一种复杂风场作用下飞行姿态的回归预测方法

技术领域

本发明涉及飞行安全分析技术领域，尤其涉及一种复杂风场作用下飞行姿态的回归预测方法。

背景技术

风场环境对飞行安全具有重要的影响。当飞机在飞行或者降落过程中遭遇切变风等危险气流时，原有的稳定飞行姿态会被迅速改变，造成飞机颠簸、摇摆甚至坠机，威胁飞行安全。因此，研究分析风场对飞行姿态的影响对于飞行安全具有重要的理论和实用价值。

现有风场分析算法通常关注风切变、湍流和飞机尾流等风场的分类识别，进而提供风场类型的预警，难以定量衡量其对飞行姿态的影响。目前尚缺乏基于风场数据预测飞行姿态的算法，相关研究与装设备也难以为飞行员和航空管制员提供及时的危害评估和预警信息。

发明内容

本发明的目的在于克服上述已有技术的不足而提供一种复杂风场作用下飞行姿态的回归预测方法。

本发明提供的技术方案如下：一种复杂风场作用下飞行姿态的回归预测方法，其特征在于具体包括如下步骤：

步骤1、数据集构建

使用采集的风场图像真实样本和相应采集的真实俯仰角，组成数据对；

步骤2、不平衡样本特征学习模型构建

使用步骤1所采集的风场图像真实样本和真实俯仰角的集合训练模型；设计面向回归任务的ARGAN网络，在生成仿真样本以扩增图像数据的同时实现俯仰角的回归预测；该网络包含生成器G和判别器D两个部分；其中，生成器G模块能够根据采样的仿真俯仰角生成风场图像仿真样本，判别器D判别输入图像真伪的同时实现俯仰角参数值的回归预测。

步骤3、基于分布对齐的回归损失设计

对步骤2中判别器D姿态参数俯仰角回归预测分支的输出设计基于分布对齐的不平衡回归损失；通过统计采集的真实俯仰角和采样的仿真俯仰角作为先验分布，并训练生成器G和判别器D将所预测的俯仰角的分布对齐上述先验分布，实现姿态参数回归；

步骤4、模型训练

通过公式(1)、(2)和(3)所述损失函数对模型分别进行训练；

步骤5、模型测试

在根据步骤4完成模型的训练后，保留步骤4所训练模型中的判别器D，将所采集的真实样本输入到判别器D中，获得姿态参数俯仰角回归预测分支输出的俯仰角预测值。

进一步地，所述的步骤1数据集构建中使用气象雷达和机载传感器采集的风场图像真实样本x

进一步地，所述的步骤2不平衡样本特征学习模型构建中：

所述的生成器G的输入包含随机产生的高斯分布随机噪声z

所述的判别器D包含真伪标签判别分支和姿态参数俯仰角回归预测分支，真伪标签判别分支输出所输入数据块中包含的各个图像是真实样本还是仿真样本的真伪判别结果，姿态参数俯仰角回归预测分支输出对所输入图像预测的俯仰角值θ

对于真伪标签判别分支，使用基于二分类交叉熵计算判别器D对风场图像真实样本x

其中，m为输入图像的批大小，i＝{1,...,m}；

对于姿态参数俯仰角回归预测分支，使用基于MSE的回归损失计算生成器G和判别器D对真实俯仰角θ

其中，m为输入图像的批大小，θ

进一步地，所述的步骤3基于分布对齐的回归损失设计中：

将真实样本x

公式(3)中，C为常数，

①首先，对θ和θ

②其次，分别计算θ和θ

③第三，分别对θ和θ

对θ计算概率

其中，

其中，f

对θ

其中，

其中，f

进一步地，所述的步骤4模型训练中：

采用随机梯度下降法SGD作为优化器，通过公式(1)、(2)和(3)所述损失函数对模型分别进行训练；具体步骤如下：

①根据步骤2从随机产生的高斯分布随机噪声z

②将真实样本x

③将x

④将x

本发明的有益效果是：本发明主要研究复杂风场作用下的飞行姿态的回归预测。由于风力大小服从威布尔分布(Weibull Distribution)，风力越大，样本量越少。相应地，由于风力大小是影响姿态参数的主要因素，所以本发明假设姿态参数的变化也服从威布尔分布。该研究主要面临两个方面的挑战：一是复杂风场样本量少，相应飞参数据少，难以满足对边界条件下安全飞行研究的需求；二是不同风场的样本数量不平衡，在不平衡数据上训练的回归预测模型会存在学习偏向，影响算法效果。

针对复杂风场样本量少的问题，本发明设计面向回归任务的生成对抗网络ARGAN(Auxiliary Regression GAN)，在生成仿真样本以扩增复杂风场图像的同时实现姿态参数回归，通过同时利用采集的风场图像真实样本和生成的风场图像仿真样本提高飞行姿态预测精准度。针对风场样本不平衡的问题，本发明结合风场数据分布特点，设计基于分布对齐的不平衡回归损失，以矫正生成的仿真样本的分布，并促使模型更适应不平衡样本分布。最终实现使用风场图像定量预测飞行姿态的目标，从而更好地评估飞行安全。该方法也可以用于其他面向图像的回归任务中

通过步骤2，构造了能够根据姿态参数中的俯仰角生成指定风场图像仿真样本的ARGAN模型。该模型既可以通过在俯仰角的分布边缘采样以生成复杂风场图像从而改善真实复杂风场图像样本缺少带来的过拟合问题，又可以通过判别器回归预测分支训练实现对俯仰角参数的预测，从而更好地从不平衡训练样本中学习不同等级风场的特征。

通过步骤3，通过引入真实采集的俯仰角值和从给定分布采样的俯仰角值的分布作为先验信息引导模型对整体数据分布的学习，可以将模型所预测的生成的仿真样本和采集的真实样本的分布与相应俯仰角标签的分布对齐，促使模型更好地拟合样本分布，从而更好地学习决策边界，以减小样本不平衡对模型学习带来的学习偏差的影响。

通过步骤1-6所设计的回归预测方法，本发明可以实现使用所采集的风场图像真实样本定量化预测飞行姿态变化量的功能，进而实现为飞行提供辅助安全预警的目标，本发明对于深入认识复杂风场对飞行姿态的影响，探索飞行安全边界，提醒飞行员和航空管制员提前操纵和指挥以保障飞行安全，具有重要意义。

附图说明

图1是本发明的总体框架图；

图2是天气与风场图像对应关系图；(a)为侧视视角的下击气流天气，(b)为所采集的俯视视角的风场图像；

图3是俯仰角θ示意图。

具体实施方式：下面结合附图对本发明的具体实施方式做详细说明：

本发明提出辅助回归GAN方法ARGAN，在扩增不平衡数据中的小样本的同时实现了基于风场数据的飞行姿态回归预测，其总体框架如图1所示。该框架基于InfoGAN，通过在生成器的输入中嵌入俯仰角并在判别器输出中嵌入同样的俯仰角实现与所给定俯仰角相对应的风场图像仿真样本的生成，并通过在姿态参数回归输出中设计分布对齐损失函数，进一步矫正并提高风场图像仿真样本的分布质量，并促使模型更适应不平衡样本分布，从而更好地学习不平衡情况下所采集的风场图像的特征。该方法也可以用于其他面向图像的回归任务中。

一种复杂风场作用下飞行姿态的回归预测方法，其具体包括如下步骤：

步骤1、数据集构建

由于垂直风切变特别是下降气流通常具有很强的猝发性，容易使得飞机突然下沉，危害最为明显，因此，以垂直方向为z轴，以飞机质心所在点为原点构造坐标系，本发明关注坐标轴z方向上的垂直风切变对飞机俯仰角θ的影响，所研究姿态参数即为俯仰角θ。具体而言，使用气象雷达和机载传感器采集的风场图像真实样本x

步骤2、不平衡样本特征学习模型构建

该步骤使用步骤1所采集的真实俯仰角θ

具体而言，生成器G的输入包含随机产生的高斯分布随机噪声z

判别器D的作用是判别输入图像真伪的同时实现俯仰角参数值的回归预测。其中，D的输入图像为将采集的风场图像真实样本x

所述判别器D包含真伪标签判别分支和姿态参数俯仰角回归预测分支，真伪标签判别分支输出所输入数据块中包含的各个图像是真实样本还是仿真样本的真伪判别结果，姿态参数俯仰角回归预测分支输出对所输入图像预测的俯仰角值θ

对于真伪标签判别分支，使用基于二分类交叉熵计算判别器D对真实样本x

其中，m为输入图像的批大小，即将真实样本x

对于姿态参数俯仰角回归预测分支，使用基于MSE的回归损失计算生成器G和判别器D对真实俯仰角θ

其中，m为输入图像的批大小，θ

步骤3、基于分布对齐的回归损失设计

针对样本数量不平衡导致的回归学习偏差问题，结合数据的分布特点，对步骤2中判别器D姿态参数俯仰角回归预测分支的输出设计基于分布对齐的不平衡回归损失(简称分布对齐损失)。通过统计采集的真实俯仰角θ

具体而言，将真实样本x

公式(3)中，C为常数，在本实施例中设置为0.01。

①首先，对θ和θ

②其次，分别计算θ和θ

③第三，分别对θ和θ

二者计算方式相同，对θ计算概率

(3)中

其中，

其中，f

对θ

具体而言，对于第i个样本

其中，

其中，f

步骤4、模型训练

采用随机梯度下降法SGD作为优化器，设置SGD学习率参数为0.0002，批大小m为128，通过公式(1)、(2)和(3)所述损失函数对模型分别进行训练。具体步骤如下：

①根据步骤2从随机产生的高斯分布随机噪声z

②将真实样本x

③将x

④将x

步骤5、模型测试

在根据步骤4完成模型的训练后，保留步骤4所训练模型中的判别器D，将所采集的真实样本x

应当理解的是，本说明书未详细阐述的部分都属于现有技术。以上的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明范围进行限定，在不脱离本发明设计精神的前提下，本领域普通工程技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。