面向異構(gòu)融合的飛行試驗異常數(shù)據(jù)預測技術研究?

顏世東 楊望燦

（91404部隊91分隊 秦皇島 066001）

1 引言

飛行試驗伴隨著航空器裝備從基礎研發(fā)、應用技術研究、型號研制到航空器使用全過程，是適航驗證和新技術驗證的關鍵環(huán)節(jié)，其中試飛過程中的異常情況極具價值，對異常情況的試飛數(shù)據(jù)進行研究，具有現(xiàn)實意義。

飛行試驗數(shù)據(jù)源復雜，除了傳統(tǒng)航電系統(tǒng)、飛控系統(tǒng)、綜合核心處理機系統(tǒng)、綜合電子戰(zhàn)系統(tǒng)及眾多飛行試驗接口等數(shù)據(jù)源外，數(shù)字化高清視頻圖像監(jiān)視與實時遙測圖像［1～2］在飛行試驗中的應用也愈加廣泛。數(shù)據(jù)源的復雜造成了飛行試驗數(shù)據(jù)結(jié)構(gòu)日趨多元［4］，不僅包括傳統(tǒng)的結(jié)構(gòu)化數(shù)據(jù)，還包括文檔、圖片、網(wǎng)頁、音頻、視頻圖像以及光電測量［5］等非結(jié)構(gòu)數(shù)據(jù)或者半結(jié)構(gòu)數(shù)據(jù)。數(shù)據(jù)多元化的新特征擴展了飛行試驗的成果和潛力，但同時也成為飛行試驗數(shù)據(jù)管理的負擔。與此同時，現(xiàn)代飛行試驗數(shù)據(jù)成幾何級增長，數(shù)據(jù)處理的效率卻越來越高。

通過分析影響飛行試驗的相關因子特征，建立一種適用飛行試驗數(shù)據(jù)分析的多源異構(gòu)數(shù)據(jù)融合模型?；诖四Ｐ停ㄟ^改進K-means聚類算法，設計一種適應于一維數(shù)據(jù)的數(shù)據(jù)級多源異構(gòu)數(shù)據(jù)融合算法；其二，采用卷積神經(jīng)網(wǎng)絡［9～10］對飛行試驗圖像數(shù)據(jù)進行處理；其三，利用模糊神經(jīng)網(wǎng)絡［11］，將數(shù)據(jù)級融合算法的結(jié)果和卷積神經(jīng)網(wǎng)絡圖像處理算法的結(jié)果進行決策級融合，提出一種新多源異構(gòu)數(shù)據(jù)融合組合算法——DistributedOntheflyDecision（DOD）組合算法。DOD組合算法解決了多源異構(gòu)數(shù)據(jù)融合的難題，提高了決策結(jié)果的精度，滿足飛行試驗異常預測需求。

2 多源異構(gòu)數(shù)據(jù)融合模型

飛行試驗過程中，飛行器中的各種機載系統(tǒng)記錄并存儲飛行實驗數(shù)據(jù)，此外通過雷達、光電、視頻等探測和監(jiān)視手段，獲得雷達、頻譜、圖像、光電信號等數(shù)據(jù)。試驗數(shù)據(jù)源的不同，帶來電氣特性、信號特征、數(shù)據(jù)結(jié)構(gòu)和傳輸協(xié)議等不同特征，造成大量異構(gòu)數(shù)據(jù)。通過對多源異構(gòu)原始數(shù)據(jù)進行預處理，將多維信息降維為一維信號數(shù)據(jù)，使其具備時間連續(xù)性、數(shù)值有效性、間隔等時性以及變化趨勢一致性。預處理后的數(shù)據(jù)作為數(shù)據(jù)融合模型的數(shù)據(jù)源。

目前常見的深度學習算法，進行多維信息降維處理之后，會丟失大量的特征，影響決策精度。本文基于多種深度學習算法建立了數(shù)據(jù)級融合與決策級融合相結(jié)合的模型，充分有效融合飛行試驗過程中產(chǎn)生的海量多源異構(gòu)數(shù)據(jù)，并提取與異常情況影響因子相關的特征。

圖1 數(shù)據(jù)級融合與決策級融合相結(jié)合模型

3 數(shù)據(jù)級融合算法

3.1 改進的K-means一維數(shù)據(jù)算法設計

K-means算法通過循環(huán)計算各個點到簇類中心的距離來更新簇類中心，最終將數(shù)據(jù)集X={x1，x2，…，xn} 劃 分 為K個 互 不 相 交 的 簇P={P1，P2，…，PK}。

K-means算法基本原理如下：

1）對于數(shù)據(jù)集X={x1，x2，…，xn}，隨機選擇K個數(shù)據(jù)作為初始聚類中心{c1，c2，…ck}。

2）對于任意數(shù)據(jù)點xj∈X(1≤j≤n)，xj與各初始聚類中心ci(1≤i≤K)的距離為

常規(guī)的K-means算法存在如下缺陷：

1）隨機初始化簇類中心有可能使計算結(jié)果局限于局部最優(yōu)，算法的聚類結(jié)果受選擇的初始選取的點影響很大［12～13］，算法結(jié)果不穩(wěn)定。

2）對離群點比較敏感，如果將離群點選為初始聚類中心，則會使算法一開始就陷入偏差，也會影響算法聚類效果。

3）K值的選取也難以把握，如果過小，則在一個實際簇類中可能有多個中心點，導致結(jié)果進一步偏離；如果過大，則算法收斂慢且同樣會存在偏差，影響算法準確性。

4）隨機初始化聚類中心對計算的效率影響較大，選取的簇類中心若靠近實際聚類中心，則迭代次數(shù)少，效率高，算法效率不穩(wěn)定。

在飛行試驗中，對試驗結(jié)果的穩(wěn)定性、效率、準確性均有較高的要求，否則難以滿足快速決策的需要。

為了提高聚類效果，本文對K-means作出如下改進。

1）首先挑選出具有高密集度的點作為初始初始聚類中心，避開離群點，使算法不會一開始就偏離，提高算法的穩(wěn)定性。

對于數(shù)據(jù)集X={x1，x2，…，xn}，隨機選擇K個數(shù)據(jù)作為初始聚類中心{c1，c2，…ck}，任意數(shù)據(jù)點xi∈X(1≤i≤n)，xi的密度集為

Gt(xi)是距離xi最近的t個數(shù)據(jù)點的集合，d(xi，xj)是數(shù)據(jù)點xi與xj的距離。

2）考慮到數(shù)據(jù)集實際分布情況，用最大近鄰半徑來劃分區(qū)域，選取合適的K值，從而使初始聚類中心間分布較為均勻且更靠近實際聚類中心，提高準確性及效率。

在2維空間R2中，以任一個聚類中心ci為圓心，存在一個數(shù)據(jù)點xi，xi到ci的距離為半徑，滿足該圓內(nèi)數(shù)據(jù)點個數(shù)不超過δi，此半徑稱為ci的最大近鄰半徑。Si為ci最大近鄰半徑中所含有的數(shù)據(jù)點集合（包含點 ci）n（1≤i≤K）。最大近鄰半徑可擴展至n維空間Rn。

假設ci的密集度為Di，D為所有數(shù)據(jù)點的平均密集度。

對初始聚類中心選擇的改進算法步驟如下：

1）生成一個矩陣M ，儲存數(shù)據(jù)集X中任意兩點的距離 d(xi，xj)(1≤i，j≤n，i≠j)。

2）計算每個數(shù)據(jù)點的密集度D(xi)及所有對象的平均密集度D。

3）選取密集度最大的點ci作為初始聚類中心，并從數(shù)據(jù)集X中刪除該點所對應的最大近鄰半徑數(shù)據(jù)集 Si(1≤i≤K)。

4）重復執(zhí)行步驟3），直到選出所有K個初始聚類中心。

3.2 改進算法復雜數(shù)據(jù)異常檢測

通常情況下，異常數(shù)據(jù)在數(shù)據(jù)集中所占比例少，一般分布在稀疏區(qū)域，密集度小。所以采用改進K-means算法迭代時，對異常數(shù)據(jù)的檢測通常滿足如下兩個要求：

1）異常數(shù)據(jù)點的密集度小于數(shù)據(jù)集平均密集度。

2）簇中異常數(shù)據(jù)點的近鄰半徑大于該簇中所有數(shù)據(jù)點的平均近鄰半徑。

基于改進K-means的異常檢測算法步驟如下：

1）假設所有數(shù)據(jù)點的初始異常度 Ej=0(1≤j≤n)，根據(jù)對初始聚類中心選擇的改進算法選出 K 個初始聚類中心{c1，c2，…cK}。

2）根據(jù)矩陣 M 及式（2）、（3）確定 xj的簇標記并劃入相應的簇。

3）在K個簇中，xj滿足上述兩個要求，即

其中，Pi是xj所屬的簇，| |Pi是簇Pi所含的樣本個數(shù)，ci是Pi的聚類中心，則Ej++。

4）根據(jù)式（4）重新生成所有聚類中心。

5）如果 c′i=ci，算法結(jié)束，異常度閾值設為 η ，若 Ej≥η，則 xj為異常點，并入異常點集合U ，輸出簇P和U；如果c′i≠ci，則更新 ci的值為 c′i，并返回執(zhí)行步驟2）直到算法結(jié)束。

改進后的初始聚類中心選取越準確，迭代過程中確定的異常點也越準確，從而使異常預測算法的性能更佳。

4 基于卷積神經(jīng)網(wǎng)絡的圖像處理算法

圖像攜帶大量信息可以用于飛行試驗中的異常檢測，本文通過常用的人工神經(jīng)網(wǎng)絡CNN對飛行試驗圖像數(shù)據(jù)進行處理，提取其中的圖像特征。CNN神經(jīng)網(wǎng)絡具有自適應性和自學習性?；A的CNN網(wǎng)絡由卷積、激活和池化三種結(jié)構(gòu)組成。本文CNN模型具有兩層卷積層、池化層以及全連接層。

基于CNN的飛行試驗圖像數(shù)據(jù)處理流程如圖2所示。具體算法步驟如下：

圖2 基于CNN的飛行試驗圖像數(shù)據(jù)處理流程圖

1）數(shù)據(jù)預處理

將像素為1024*1024的源圖像數(shù)據(jù)處理成像素大小為64*64的數(shù)字圖像，將處理后的64維圖像當做卷積神經(jīng)網(wǎng)絡輸入層特征向量，可以得到輸入是一個64*64的元組。

2）搭建CNN學習模型

本文CNN神經(jīng)網(wǎng)絡所使用的卷積是一種3-D卷積，通過兩層卷積可以在步驟1中輸入的64維圖像特征向量上滑動位移。第一層卷積采用的是64個3*3*3卷積核進行卷積處理，通過一層池化后，再通過第二層16個3*3*3卷積核進行卷積操作，提取飛行試驗異常特征。由于卷積層極大地降低了參數(shù)量，有必要在全連接層之前加入池化過程來保留圖像數(shù)據(jù)大致特征。雖然池化操作仍然會丟失部分信息量，但是保持了圖像地平移、伸縮等不變性。

通過全連接層將每一層的神經(jīng)元與下一層相連，以此將池化后的異常特征進行學習權(quán)重系數(shù)并分類。

3）輸出

輸出分類結(jié)果以及在學習中的損失值，本文主要將ReLU函數(shù)作為激活函數(shù)，可以獲得較快的訓練速度。采用傳統(tǒng)的Softmax函數(shù)作為損失函數(shù)，將其概率標簽向量與真實值進行計算得到損失值，使得神經(jīng)網(wǎng)絡在訓練時下降速度較快。

5 決策級融合組合算法（DOD）

模糊邏輯可以將特定信息輸入系統(tǒng)，并轉(zhuǎn)變?yōu)樽兞亢兔枋鲆?guī)則，然后利用相關規(guī)則進行分辨、識別操作。同時利用神經(jīng)網(wǎng)絡的學習能力，調(diào)整規(guī)則的權(quán)重，通過反復學習使規(guī)則的表達更加充分。利用模糊神經(jīng)網(wǎng)絡，將數(shù)據(jù)級融合算法的結(jié)果和卷積神經(jīng)網(wǎng)絡圖像處理算法的結(jié)果進行決策級融合。

處理異常情況是一個取決于多個因素的決策問題，決策級融合組合算法流程如圖3所示，組合算法具體算法如下：

圖3 DOD組合算法流程圖

1）量化輸入

將一維數(shù)據(jù)特征和二維圖像屬性作為輸入，利用改進的K-means算法對輸入進行關聯(lián)處理和決策操作。假設R1為一維決策結(jié)果，R2為二維圖像決策結(jié)果。

2）調(diào)整決策屬性權(quán)重

假設利用以往的特定信息，比如專家分析、歷史記錄等，判斷R1和R2的權(quán)重分配比為3：7，以此設置合適的決策方案，其表達式如下：

6 結(jié)語

本文通過改進的K-means算法來實現(xiàn)更準確的試驗數(shù)據(jù)特征提取，通過基于卷積神經(jīng)網(wǎng)絡的圖像處理算法，實現(xiàn)二維特征提取，并將兩者進行決策級融合，提出一種新多源異構(gòu)數(shù)據(jù)融合組合算法。DOD組合算法解決了多源異構(gòu)數(shù)據(jù)融合的難題，提高了決策結(jié)果的精度，滿足飛行試驗異常預測需求。