基于密度聚类与匹配算法的异常飞行行为挖掘

在空中交通愈加拥挤的背景下,航空器的异常飞行行为的有效挖掘可以辅助管制员进行调配决策。现有方法只能辨识飞机空间位置特征异常,存在水平可扩展性的局限。本文考虑位置、速度、高度和航向4个异常特征,采用高度层划分策略、局部异常因子和快速覆盖树对基于密度的有噪声应用中的空间聚类(Density-based spatial clustering of applications with noise,DBSCAN)方法进行改进,提出局部异常因子改进的考虑速度、方向及高度的基于密度聚类方法(Density-based spatial clustering considering speed,direction and high level improved by local outlier factor,LOFDBSC-SDH)密度聚类算法对正常航迹模式进行快速准确提取。然后,基于正常航迹模式设计考虑过点时间和上述异常特征的航迹匹配算法,挖掘异常飞行行为。最后,通过实验仿真验证了本文方法的有效性和应用价值。

基于改进YOLOv5的飞行员异常行为识别方法

为了快速准确地识别飞行员在驾驶舱内的异常行为,以保证航空安全,设计了一种基于改进YOLOv5算法的驾驶舱内飞行员异常行为识别方法。在YOLOv5的骨干网络中加入坐标注意力机制,获取在位置和方向上的特征信息,增强对注意力信息的敏感程度;改良交并比作为损失函数,提高模型计算速度和精度。训练自制飞行员异常行为原始数据集,实验结果表明,在模拟飞行驾驶舱中进行测试,能够准确快速识别飞行员的3种异常行为,平均精度达到98.3%,满足了识别要求。

基于深度学习的飞行员驾驶异常行为监测方法

为有效识别飞行员驾驶异常行为以规避飞行安全事故,提出了一种基于改进YOLO v3算法的异常驾驶行为监测深度学习算法。首先,基于深层神经网络结构提取图像语义特征,完成飞行员驾驶行为图像和视频识别;然后,利用改进交并比(Intersection Over Union)I_(OU)作为边框回归损失函数,以提高目标检测精度、加快模型收敛速度及增强异常驾驶行为区域定位;最后,通过卷积神经网络提取特征并实施飞行员驾驶异常行为监测实例验证。结果表明,该方法能够快速、准确地识别出飞行员的异常行为。根据训练数据,改进的YOLO v3算法较原算法目标识别率有明显提高,飞行员驾驶异常行为识别率达到96.72%,可以为飞行员驾驶异常行为风险识别与管控提供理论方法参考。