基于有窮狀態機的飛行訓練科目識別算法

呂勝麗 劉曉東

摘? 要：從飛參數據入手，可以對飛行訓練質量進行準確評價，對飛行品質進行有效監控。這些都依賴于對飛參數據中動作、科目識別的高效性和準確性。針對飛參數據驅動的飛行訓練質量評價中對飛行科目識別的需求，提出了一種基于飛行動作序列特征的飛行訓練科目描述方法和基于特征符號串的飛行訓練科目識別算法，具有良好的通用性和適應性。實驗數據表明該算法具有較高識別率。

關鍵詞：有窮狀態機;飛參;科目識別

中圖分類號：TP311.1;TP242? ? ? 文獻標識碼：A 文章編號：2096-4706（2020）17-0086-04

Abstract：Based on the data of flight parameters，the flight training quality can be evaluated accurately and the flight quality can be monitored effectively. These all depend on the high efficiency and accuracy of identification of movement and subject in flight data. In order to meet the requirements of flight subject identification in flight training quality evaluation driven by flight data，a flight training subject description method based on flight action sequence characteristics and a flight training subject identification algorithm based on feature symbol string were proposed，which have good universality and adaptability. Experimental data show that the algorithm has a high recognition rate.

Keywords：finite state machine;flying ginseng;subject identification

0? 引? 言

客觀高效的飛行訓練品質評價可以為提升飛行訓練安全、改善飛行訓練質量提供重要依據。隨著機載飛行數據記錄設備的日益普及，飛參數據驅動的飛行訓練質量評價將逐步成為訓練質量評估的主要手段之一。民航初始飛行訓練以科目作為基本訓練單元，對訓練科目完成情況的評價是飛行訓練質量評價的一個重要方面。因此，從飛行記錄數據中自動識別訓練科目是飛參數據驅動的飛行訓練質量評價的基礎。

目前關于飛參數據中飛行動作、科目識別的研究主要集中在對飛行動作的識別方面。主要的研究方法是將動作識別問題轉化為時間序列的相似性匹配問題或多元序列分類問題。毛紅保等[1-4]利用奇異值分解（SVD）提取飛行數據序列的特征，通過奇異值距離進行飛參數據的相似性匹配。由于歐式距離度量序列相似性受限于序列的長度是否一致，李鴻利等[5，6]分別利用動態時間彎曲（DTW）距離度量多元時間序列相似性，結合飛參序列的特征實現了對飛行動作的識別。除了采用距離進行時間序列相似性度量外，張建業等針對高維多元時間序列數據提出了一種基于斜率表示的相似性度量，并設計了有效的識別算法[7]，張鵬等對飛參特征利用神經網絡進行時間序列相似模式發現，該算法具有一定多尺度特性[8]。在基于多元序列分類的飛行動作科目識別方面，已有的研究主要結合機器學習、人工智能等方法進行飛行動作識別算法設計。如謝川等結合支持向量機提出了基于飛參數據的飛行動作識別算法[9]。在飛行動作識別的基礎上，對科目進行識別的研究較少。鄧永恒提出了一種基于關鍵參數閾值的矩形起落航線科目的劃分方法，該方法針對的特定科目，難以在其他科目中推廣。

本文在飛行動作識別的基礎上，提出了一種基于飛行動作序列特征的飛行訓練科目描述方法和基于特征符號串的飛行訓練科目識別算法。最后通過中國民用航空飛行學院的飛行員的實際飛行數據來驗證該算法對于不同科目的識別正確率，對所得結果（該算法對于不同科目的識別正確率）進行分析，以得到該算法的實用性評價以及優勢和不足之處。

1? 基于動作序列特征的飛行訓練科目描述方法

一次訓練飛行過程包含多個訓練科目，一個訓練科目由多個飛行動作構成，飛行科目是包含若干特定飛行動作的飛行動作序列。

1.1? 飛行動作序列

動作種類主要包含三類：地面動作，俯仰動作以及轉彎動作。地面動作主要包含滑行、起飛滑跑、落地滑跑和連續起飛滑跑;俯仰動作主要包含爬升、起飛爬升、復飛爬升、下降、進近下降和平飛;轉彎動作主要包含直飛航向修正（±20°）和30°轉彎、60°轉彎、90°轉彎、120°轉彎、150°轉彎、180°轉彎、230°轉彎、270°轉彎、315°轉彎和360°轉彎。

1.2? 訓練科目的動作序列特征

為從動作序列中識別出飛行科目，需要依據飛行訓練大綱和空管規則，確定關鍵識別動作及序列，形成飛行科目的動作序列特征，從而構建飛行訓練科目的飛行動作序列構成規則庫。列舉標準起落航線科目和“8”字航線科目，其動作構成規則如表1所示。

1.3? 動作符號映射表

考慮到利用有窮狀態機對科目進行自動識別的需要，我們把動作映射到對應字符，將動作序列轉化為字符串。為此，我們約定水平面的動作用大寫字母表示，地面動作用小寫字母表示，垂直剖面動作用用數字表示，具體對應關系如表2所示。

1.4? 基于類正則式的訓練科目的動作序列表示

為了對飛行科目的動作序列特征進行形式化描述，奠定科目識別的基礎，本文引入了類正則表達式的方法對飛行科目的動作序列進行形式化表示。

下文列舉標準起落航線科目和“8”字航線科目的詳細動作序列，其符號化對應關系如表3所示。

2? 基于特征符號串的飛行訓練科目識別算法

2.1? 動作序列到符號串的映射

將轉換后的字符一個個連接起來，生成一串字符串，并且字符之間不用任何連接符號。關鍵代碼片段為：

stage_char_list=stage_name_list_2_char_list（DG_Alt_stage_list）

return ''.join（tage_char_list）

2.2? 征符號串的飛行訓練科目的識別

首先對待匹配字符串進行處理，然后匹配‘<后最近的‘>之間的字符串，組合成單個主正則表達式并進行循環連續匹配，隨后輸出結果，基本思路如圖2所示。

2.3? 訓練科目列表的生成

一次訓練一般包含多個訓練科目，需要將科目連接起來生成訓練科目列表。首先從第一個科目的開始時間是否為0開始識別，接下來逐科目判斷，再加入科目列表，最后輸出科目列表，具體算法實現過程如圖3所示。

3? 實例分析

3.1? 實驗數據

為了驗證此方法識別矩形起落航線情況，隨機選取了一架Cesnna172R飛機在廣漢機場進行飛行訓練的20個CSV文件，文件中包含了160個完整科目，107個矩形起落航線。

3.2? 實驗方法

步驟1：為每個科目制定動作序列規則（參考飛行大綱、咨詢中國民用航空飛行學院飛行教員、咨詢中國民用航空飛行學院教授）;

步驟2：將一段飛行員廢除的完整航跡轉換為一串動作序列;

步驟3：將所有動作序列劃分為若干片段，便于后面識別時對每個片段進行識別;

步驟4：根據制定的規則進行編程（通過Python平臺）識別出某段動作序列所屬科目。

3.3? 實驗結果

表3列舉的是其中五個典型科目的科目正確識別率表。

結果誤差分析：

圖4航跡應為DME弧飛行，但由于飛行三邊過長，飛行軌跡不夠標準，因此并未識別出它的科目;圖5航跡應為兩次連續的“8”字航線，可能由于算法中參數取得不夠精準導致未將其科目識別出，此處表明對于識別“8”字航線的算法還有待優化。

4? 結? 論

從實驗結果可以看出，起飛爬升、盤旋、標準矩形起落航線、“8”字航線和DME弧飛行五個科目的識別準確率分別為100.00%、96.00%、94.29%、93.94%和80.95%。起飛爬升、盤旋、標準起落航線和“8”字航線四個科目的準確率均超過90.00%，精確度高，能較快并且極準確地識別對應科目;DME弧飛行科目的識別準確率也超過80.00%，精確度較好。從以上實驗結果可基本得出結論，本文研究的算法在對不同科目的識別上都具有很好的實用性，研究價值也得以體現。如果想要得到更高的科目識別準確率，我們還可以通過進一步研究飛行大綱和吸納教員經驗來繼續調整參數的精確度，從而使科目的識別準確率得到進一步提高。

參考文獻：

[1] 秦吉勝，王淑靜，宋瀚濤.基于小波變換和反饋的時間序列相似模式搜索算法 [J].北京理工大學學報，2004（12）：1070-1073+1095.

[2] 李愛國，覃征.大規模時間序列數據庫降維及相似搜索 [J].計算機學報，2005（9）：1467-1475.

[3] 毛紅保，張鳳鳴，馮卉，等.基于參數重要度的多元時間序列相似性查詢 [J].計算機工程，2009，35（24）：54-56.

[4] 毛紅保，張鳳鳴，馮卉，等.多元飛行數據相似模式查詢 [J].計算機工程與應用，2011，47（16）：151-155.

[5] 李鴻利，單征，郭浩然.基于MDTW的飛行動作識別算法 [J].計算機工程與應用，2015，51（9）：267-270.

[6] 張玉葉，王穎穎，王春歆，等.分析參數相關和時序特征的飛行動作識別方法 [J].計算機工程與應用，2016，52（5）：246-249.

[7] 張建業，潘泉，張鵬，等.基于斜率表示的時間序列相似性度量方法 [J].模式識別與人工智能，2007，20（2）：271-274.

[8] 張鵬，張建業，杜軍，等.基于神經網絡的時間序列相似模式發現方法 [J].模式識別與人工智能，2008，21（3）：401-405.

[9] 謝川，倪世宏，張宗麟，等.基于狀態匹配與支持向量機的飛行動作識別方法 [J].彈箭與制導學報，2004（S3）：240-242+245.

作者簡介：呂勝麗（1995.08—），女，漢族，四川德陽人，研究生在讀，研究方向：交通信息工程及控制;劉曉東（1966. 04—），男，漢族，四川德陽人，教授，碩士研究生，研究方向：民航數據分析。