[发明专利]飞行员工作状态识别模型的建模方法

说明书

技术领域

本发明涉及飞行员疲劳检测以及监督预警技术领域，具体涉及飞行员工作状态识别模型的建模方法，该方法根据飞机工作时的飞行参数，利用机器学习等算法得到一个可以评估飞行员工作负荷状态的模型。

背景技术

对于传统的航空任务中飞行员状态检测模型，其过程类似经典模式识别过程，主要分为：数据预处理，特征提取，数据降维处理，机器学习算法分类处理。

在特征提取技术方面，时域信号特征均值、方差与均方根，常常用来表征信号的幅值特性以及原始飞行参数的差异性。但是这些时域特征对于复杂度较高的数据过于简单，很难对信息量较复杂的数据集进行全面的特征描述。

在数据降维方面，主成分分析方法(PCA)广泛应用于工业与科学领域。但是PCA有其无法克服的缺点，PCA将所有的样本作为一个整体来对待，而数据方差较小的方向也会包含重要信息。所以该算法可能导致在降到过低维度时，原信号能量损失过大导致失真，使得分类结果受到影响。

在分类器方面，目前应用比较广泛的为支持向量机(SVM)模型。但SVM仍有许多缺陷，支持向量机的核函数及其参数和惩罚函数的选取是比较困难的问题。在相关参数选择方面，更多依靠传统实验的经验，所以无法根据输入样本的实际情况，生成一个最适应样本的分类模型。甚至有可能因为参数不合适，产生结果过拟合问题，使得分类结果受到影响。

经过检索发现：

(一)

邱宗江，刘慧霞，席庆彪，等在《计算机工程与应用》，2013，49(4)：262-266中发表的《无人机PCA故障检测与诊断技术研究[J]》中，该技术将主成分分析算法(PCA)结合方差敏感自适应阈值的检测，并将其运用于无人机飞控系统传感器的故障检测和诊断，克服了传统PCA模型在暂态过程中虚预警和误诊断的缺点。但该技术点仍然无法克服PCA降维过程中忽略数据方差较小的方向的缺点，使得该算法在保证信号能量的基础下，无法将数据降到尽可能低的维度。

(二)

Heng H，Zhang J，Xin C.基于支持向量机的飞行器故障探测[C]//国际消费性电子，交流与网络会议.IEEE，2012：496-499.该技术基于飞行数据，建立SVM发动机故障检测模型，但SVM仍有许多缺陷，支持向量机的核函数及其参数和惩罚函数的选取是比较困难的问题。

(三)

B.机器学习中的高斯过程[J].国际神经系统期刊，2008，14(6)：3011-3015.该技术详细介绍了高斯过程的原理以及分类器应用，并且分析得出高斯过程具有处理非线性输入，不依赖参数等特性。但是在文章结尾也提到，在预测高斯过程模型的均值以及协方差时，需要得到全局最优化的结果。斯过程可以通过进行负对数边缘概率关于超参数的最小化获得，一般确定超参数有梯度下降法与牛顿法，但是此类方法随着初始变量的维度数量变大，算法容易陷入局部极值，初始值的选取对算法影响较大。

发明内容

针对现有技术中存在的上述不足，本发明提供了一种飞行员工作状态识别模型的建模方法，该方法解决了如下技术问题：

(1)特征数据过于简单，对噪声干扰难以避免。

(2)需要更好的降维算法，使得可以在保证原信号能量充足的情况下，将数据维度尽量降低。

(3)需要严谨的分类算法，使其适应新更强，不是完全依赖参数。并且分类算法应该可以处理非线性数据。

本发明是通过以下技术方案实现的。

一种飞行员工作状态识别模型的建模方法，包括如下步骤：

步骤S1：对飞行数据进行预处理；

步骤S2：对预处理后的飞行数据进行特征提取；

步骤S3：利用Treelets算法对提取出的特征进行数据降维；

步骤S4：利用基于布谷鸟算法优化的高斯过程分类器对降维后的特征数据进行训练建模。

优选地，步骤S1中，选取飞行数据中纵向加速度、侧向加速度、垂直加速度、俯仰角、偏航角、滚转角、地速、俯仰角速度、偏航角速度、滚转角速度以及攻击角共11个飞行参数，并对飞行参数进行归一化处理，得到飞行参数数据集；对飞行参数数据集采用2类进行标定，即{+1，-1}，其中，+1代表正常工作负荷，-1代表非正常工作负荷，得到预处理后的飞行数据。

优选地，所述步骤S2包括如下步骤：

步骤S2.1：引入时域信号特征，提取预处理后的飞行数据的均值、方差以及均方根；

步骤S2.2：计算小波奇异熵：

步骤S2.2.1：获得预处理后的飞行数据序列；