飞行发生了重着陆事件。在45个着陆架次中，其中 第3、5、9、11、13、16、19、20、23次着陆时发生了重着陆现象。
[0045]步骤二:对飞参数据进行切片处理
[0046]去除着陆后飞参数据，统一限定研究的飞行高度范围为9m_2m，按飞行高度每间隔 0.5m逐一对各个着陆架次的飞参数据进行切片处理，获取15个数据切片并将切片数据整 合，最终获得23架次15个高度值的共345条数据，结果如下表所示。值得说明的是，"飞行高 度"数据来源于无线电高度这一飞参变量，与"着陆架次"一同作为飞参数据切片的参考标 准，不再纳入到模型作为模型输入参量;数据处理结果如下.
[0047]表2处理后的飞参数据表 [0048]
[0049] 步骤三:基于支持向量机分类的重着陆预测模型
[0050] 将处理后的飞参数据输入到模型中，得出的结果为HR(重着陆的正确预测率）为 0.4753，NR(正常着陆的正确预测率)为0.8850，0R(总体预测正确率)为0.7240.
[0051 ]步骤四：重着陆模型的优化
[0052]将全部升降速度、地速、升降舵位移、俯仰角、俯仰角速率这5个飞参变量纳入到支 持向量机分类预测模型中，对该初始模型进行参数优化。设定惩罚参数C取值范围集合为 {10-2，10- 1，10°，IO+1，10+2}，核函数参数 γ 取值范围集合为{10-2，10-1，10°，IO+1，10+ 2}。经比 较分析，参数组合值(c=10, γ =1)为最优选择，在该参数组合值下支持向量机分类模型可 取得最高的预测准确率。参数优化前后比较分析结果如表3所示：
[0053]表3参数优化前后比较分析
[0055] 参数优化后，尽管正常着陆预测率(NR)由88.50%到85.28%有轻微的降低，但支 持向量机分类预测模型的重着陆正确预测率(HR)和总体预测正确率(OR)均有较大提高，分 别由47.53%提高到71.95%，由72.40%提高到80.02%。重着陆正确预测率和总体预测正 确率的增幅均显著大于正常着陆预测率的降幅，且重着陆正确预测率的提高才会提高飞机 重着陆的告警几率，进而提升飞机着陆的安全性。由此，证明了模型参数优化的有效性。 [0056]关于特征选取，本发明采用REF方法筛选出最优的模型输入变量。由于支持向量机 模型的最优飞参输入变量个数未知，需要对所有可能的飞参输入变量组合进行逐一测试。 例如，当设定支持向量机分类模型的输入变量个数为4时，则需要从5个飞参因子中剔除1 个，共有5种选择;每一种选择对模型具有不同程度的预测精度，在此情形下筛选出最好的 选择。同理，当模型输入变量个数分别设定为3、2和1时，相应的可能组合数分别为10、10和 5,且在这几种情形下的最佳变量组合可随之确定。比较结果见表4:
[0057]表4不同输入变量的模型预测结果
[0060]由比较结果知，若将全部5个飞参变量引入模型中，预测分别精度为71.95%、 85.27%、80.02%;若将4个飞参变量引入模型中，升降速度、地速、升降舵位移和俯仰角为 最好的组合，预测分别精度为73.42%、87.77%、82.10%;若将3个飞参变量引入模型中，地 速、升降舵位移和俯仰角为最好的组合，预测分别精度为75.69%、85.73%、81.74%;若将2 个飞参因子引入模型中，地速和升降舵位移为最好的组合，预测分别精度为69.41%、 88.24%、80.77%;若只将1个飞参因子引入模型中，地速为最好的选择，预测分别精度为 57.89%、82.21 %、72.57%。此外，由表可知飞参因子对模型预测正确率的贡献程度排序 为:地速 > 升降舵位移 > 俯仰角 > 升降速度 > 俯仰角速率，逐一引入地速、升降舵位移、俯 仰角会使重着陆预测准确率逐渐提高，继续引入升降速度、俯仰角速率则会使重着陆预测 准确率降低。
[0061]综上所述，本发明建立了支持向量机分类的重着陆预测模型，以某型号飞机为案 例进行研究，最高可实现75.69%的重着陆正确预测率，证明了本发明的有效性。即运用该 模型，重着陆事件可以提前得到预警，通过采取有效应对措施，可大大降低重着陆的发生几 率，进而提升飞机着陆的安全性。
【主权项】
1. 一种基于支持向量机分类的重着陆预测方法，其特征在于：该方法实现的具体步骤 如下： 步骤一:飞参数据初选，提供数据分析基础 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W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，即S，纵坐标轴为无线电高度，高度为米，即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 W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W后的 数据，保留着陆时刻W前作为研究对象的数据； 步骤二:对飞参数据进行基于飞行高度的切片处理 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，否则， 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； 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，而该范围之外的数据将被剔除； 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，则截取15次； 步骤Ξ:基于支持向量机分类的重着陆预测模型 支持向量机最初用于二元分类问题，该方法的核屯、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，考虑线性不可分数据集{fi，k}(i = l，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ει^0，α = 1， 2，···Ν);假设飞参数据满足W下关系式： W · fi+b+Ei > +1 对于Li =+1 W · fi+b-Ei < -1 对于Li = -1 等价于： Li(w · fi+b)+e广1 > 0 最优超平面满足条件：其中，C为惩罚参数； 利用RBF核函数K(fi，扣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： K(xi，xj) = exp(-y I |x广xj| |2) 其中，丫为径向基核函数的参数； 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 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;运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;选取递 归特征淘汰法即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: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，本方法采用网格捜索算法即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和丫的最初取值范围；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和丫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； 通过W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。
【专利摘要】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：步骤一：飞参数据初选，提供数据分析基础；步骤二：对飞参数据进行基于飞行高度的切片处理；步骤三：基于支持向量机分类的重着陆预测模型；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；通过以上各步骤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，对飞机着陆安全的预测和预警具有实用价值。
【IPC分类】G06Q10/04, G06F17/50
【公开号】CN105550473
【申请号】CN201610041644
【发明人】周晟瀚, 常文兵, 胡陈, 乔小朵
【申请人】北京航空航天大学
【公开日】2016年5月4日
【申请日】2016年1月21日