基于预分类技术和RBF神经网络的直升机飞行状态识别方法
本发明公开了一种基于预分类技术和RBF神经网络的直升机飞行状态识别方法。该方法首先将需识别的飞行状态分为10小类，并为每一类设计用于飞行状态进一步识别的RBF神经网络；在对某一飞行数据进行飞行状态识别时，先根据某些飞行参数将飞行数据归类于10小类中，之后将其输入每一小类对应的RBF神经网络，进行飞行状态的准确识别。该方法通过预分类技术，减少了每个神经网络需识别的状态，从而提高了利用神经网络识别直升机飞行状态的识别率。
发明专利
CN201010190352.X
2010-05-25
CN101853531A
2010-10-06
G07C5/08(2006.01)I
北京航空航天大学
王少萍;李凯;张超
100191 北京市海淀区学院路37号
北京永创新实专利事务所 11121
周长琪
北京;11
一种基于预分类技术和RBF神经网络的直升机飞行状态识别方法，其特征在于，包括以下步骤：步骤一、对直升机需识别的飞行状态进行归类；将直升机需要识别的飞行状态先按照是否转弯分为转弯与非转弯两类，将非转弯状态的飞行状态再分为高空高速、低空高速和低空低速三类飞行状态，再根据速度范围将高空高速和低空低速的飞行状态予以细分，具体是根据直升机的最小速度、过渡速度、久航速度、远航速度以及最大速度进行分类，将低空低速的飞行状态细分为两类：最小速度、最小速度至过渡速度，将高空高速的飞行状态细分为六类：过渡速度、久航速度、远航速度、最大速度，以及在久航速度和远航速度之间任意划分得的两类；最终将直升机所有需要识别的飞行状态分为十个小类；对于某些变速和变高度状态，采用的方法是将其分在了几个状态小类当中；步骤二、为步骤一中分得的各小类设计用于飞行状态进一步辨识的径向基函数RBF神经网络；如果某小类中只包含一个状态，则不需要对该小类设计进一步识别的RBF神经网络；步骤三、对要进行飞行状态识别的飞行数据处理；首先对飞行数据进行去野点、限幅及平滑处理，然后对需要使用变化率的飞行数据进行拟合求得变化率，最后对飞行数据进行归一化处理；步骤四、将经过步骤三处理的飞行数据根据偏航角变换率、气压高度和指示空速预分类到步骤一中所划分的十个小类的飞行状态中：首先根据偏航角变化率ΔCOSI将飞行数据分为转弯和非转弯两类，当ΔCOSI＞0或者ΔCOSI＜0时为转弯状态，当ΔCOSI＝0时则为非转弯状态；其次根据气压高度Hp和指示空速Vi的阈值kHp和kVi，将非转弯状态的飞行数据按照气压高度和指示空速同阈值的比较情况分类，若Hp≥kHp且Vi≥kHp则划分为高空高速飞行状态一类，若Hp＜kHp且Vi≥kVi则归为低空高速飞行状态一类，若Hp＜kHp且Vi＜kVi则划分为低空低速飞行状态一类；最后，将划分为高空高速和低空低速飞行状态的飞行数据，根据指示空速Vi的范围进一步归为步骤一中所划分的小类中；步骤五、将归为各小类的飞行数据输入至各小类设计的RBF神经网络中，进一步辨识出所对应的飞行状态。