本發明涉及飛行模式智能識別方法領域，具體的說是一種基于ifprm-sblfs深度學習的飛行模式智能識別方法。

背景技術：

1、飛行器飛行狀態識別是通過飛行數據記錄器(flight?data?recorder,fdr)采集的飛行參數，識別飛行器在飛行過程中任意時間的飛行狀態，并確定每個狀態的起點和終點。這項技術對于現代飛行器至關重要，廣泛應用于超標監測、健康監測、飛行訓練和使用監測等領域。隨著需求的增加，飛行狀態識別方法在識別精度、模式邊界精度和識別速度、高度等方面面臨巨大的挑戰。

2、數據驅動的機器學習已廣泛應用于飛行模式識別、飛行階段識別、飛行軌跡預測、異常檢測、故障診斷和飛行員疲勞檢測。

3、準確的飛行模式識別方法可以根據識別出的飛行狀態嚴重程度，為每個部件分配一個損壞系數，從而更精確的估計疲勞使用的實際狀態。自20世紀90年代末以來，文獻中提出了多種飛行模式識別方法，大致可分為基于知識的方法，基于閾值的方法和基于機器學習的方法。其中基于知識的方法，lee等人通過創建并組合固定翼飛機通用機動庫，旨在實施戰術機動。針對戰場上所需的各種戰術機動特點，他們建立了該通用機動庫。在機動庫的創建及模態輸入軌跡或飛行路徑生成過程中，均使用了七階多項式進行建模與分析。研究團隊進行了縱向環形飛行、轉彎以及爬升-回轉-下降等多種機動的飛行模擬，以驗證所構建機動庫的組合實際能夠實現戰術性機動。此項研究不僅有助于推進飛機戰術機動飛行技術的發展，同時也為空軍作戰手冊的修訂提供了理論基礎。基于閾值的方法結合對所收集數據的分析與先驗領域知識，以確定一套適合預期目的的閾值。這些方法在區分兩個或多個系統時，標準重疊會導致識別不當，且隨著高級識別所需的規則數量不斷增加，難以擴展。基于機器學習的方法通過訓練分類器來自動識別信號中的基本模式，從而提高飛行狀態識別能力。jiao等提出一種基于音頻特征的飛行姿態識別方法。利用新記錄的無人機姿態音頻數據集，建立了集成注意力機制的輕量級卷積神經網絡，用于飛行姿態識別，準確率達到98.81％。針對當前機動動作識別方法受限于現有機動動作劃分準則問題，殷之平等基于時間序列提出了一種自動的基于水平、鉛垂平面下飛行軌跡投影融合的機動動作劃分與識別方法。該機動動作劃分與識別方法能夠在保證劃分效率的前提下，提高飛行動作的識別效率。張裕祿等針對臨近空間高超聲速再入滑翔飛行器滑翔段飛行狀態識別問題，提出了一種基于隨機森林的識別方法。該方法識別精度較高，但當運動參數的估計存在誤差時，識別精度會有一定程度的下降。

4、現有的研究方法在知識依賴性、泛化能力、模式連續性、復雜模式和模式邊界等六個方面存在不足。且以單點或等長窗口的飛行參數為輸入，判據的復雜度也呈幾何級數增加，導致過擬合風險。基于機器學習的方法則主要依靠分類框架，實現點到機制或多點到單一機制的預測，忽略系統的連續性和決策邊界，難以應對復雜系統。

技術實現思路

1、本發明為有效解決上述問題，提供一種基于ifprm-sblfs深度學習的飛行模式智能識別方法。

2、為解決以上技術問題，本發明采用以下技術方案：

3、一種基于ifprm-sblfs深度學習的飛行模式智能識別方法，包括以下步驟：

4、步驟1、采集飛行數據，并對每個飛行數據中各時間階段所屬的飛行模式進行人工標注得到訓練樣本，多個訓練樣本組成訓練集；

5、建立包括自適應圖嵌入模型、自注意力變壓器模塊、去噪深度多尺度自動編碼器、邊界回歸器和模式分類器的基于ifprm-sblfs深度學習的飛行模式智能識別模型；

6、步驟2、將訓練樣本輸入自適應圖嵌入模型，通過不同長度的滑動窗口分別提取短期和長期的飛行參數變化趨勢，采用光譜圖卷積提取不同時間尺度的空間特征并進行多尺度特征拼接，得到每個時刻的綜合空間特征；

7、步驟3、將綜合空間特征輸入自注意力變壓器模塊，通過自注意力變壓器模塊和去噪深度多尺度自動編碼器分析短期和長期的時間依賴關系，并生成多尺度特征；

8、步驟4、將多尺度的特征分別輸入到邊界回歸器和模式分類器中，模式分類器輸出飛行數據中各時間階段所屬的飛行模式，邊界回歸器輸出飛行數據中各時間階段所屬的飛行模式的邊界；

9、步驟5、將邊界回歸器和模式分類器的輸出結果與人工標注結果進行比較，計算邊界回歸器的分類加權焦點損失和模式分類器的聯合時空交集損失，并通過反向傳播調整邊界回歸器和模式分類器的參數；

10、步驟6、重復步驟1-5，通過最小化損失函數對邊界回歸器和模式分類器進行訓練，得到訓練好的邊界回歸器和模式分類器，最終得到訓練好的基于ifprm-sblfs深度學習的飛行模式智能識別模型；

11、步驟7、將待識別飛行架次的飛行數據輸入訓練好的基于ifprm-sblfs深度學習的飛行模式智能識別模型，模型輸出飛行架次中各時間階段所屬的飛行模式。

12、進一步的，所述步驟1中，飛行模式包括起飛、平飛、爬升、爬升和旋轉、大錘、滾轉360°、桶轉、爬升和滾轉、半滾倒轉、筋斗、懶八字、降落和旋轉、俯沖、著陸11種模式。

13、進一步的，每個飛行數據中包括一個飛行架次中所有時刻對應的飛機的實時高度、位置、速度、滾轉角和俯仰角數據。

14、進一步的，自適應圖嵌入模型中，采用多尺度滑動窗口機制，通過不同長度的滑動窗口分別提取短期和長期的飛行參數變化趨勢，并將短期和長期的飛行參數變化趨勢融合到圖構建過程；在原有的鄰接矩陣構建過程中，歐氏距離中引入高斯核函數來構建鄰接矩陣，從而增強對非線性關系的描述，同時結合注意力機制對鄰接矩陣進行自適應加權。

15、進一步的，自注意力變壓器模塊中，用變壓器取代傳統的短窗口過濾器，所述自注意力變壓器模塊將綜合空間特征作為輸入，并對每個時刻的所有特征進行加權并求平均值，以生成每個時刻的新特征，具體的，加權時每個特征的權重為當前特征與其他特征的相關性。

16、進一步的，所述去噪深度多尺度自動編碼器包括一個編碼器、一個解碼器和一個隱藏層，用于對自注意力變壓器模塊輸出的特征數據進行編碼和解碼，以獲得數據的潛在特征，并通過解碼器輸出相應的重構數據，生成多尺度特征。

17、進一步的，所述模式分類器的網絡結構由傳統的三層一維卷積網絡擴展為四層結構，并在每層中引入多尺度特征融合模塊，以增強網絡從不同尺度提取上下文信息的能力，通過采用多樣化的卷積核尺寸，使網絡能夠同步捕捉局部與全局特征，且每層的輸出均通過多頭注意力機制進行增強，利用八個注意力頭對特征權重進行細粒度分配，進一步提升分類器的特征表達能力。

18、進一步的，所述邊界回歸器采用四層網絡結構，每層利用卷積核尺寸為3、5、7的多尺度融合模塊進行處理，并在每層引入基于上下文的范圍約束模塊，以確保有效捕獲和處理特征中的邊界動態信息，且每層的輸出均通過多頭注意力機制進行增強，通過八個頭的特征增強，使不同尺度下的特征得以充分表達，在各層網絡中，除傳統relu激活函數外，還引入了leaky?relu，以應對梯度消失問題，邊界回歸器的輸出范圍根據訓練數據進行自適應調整，其中第一層保持初始范圍，后續層則根據數據分布動態擴展。

19、本發明采用以上技術方案后，與現有技術相比，具有以下優點：

20、(1)本發明首次從時間檢測的角度解決飛行狀態識別問題。本發明提出了一種結合敏感邊界識別和長飛行序列處理的智能飛行模式識別方法，成功破解了傳統方法在單一模式識別和復合機動識別中的局限性，并能夠精確定位飛行模式的時態邊界。

21、(2)針對飛行數據的獨特性，本發明設計了ifprm-sblfs模型。該模型自動化智能化程度較高，避免了對專家知識和經驗的依賴，使得在飛行器上能夠實現在線自動識別，大幅度提高了模型的實用性和操作便捷性。

22、(3)本發明設計的自適應圖嵌入模塊，主要用于挖掘飛行數據中多種飛行參數的空間關系，能夠動態調整圖結構并適應不同的飛行模式。此外，還引入了多尺度變壓器檢測器，使模型具備多尺度特性，能夠在不同時間尺度下檢測飛行時的異常模式，捕捉細微的飛行特征變化。

23、(4)本發明所提模型采用分類加權焦點損失，有效減少了飛行模式分類過程中因類別不平衡導致的誤差。同時，為提高飛行模式邊界的定位精度，設計了時空交集損失函數，結合時空信息的交集降低飛行模式損失，使識別結果更加精準和魯棒。

24、(5)分類加權焦點損失通過增加難分樣本的權重，使模型更關注少量重要樣本，從而減少對易分樣本的依賴，避免過擬合；聯合時空交集損失和自適應圖嵌入通過捕捉長序列時空依賴關系，提升模型對復雜特征的理解能力，使其在不同時間和空間尺度下保持良好的泛化性；去噪深度多尺度自動編碼器通過去噪機制，強化模型對本質特征的捕捉，過濾噪聲干擾，從而進一步提升模型的魯棒性和泛化能力，防止過度擬合。

25、(6)基于真實的飛行數據集，標注了飛行狀態的邊界，并通過實驗驗證了ifprm-sblfs模型在精度和準確性方面具有的顯著優勢，充分展示了本發明所提方法在復雜飛行狀態識別中的優越性和廣泛應用前景。

26、下面結合附圖和實施例對本發明進行詳細說明。