛选出最优的输入变量，既保 证选取最少的输入变量，同时又尽可能保留原始数据信息，可大大降低模型的运算时间;本 方法选取递归特征淘汰法(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η个输入变量来讲， 具有(爲+ Cn2 +…+ CT1)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在内的两个参数进行优化，参数C和 γ同样对模型预测精度具有重大影响，本方法采用网格搜索算法（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；
[0027]为验证基于支持向量机分类的重着陆预测模型的有效性，需记录以下几项模型预 测结果:TH(True hard landing)表示重着陆事件预测正确，意指事实中发生重着陆且预测 结果为重着陆;FH(False hard landing)表示重着陆事件预测错误，意指事实中发生正常 着陆但预测结果为重着陆;TN(True normal landing)表示正常着陆事件预测正确，意指事 实中发生正常着陆且预测结果为正常着陆;FN(False normal landing)表示正常着陆事件 预测错误，意指事实中发生重着陆但预测结果为正常着陆;预测结果表示见表1:
[0028]表1模型预测结果记录指标
[0030]基于上述预测结果指标，建立如下模型评价指标:HR表示重着陆的正确预测率，NR 表示正常着陆的正确预测率，OR表示总体预测正确率，模型评价指标可通过下式获得：
[0034]通过以上各步骤建立的基于支持向量机分类的重着陆预测方法，为飞机着陆安全 的预测提供了一种方法，即在飞机飞行中预测出飞机的重着陆与否，对飞机着陆安全的预 测和预警具有实用价值。
[0035] 3、本发明的优点有两个: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。
【附图说明】
[0036]图1是本发明方法流程图。
[0037]图2是无线电高度散点图。
[0038]图3是着陆载荷分布图。
【具体实施方式】
[0039]下面将结合附图和实施案例对本发明做进一步的详细说明。
[0040]如图1所示，以某型号无人机为例详细说明本发明，本发明是一种基于飞参面板数 据模型的重着陆预测方法，本文收集了某型号无人机的部分飞参数据作为研究。获取的飞 参样本数据由源于23个着陆架次的10个飞参变量构成，考虑到着陆安全的影响因素，从10 个飞参变量中筛选出7个变量作为进一步研究。这7个飞参变量分别是:无线电高度、升降速 度、地速、法向载荷、升降舵位移、俯仰角和俯仰角速率。所有飞参变量均为数值型变量。 [0041 ]该方法具体步骤如下：
[0042]步骤一:飞参数据初选，提供数据分析基础
[0043]对无线电高度这一飞参变量绘制散点图，根据其判断着陆时刻。选取某一着陆架 次的无线电高度数据作散点图（如图2所示），其中垂直于横坐标轴的虚线所对应的时刻即 为飞机着陆时刻。
[0044]根据飞机各次着陆的着陆载荷值，做出着陆载荷分布图（如图3所示），用于判断各 次飞行是否发生重着陆事件。由图3中可看出，横坐标表示23个飞机着陆架次，纵坐标表示 每次着陆时对应的着陆载荷值。判断重着陆发生与否的着陆载荷阈值为18.Om/s 2,当飞机 着陆载荷值超过18.Om/s2时，则认为此次