基于有穷状态机的飞行训练科目识别算法

吕胜丽 刘晓东

摘  要：從飞参数据入手，可以对飞行训练质量进行准确评价，对飞行品质进行有效监控。这些都依赖于对飞参数据中动作、科目识别的高效性和准确性。针对飞参数据驱动的飞行训练质量评价中对飞行科目识别的需求，提出了一种基于飞行动作序列特征的飞行训练科目描述方法和基于特征符号串的飞行训练科目识别算法，具有良好的通用性和适应性。实验数据表明该算法具有较高识别率。

关键词：有穷状态机;飞参;科目识别

中图分类号：TP311.1;TP242      文献标识码：A 文章编号：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

客观高效的飞行训练品质评价可以为提升飞行训练安全、改善飞行训练质量提供重要依据。随着机载飞行数据记录设备的日益普及，飞参数据驱动的飞行训练质量评价将逐步成为训练质量评估的主要手段之一。民航初始飞行训练以科目作为基本训练单元，对训练科目完成情况的评价是飞行训练质量评价的一个重要方面。因此，从飞行记录数据中自动识别训练科目是飞参数据驱动的飞行训练质量评价的基础。

目前关于飞参数据中飞行动作、科目识别的研究主要集中在对飞行动作的识别方面。主要的研究方法是将动作识别问题转化为时间序列的相似性匹配问题或多元序列分类问题。毛红保等[1-4]利用奇异值分解（SVD）提取飞行数据序列的特征，通过奇异值距离进行飞参数据的相似性匹配。由于欧式距离度量序列相似性受限于序列的长度是否一致，李鸿利等[5，6]分别利用动态时间弯曲（DTW）距离度量多元时间序列相似性，结合飞参序列的特征实现了对飞行动作的识别。除了采用距离进行时间序列相似性度量外，张建业等针对高维多元时间序列数据提出了一种基于斜率表示的相似性度量，并设计了有效的识别算法[7]，张鹏等对飞参特征利用神经网络进行时间序列相似模式发现，该算法具有一定多尺度特性[8]。在基于多元序列分类的飞行动作科目识别方面，已有的研究主要结合机器学习、人工智能等方法进行飞行动作识别算法设计。如谢川等结合支持向量机提出了基于飞参数据的飞行动作识别算法[9]。在飞行动作识别的基础上，对科目进行识别的研究较少。邓永恒提出了一种基于关键参数阈值的矩形起落航线科目的划分方法，该方法针对的特定科目，难以在其他科目中推广。

本文在飞行动作识别的基础上，提出了一种基于飞行动作序列特征的飞行训练科目描述方法和基于特征符号串的飞行训练科目识别算法。最后通过中国民用航空飞行学院的飞行员的实际飞行数据来验证该算法对于不同科目的识别正确率，对所得结果（该算法对于不同科目的识别正确率）进行分析，以得到该算法的实用性评价以及优势和不足之处。

1  基于动作序列特征的飞行训练科目描述方法

一次训练飞行过程包含多个训练科目，一个训练科目由多个飞行动作构成，飞行科目是包含若干特定飞行动作的飞行动作序列。

1.1  飞行动作序列

动作种类主要包含三类：地面动作，俯仰动作以及转弯动作。地面动作主要包含滑行、起飞滑跑、落地滑跑和连续起飞滑跑;俯仰动作主要包含爬升、起飞爬升、复飞爬升、下降、进近下降和平飞;转弯动作主要包含直飞航向修正（±20°）和30°转弯、60°转弯、90°转弯、120°转弯、150°转弯、180°转弯、230°转弯、270°转弯、315°转弯和360°转弯。

1.2  训练科目的动作序列特征

为从动作序列中识别出飞行科目，需要依据飞行训练大纲和空管规则，确定关键识别动作及序列，形成飞行科目的动作序列特征，从而构建飞行训练科目的飞行动作序列构成规则库。列举标准起落航线科目和“8”字航线科目，其动作构成规则如表1所示。

1.3  动作符号映射表

考虑到利用有穷状态机对科目进行自动识别的需要，我们把动作映射到对应字符，将动作序列转化为字符串。为此，我们约定水平面的动作用大写字母表示，地面动作用小写字母表示，垂直剖面动作用用数字表示，具体对应关系如表2所示。

1.4  基于类正则式的训练科目的动作序列表示

为了对飞行科目的动作序列特征进行形式化描述，奠定科目识别的基础，本文引入了类正则表达式的方法对飞行科目的动作序列进行形式化表示。

下文列举标准起落航线科目和“8”字航线科目的详细动作序列，其符号化对应关系如表3所示。

2  基于特征符号串的飞行训练科目识别算法

2.1  动作序列到符号串的映射

将转换后的字符一个个连接起来，生成一串字符串，并且字符之间不用任何连接符号。关键代码片段为：

stage_char_list=stage_name_list_2_char_list（DG_Alt_stage_list）

return ''.join（tage_char_list）

2.2  征符号串的飞行训练科目的识别

首先对待匹配字符串进行处理，然后匹配‘<后最近的‘>之间的字符串，组合成单个主正则表达式并进行循环连续匹配，随后输出结果，基本思路如图2所示。

2.3  训练科目列表的生成

一次训练一般包含多个训练科目，需要将科目连接起来生成训练科目列表。首先从第一个科目的开始时间是否为0开始识别，接下来逐科目判断，再加入科目列表，最后输出科目列表，具体算法实现过程如图3所示。

3  实例分析

3.1  实验数据

为了验证此方法识别矩形起落航线情况，随机选取了一架Cesnna172R飞机在广汉机场进行飞行训练的20个CSV文件，文件中包含了160个完整科目，107个矩形起落航线。

3.2  实验方法

步骤1：为每个科目制定动作序列规则（参考飞行大纲、咨询中国民用航空飞行学院飞行教员、咨詢中国民用航空飞行学院教授）;

步骤2：将一段飞行员废除的完整航迹转换为一串动作序列;

步骤3：将所有动作序列划分为若干片段，便于后面识别时对每个片段进行识别;

步骤4：根据制定的规则进行编程（通过Python平台）识别出某段动作序列所属科目。

3.3  实验结果

表3列举的是其中五个典型科目的科目正确识别率表。

结果误差分析：

图4航迹应为DME弧飞行，但由于飞行三边过长，飞行轨迹不够标准，因此并未识别出它的科目;图5航迹应为两次连续的“8”字航线，可能由于算法中参数取得不够精准导致未将其科目识别出，此处表明对于识别“8”字航线的算法还有待优化。

4  结  论

从实验结果可以看出，起飞爬升、盘旋、标准矩形起落航线、“8”字航线和DME弧飞行五个科目的识别准确率分别为100.00%、96.00%、94.29%、93.94%和80.95%。起飞爬升、盘旋、标准起落航线和“8”字航线四个科目的准确率均超过90.00%，精确度高，能较快并且极准确地识别对应科目;DME弧飞行科目的识别准确率也超过80.00%，精确度较好。从以上实验结果可基本得出结论，本文研究的算法在对不同科目的识别上都具有很好的实用性，研究价值也得以体现。如果想要得到更高的科目识别准确率，我们还可以通过进一步研究飞行大纲和吸纳教员经验来继续调整参数的精确度，从而使科目的识别准确率得到进一步提高。

参考文献：

[1] 秦吉胜，王淑静，宋瀚涛.基于小波变换和反馈的时间序列相似模式搜索算法 [J].北京理工大学学报，2004（12）：1070-1073+1095.

[2] 李爱国，覃征.大规模时间序列数据库降维及相似搜索 [J].计算机学报，2005（9）：1467-1475.

[3] 毛红保，张凤鸣，冯卉，等.基于参数重要度的多元时间序列相似性查询 [J].计算机工程，2009，35（24）：54-56.

[4] 毛红保，张凤鸣，冯卉，等.多元飞行数据相似模式查询 [J].计算机工程与应用，2011，47（16）：151-155.

[5] 李鸿利，单征，郭浩然.基于MDTW的飞行动作识别算法 [J].计算机工程与应用，2015，51（9）：267-270.

[6] 张玉叶，王颖颖，王春歆，等.分析参数相关和时序特征的飞行动作识别方法 [J].计算机工程与应用，2016，52（5）：246-249.

[7] 张建业，潘泉，张鹏，等.基于斜率表示的时间序列相似性度量方法 [J].模式识别与人工智能，2007，20（2）：271-274.

[8] 张鹏，张建业，杜军，等.基于神经网络的时间序列相似模式发现方法 [J].模式识别与人工智能，2008，21（3）：401-405.

[9] 谢川，倪世宏，张宗麟，等.基于状态匹配与支持向量机的飞行动作识别方法 [J].弹箭与制导学报，2004（S3）：240-242+245.

作者简介：吕胜丽（1995.08—），女，汉族，四川德阳人，研究生在读，研究方向：交通信息工程及控制;刘晓东（1966. 04—），男，汉族，四川德阳人，教授，硕士研究生，研究方向：民航数据分析。