多普勒激光雷达的飞机尾涡识别方法

为了提高民航安全和飞行效率,实现对尾涡的准确识别,对飞机尾涡的空气动力学理论,特别是经典的Hallock-Burnham尾涡速度数学模型进行了分析研究。结合多普勒激光雷达探测涡流风场径向速度的原理,建立了雷达飞机尾涡探测的径向速度标准模型,引入滑动窗口思想,提出一种基于波形相似度匹配的方法,对尾涡进行自动识别,并给出了详细的算法流程;利用实测的激光雷达风场及雷达底层数据和假设检验方法对该识别方法进行了理论分析和实验验证。结果表明,该算法对飞机尾涡的有效识别率为90%。研究结果对进一步的尾涡监测具有一定参考价值。

基于AlexNet卷积神经网络的激光雷达飞机尾涡识别研究

为解决飞机尾涡威胁后机飞行安全问题,保障空中交通安全,提高机场和空域容量,提出了一种基于AlexNet卷积神经网络模型的算法,实现飞机尾涡的准确识别。结合多普勒激光雷达探测原理和Hallck-Burnham尾涡速度经典模型,构建了AlexNet神经网络模型提取大气风场中的尾涡速度云图的图像特征,识别飞机尾涡。研究表明,该模型能够准确识别目标空域中的飞机尾涡,网络模型收敛后对尾涡识别的准确率高达91.30%,并具有低虚警率,能有效地实现对飞机尾涡的识别和预警,达到尾涡监测的目的。

基于SVM的激光雷达飞机尾涡识别方法

为解决飞机尾涡对民航安全带来的影响,提出了一种基于支持向量机(SVM)的飞机尾涡识别方法。首先结合飞机尾涡模型和多普勒激光雷达特性,提取飞机尾涡的特征,融合环境因素,作为数据集,建立基于SVM的求解模型。其次结合机场实地雷达探测数据,通过网格搜索的方式确定模型函数的最佳参数C、γ,在此基础上,以准确率(ACC)和ROC曲线下的面积(AUC)为评估标准,并与KNN尾涡识别方法进行对比。结果显示,提出的SVM方法对尾涡识别获取的ACC和AUC为0.850和0.920,KNN方法识别的ACC和AUC为0.814和0.906,相较而言,加入环境参数后的SVM方法较KNN方法有明显提高。

基于k最近邻的激光雷达飞机尾涡识别

为了对脉冲多普勒激光雷达探测径向速度场进行识别,建立了基于k最近邻(KNN)方法的分类模型。结合飞机尾涡Hallock-Burnham模型和脉冲多普勒激光雷达特性,提取脉冲多普勒激光雷达探测径向速度场的特征参量。基于现有测试数据,在非均匀背景风场下利用KNN方法对飞机尾涡进行识别。结果表明,以准确率(ACC)和ROC曲线下的面积(AUC)作为评估标准,所提出的方法对尾流识别所获得的ACC和AUC分别为0.772和0.855。该方法可有效地识别飞机尾涡并具备较好的鲁棒性。

基于时空特征融合的飞机尾涡识别

为了实现动态尾流缩减技术,减少进近阶段前机尾流对后机飞行安全的影响。依据相干激光雷达(coherent Doppler lidar,CDL)扫描风场循环周期性特点,提出一种基于时空特征融合的飞机尾涡识别模型。首先,CDL扫描生成的径向速度风场转换成序列输入和块输入。然后,双向长短时记忆(bidirectional long short-term memory,Bi-LSTM)网络用于提取序列输入的时间域特征,卷积神经网络(convolutional neural network,CNN)网络用于提取径向速度风场块输入的空间域特征。最后,将融合的时间域和空间域特征输入全连接层分类器,得到最终分类识别结果。实验团队在深圳宝安机场附近采集风场,并构建尾流数据集来验证所提得融合模型。结果表明:基于CNN和Bi-LSTM时空特征融合模型具有较好的分类性能,在尾涡识别上的准确率、召回率、F_(1)分数分别达到97.13%、97.50%、97.03%,且相比单一模型是一种更有效的识别方式,能够获得实时高效尾流预警。

基于多普勒谱特征的飞机尾涡识别

为解决飞机尾涡威胁飞行安全以及限制机场容量的难题,提出了一种基于多普勒谱特征的尾涡识别算法,以提高尾涡检测性能。构建了飞机尾涡回波多普勒谱模型,分析得出其多普勒谱具有对称性、展宽性以及反比性等重要特征。依据上述谱特征,给出了尾涡识别算法的设计流程,包括回波数据预处理、多普勒谱特征提取和特征门限判决。以空客A-340为例进行了算法的实例计算,结果表明,提取的尾涡回波多普勒谱特征可以用于识别飞机尾涡,其中,幅值反比特征最为严谨,展宽性特征次之,对称性特征较差;在采样数据充足的情况下,算法的综合识别率可达90%以上。

基于形态学和K近邻算法的飞机尾流识别

航空器尾流的准确识别对于实现动态尾流间隔缩减技术具有重要意义。与传统利用尾流特征对称关系的方法相比,研究关注飞机尾流的形态特征,提出了一种基于数学形态学和K近邻算法(KNN)的飞机尾涡识别框架。在模型中,主要工作如下:1)根据数学形态学中开闭算子提取飞机尾涡样本的形态特征;2)引入卷积神经网络的池化层来降低特征维度;3)通过KNN机器学习模型识别所提取的尾涡特征。实验在双流机场(ZUUU)的02跑道附近布置Wind3D 6000多普勒激光雷达,通过采集进近风场数据来对模型进行验证。结果表明,所提模型分类准确率、精确率、召回率和F1-score分别为97.1%、92.6%、91.1%和91.9%。

近地阶段ARJ21飞机尾涡探测及演化分析

为明确ARJ21飞机近地阶段的尾涡观测效率及演化过程,基于在双流机场开展的尾涡实地探测,提出一种基于相关多普勒激光雷达径向风速的尾涡快速识别方法,并基于此方法分析ARJ21飞机起降阶段的尾涡演化过程。结果显示,ARJ21飞机的尾涡在近地面处产生,然后向下、向外扩散,尾涡环量随时间变化逐渐减小,但在特定的近地效应影响下,会发生二次涡诱导主涡反弹现象,涡核高度由13 m处上升至18 m处。同时,侧风条件会加速ARJ21飞机的尾涡耗散,并使其平移至跑道外,尾涡持续时间由非侧向风下的约70 s缩减至侧风条件下的约42 s。