基于Koopman神经网络的飞行轨迹预测方法和装置

基于koopman神经网络的飞行轨迹预测方法和装置
技术领域
1.本发明涉及飞行安全领域，具体是基于koopman神经网络的飞行轨迹预测方法和装置。


背景技术：

2.在飞行器的运行过程中，由于各种因素的影响，例如气流扰动、飞行器系统故障或操作误差等，飞行轨迹可能会出现偏离现象。飞行轨迹的偏离可能会导致航线不准确、安全风险增加以及对飞行任务的影响。因此，实时检测和纠正飞行轨迹的偏离变得至关重要。
3.目前的飞行轨迹偏离纠正方法主要基于传统的控制理论和导航算法。这些方法通常使用传感器测量的飞行器状态信息，如位置、速度和姿态角，与预期的轨迹进行比较，并通过调整控制指令来纠正偏离。然而，传统方法受限于模型的准确性和复杂性，以及对系统动力学的精确建模的要求。
4.为了解决传统方法的限制，近年来基于数据驱动的方法引起了广泛关注。其中，koopman算子作为一种非线性系统的线性化工具被应用于飞行轨迹预测和控制。koopman算子能够将非线性系统转化为线性系统，从而简化模型的建立和控制设计。它通过将状态空间中的非线性函数映射到高维特征空间中的线性函数来描述系统的动力学行为。
5.基于koopman算子的方法将飞行轨迹建模为线性系统，并利用已观测的飞行轨迹数据来估计koopman算子的参数。通过对飞行器当前状态的预测，可以实时检测飞行轨迹的偏离情况。结合实时反馈控制策略，可以调整飞行器的控制指令，实现偏离轨迹的纠正。相比传统方法，基于koopman算子的方法具有更好的适应性和灵活性，并能够提供更精确和高效的飞行轨迹偏离纠正能力。


技术实现要素：

6.本发明的目的在于克服现有技术的不足，提供基于koopman神经网络的飞行轨迹预测方法，包括如下步骤：步骤一，获取各个飞行科目的标准飞行轨迹以及标准飞行轨迹数据，根据标准飞行轨迹得到标准飞行轨迹的高度变化特征，根据高度变化特征，选取选定高度变化特征的标准飞行轨迹为标准表征飞行轨迹，得到标准表征飞行轨迹与各个飞行科目的标准飞行轨迹的特征差异；步骤二，获取飞行训练轨迹数据集，训练轨迹生成模型，得到飞行轨迹生成模型；步骤三，通过飞行数据采集装置实时采集飞行器飞行数据，通过飞行轨迹生成模型，实时生成飞行轨迹，生成的飞行轨迹输入到轨迹识别模块，通过轨迹识别模块得到与标准表征飞行轨迹的特征差异，根据得到的特征差异识别得到对应的飞行科目；步骤四，根据飞行数据采集装置实时采集飞行器飞行数据，通过基于koopman神经网络的飞行轨迹预测模型，得到预测飞行轨迹；步骤五，根据得到的飞行科目与生成的飞行轨迹，定位得到飞行科目的飞行进程，
根据预测飞行轨迹，与对应飞行进程的标准飞行轨迹进行相似度比较，得到飞行轨迹相似度，若飞行轨迹相似度不小于设定的相似度阈值，则判断飞行器飞行未偏离标准飞行轨迹，进入步骤六，否则，则飞行偏离装置发出偏离预警；步骤六，直到飞行器完成飞行科目的飞行，评估模块输出飞行科目和对应的评估出的飞行轨迹品质。
7.进一步的，根据标准飞行轨迹得到标准飞行轨迹的高度变化特征，包括：获取标准飞行轨迹的高度变化值以及飞行轨迹长度，得到飞行标准飞行轨迹的高度变化特征，采用如下公式：。
8.进一步的，所述的得到标准表征飞行轨迹与各个飞行科目的标准飞行轨迹的特征差异，包括：其中的特征差异为标准表征飞行轨迹与各个飞行科目的标准飞行轨迹的高度变化特征的差值。
9.进一步的，所述的通过轨迹识别模块得到与标准表征飞行轨迹的特征差异，根据得到的特征差异识别得到对应的飞行科目，包括：截取设定长度的飞行轨迹生成模型生成的飞行轨迹，得到对应截取长度的飞行轨迹的高度变化特征，通过对应截取长度的飞行轨迹的高度变化特征与标准飞行轨迹的高度变化特征的差值，得到截取的飞行轨迹对应的飞行科目。
10.进一步的，所述的评估模块输出飞行科目和对应的评估出的飞行轨迹品质，包括：根据飞行器飞行过程中，飞行偏离装置发出预警的频率，根据预设的频率范围，得到飞行轨迹品质。
11.基于koopman神经网络的飞行轨迹预测装置，应用所述的基于koopman神经网络的飞行轨迹预测方法，包括飞行器飞行数据采集装置、飞行轨迹生成模块、飞行轨迹预测模块、轨迹识别模块、数据处理模块、预警模块、评估模块和通信模块；所述的飞行器飞行数据采集装置与所述的通信模块通信连接，所述的飞行轨迹生成模块、飞行轨迹预测模块、轨迹识别模块、预警模块、评估模块和通信模块分别与所述的数据处理模块连接。
12.本发明的有益效果是：本发明所提供的技术方案可以快速预测飞行轨迹的未来状态，实时检测偏离情况，及时采取纠正措施。通过数据驱动的方式，结合实时反馈控制策略，能够精确纠正飞行轨迹的偏离，提高飞行的准确性和安全性。
附图说明
13.图1为基于koopman神经网络的飞行轨迹预测方法的流程示意图；图2为基于koopman神经网络的飞行轨迹预测装置原理示意图。
具体实施方式
14.下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
15.为了使本发明的目的，技术方案及优点更加清楚明白，结合附图及实施例，对本发
明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
16.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
17.而且，术语“包括”，“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程，方法，物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程，方法，物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程，方法，物品或者设备中还存在另外的相同要素。
18.以下结合实施例对本发明的特征和性能作进一步的详细描述。
19.如图1所示，基于koopman神经网络的飞行轨迹预测方法，包括如下步骤：步骤一，获取各个飞行科目的标准飞行轨迹以及标准飞行轨迹数据，根据标准飞行轨迹得到标准飞行轨迹的高度变化特征，根据高度变化特征，选取选定高度变化特征的标准飞行轨迹为标准表征飞行轨迹，得到标准表征飞行轨迹与各个飞行科目的标准飞行轨迹的特征差异；步骤二，获取飞行训练轨迹数据集，训练轨迹生成模型，得到飞行轨迹生成模型；步骤三，通过飞行数据采集装置实时采集飞行器飞行数据，通过飞行轨迹生成模型，实时生成飞行轨迹，生成的飞行轨迹输入到轨迹识别模块，通过轨迹识别模块得到与标准表征飞行轨迹的特征差异，根据得到的特征差异识别得到对应的飞行科目；步骤四，根据飞行数据采集装置实时采集飞行器飞行数据，通过基于koopman神经网络的飞行轨迹预测模型，得到预测飞行轨迹；步骤五，根据得到的飞行科目与生成的飞行轨迹，定位得到飞行科目的飞行进程，根据预测飞行轨迹，与对应飞行进程的标准飞行轨迹进行相似度比较，得到飞行轨迹相似度，若飞行轨迹相似度不小于设定的相似度阈值，则判断飞行器飞行未偏离标准飞行轨迹，进入步骤六，否则，则飞行偏离装置发出偏离预警；步骤六，直到飞行器完成飞行科目的飞行，评估模块输出飞行科目和对应的评估出的飞行轨迹品质。
20.根据标准飞行轨迹得到标准飞行轨迹的高度变化特征，包括：获取标准飞行轨迹的高度变化值以及飞行轨迹长度，得到飞行标准飞行轨迹的高度变化特征，采用如下公式：。
21.所述的得到标准表征飞行轨迹与各个飞行科目的标准飞行轨迹的特征差异，包括：其中的特征差异为标准表征飞行轨迹与各个飞行科目的标准飞行轨迹的高度变化特征
的差值。
22.所述的通过轨迹识别模块得到与标准表征飞行轨迹的特征差异，根据得到的特征差异识别得到对应的飞行科目，包括：截取设定长度的飞行轨迹生成模型生成的飞行轨迹，得到对应截取长度的飞行轨迹的高度变化特征，通过对应截取长度的飞行轨迹的高度变化特征与标准飞行轨迹的高度变化特征的差值，得到截取的飞行轨迹对应的飞行科目。
23.所述的评估模块输出飞行科目和对应的评估出的飞行轨迹品质，包括：根据飞行器飞行过程中，飞行偏离装置发出预警的频率，根据预设的频率范围，得到飞行轨迹品质。
24.如图2所示，基于koopman神经网络的飞行轨迹预测装置，应用所述的基于koopman神经网络的飞行轨迹预测方法，包括飞行器飞行数据采集装置、飞行轨迹生成模块、飞行轨迹预测模块、轨迹识别模块、数据处理模块、预警模块、评估模块和通信模块；所述的飞行器飞行数据采集装置与所述的通信模块通信连接，所述的飞行轨迹生成模块、飞行轨迹预测模块、轨迹识别模块、预警模块、评估模块和通信模块分别与所述的数据处理模块连接。
25.以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

技术特征：
1.基于koopman神经网络的飞行轨迹预测方法，其特征在于，包括如下步骤：步骤一，获取各个飞行科目的标准飞行轨迹以及标准飞行轨迹数据，根据标准飞行轨迹得到标准飞行轨迹的高度变化特征，根据高度变化特征，选取选定高度变化特征的标准飞行轨迹为标准表征飞行轨迹，得到标准表征飞行轨迹与各个飞行科目的标准飞行轨迹的特征差异；步骤二，获取飞行训练轨迹数据集，训练轨迹生成模型，得到飞行轨迹生成模型；步骤三，通过飞行数据采集装置实时采集飞行器飞行数据，通过飞行轨迹生成模型，实时生成飞行轨迹，生成的飞行轨迹输入到轨迹识别模块，通过轨迹识别模块得到与标准表征飞行轨迹的特征差异，根据得到的特征差异识别得到对应的飞行科目；步骤四，根据飞行数据采集装置实时采集飞行器飞行数据，通过基于koopman神经网络的飞行轨迹预测模型，得到预测飞行轨迹；步骤五，根据得到的飞行科目与生成的飞行轨迹，定位得到飞行科目的飞行进程，根据预测飞行轨迹，与对应飞行进程的标准飞行轨迹进行相似度比较，得到飞行轨迹相似度，若飞行轨迹相似度不小于设定的相似度阈值，则判断飞行器飞行未偏离标准飞行轨迹，进入步骤六，否则，则飞行偏离装置发出偏离预警；步骤六，直到飞行器完成飞行科目的飞行，评估模块输出飞行科目和对应的评估出的飞行轨迹品质。2.根据权利要求1所述的基于koopman神经网络的飞行轨迹预测方法，其特征在于，所述的根据标准飞行轨迹得到标准飞行轨迹的高度变化特征，包括：获取标准飞行轨迹的高度变化值以及飞行轨迹长度，得到飞行标准飞行轨迹的高度变化特征，采用如下公式：。3.根据权利要求1所述的基于koopman神经网络的飞行轨迹预测方法，其特征在于，所述的得到标准表征飞行轨迹与各个飞行科目的标准飞行轨迹的特征差异，包括：其中的特征差异为标准表征飞行轨迹与各个飞行科目的标准飞行轨迹的高度变化特征的差值。4.根据权利要求1所述的基于koopman神经网络的飞行轨迹预测方法，其特征在于，所述的通过轨迹识别模块得到与标准表征飞行轨迹的特征差异，根据得到的特征差异识别得到对应的飞行科目，包括：截取设定长度的飞行轨迹生成模型生成的飞行轨迹，得到对应截取长度的飞行轨迹的高度变化特征，通过对应截取长度的飞行轨迹的高度变化特征与标准飞行轨迹的高度变化特征的差值，得到截取的飞行轨迹对应的飞行科目。5.根据权利要求1所述的基于koopman神经网络的飞行轨迹预测方法，其特征在于，所述的评估模块输出飞行科目和对应的评估出的飞行轨迹品质，包括：根据飞行器飞行过程中，飞行偏离装置发出预警的频率，根据预设的频率范围，得到飞行轨迹品质。6.基于koopman神经网络的飞行轨迹预测装置，其特征在于，应用权利要求1-5任一所述的基于koopman神经网络的飞行轨迹预测方法，包括飞行器飞行数据采集装置、飞行轨迹生成模块、飞行轨迹预测模块、轨迹识别模块、数据处理模块、预警模块、评估模块和通信模
块；所述的飞行器飞行数据采集装置与所述的通信模块通信连接，所述的飞行轨迹生成模块、飞行轨迹预测模块、轨迹识别模块、预警模块、评估模块和通信模块分别与所述的数据处理模块连接。

技术总结
本发明涉及飞行安全领域，公开了基于Koopman神经网络的飞行轨迹预测方法和装置，包括：获取各个飞行科目的标准飞行轨迹以及标准飞行轨迹数据，得到标准表征飞行轨迹与各个飞行科目的标准飞行轨迹的特征差异；获取飞行训练轨迹数据集，训练轨迹生成模型，得到飞行轨迹生成模型；根据得到的特征差异识别得到对应的飞行科目；根据飞行数据采集装置实时采集飞行器飞行数据，通过基于Koopman神经网络的飞行轨迹预测模型，得到预测飞行轨迹；若飞行轨迹相似度不小于设定的相似度阈值，则判断飞行器飞行未偏离标准飞行轨迹，直到飞行器完成飞行科目的飞行，评估模块输出飞行科目和对应的评估出的飞行轨迹品质。的评估出的飞行轨迹品质。的评估出的飞行轨迹品质。


技术研发人员：路晶 陈燃 白一丹
受保护的技术使用者：中国民用航空飞行学院
技术研发日：2023.09.01
技术公布日：2023/10/8