一種基于Spiking神經(jīng)網(wǎng)絡(luò)的飛機(jī)沖突檢測方法
【專利摘要】本發(fā)明公開了一種基于Spiking神經(jīng)網(wǎng)絡(luò)的飛機(jī)沖突檢測方法，涉及模式識別，模式處理，機(jī)器學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)等領(lǐng)域，具體涉及基于Spiking神經(jīng)網(wǎng)絡(luò)的多脈沖誤差反傳學(xué)習(xí)算法——利用生物信息傳遞原理擬合非線性離散數(shù)據(jù)集，解決現(xiàn)有飛行航跡擬合預(yù)測方法的難點(diǎn)。本發(fā)明首先為對歷史航跡數(shù)據(jù)進(jìn)行分析，建立Spiking神經(jīng)網(wǎng)絡(luò)模型；再運(yùn)用學(xué)習(xí)算法對建立好的Spiking神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；最后利用訓(xùn)練后的Spiking神經(jīng)網(wǎng)絡(luò)模型進(jìn)行航跡預(yù)測并進(jìn)行沖突判斷。本發(fā)明應(yīng)用于飛行監(jiān)控、進(jìn)行沖突判斷。
【專利說明】-種基于Spiking神經(jīng)網(wǎng)絡(luò)的飛機(jī)沖突檢測方法

【技術(shù)領(lǐng)域】
[0001] 一種基于Spiking神經(jīng)網(wǎng)絡(luò)的飛機(jī)沖突檢測方法，應(yīng)用于飛行監(jiān)控、進(jìn)行沖突判 斷，涉及模式識別，模式處理，機(jī)器學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)等領(lǐng)域，具體涉及基于Spiking神經(jīng)網(wǎng)絡(luò) 的多脈沖誤差反向傳播學(xué)習(xí)算法--利用生物信息傳遞原理擬合非線性離散數(shù)據(jù)集。

【背景技術(shù)】
[0002] 近些年來，隨著民用航空事業(yè)的蓬勃發(fā)展和部隊飛行訓(xùn)練任務(wù)的逐步加重，國內(nèi) 飛機(jī)的數(shù)目與日俱增，空域內(nèi)航線日益密集，飛行器流量日益加大，又由于飛機(jī)只能在平流 層平穩(wěn)飛行，使得飛機(jī)可飛行空間是一個相對有限的空間，這就造成了空域變得越來越擁 擠，擁擠意味著沖突。無論是航線設(shè)定過密，飛機(jī)本身故障或是風(fēng)力等環(huán)境因素，都可能造 成飛機(jī)發(fā)生碰撞沖突。由于飛機(jī)運(yùn)輸?shù)奶厥庑裕坏╋w機(jī)在空中發(fā)生沖突，就很難辦證乘客 人身及財產(chǎn)安全。同時，如不能有效地疏通這種擁擠，也會降低空域資源的利用率，極大地 阻礙國家航空事業(yè)的發(fā)展。因此，能夠提前預(yù)知沖突的發(fā)生，并及早地采取有效的防范措施 就顯得尤為重要。
[0003] 認(rèn)識到飛機(jī)運(yùn)輸?shù)奶厥庑约帮w行過程中發(fā)生沖突事件的嚴(yán)重性，就必須有一種系 統(tǒng)來檢測沖突的發(fā)生。該系統(tǒng)應(yīng)能有效地防范飛行沖突，包括飛機(jī)在飛行過程中的狀態(tài)檢 測等。以往，國家空管局采用的是雷達(dá)實時監(jiān)控的手段，通過檢測畫面上飛機(jī)間的距離和飛 行方向，判斷沖突發(fā)生的可能性。而現(xiàn)代航空由于密度大，流量高，機(jī)體速度快的特征要求 檢測系統(tǒng)能對風(fēng)力風(fēng)向變化、氣壓變化、機(jī)體故障、航線擁塞、塔臺指揮失誤等各種突發(fā)狀 況能迅速應(yīng)對。因此，這種老式的系統(tǒng)在今天，尤其是應(yīng)對未來高速發(fā)展的航空業(yè)就顯得有 些"無力"。面對新的挑戰(zhàn)，必須應(yīng)用先進(jìn)的科學(xué)理論和技術(shù)手段，設(shè)計一種新型的、智能的、 高效的飛機(jī)沖突檢測系統(tǒng)。而由于該系統(tǒng)設(shè)計的專業(yè)知識龐雜，系統(tǒng)工作量巨大，精度要求 極高，反映速度以及安全性等高要求，使得研制和完善這樣一個系統(tǒng)的課題成為了國內(nèi)外 學(xué)者及工程技術(shù)專家的研究熱點(diǎn)。
[0004] 近年來，隨著人工智能的快速發(fā)展，其相關(guān)理論和方法已被用來解決很多問題，飛 機(jī)沖突檢測亦然。神經(jīng)網(wǎng)絡(luò)，遺傳算法，蟻群算法，人工魚算法都以應(yīng)用于該問題。其中，神 經(jīng)網(wǎng)絡(luò)由于其本身優(yōu)秀的模擬性，引起廣泛關(guān)注。自上個世紀(jì)BP算法問世以來，普遍認(rèn)為3 層神經(jīng)網(wǎng)絡(luò)可以擬合大多數(shù)的函數(shù)曲線，而飛機(jī)沖突檢測的首要工作就是估計飛機(jī)的運(yùn)動 軌跡，這樣的不謀而合使得人們認(rèn)識到神經(jīng)網(wǎng)絡(luò)是解決該問題的良好工具。近十年，第三代 神經(jīng)網(wǎng)絡(luò)-Spiking神經(jīng)網(wǎng)絡(luò)誕生，這種新型的神經(jīng)網(wǎng)絡(luò)不僅很好地繼承了前代神經(jīng)網(wǎng)絡(luò) 的優(yōu)秀特性，更由于其獨(dú)特的編碼方式和時空特性，讓神經(jīng)網(wǎng)絡(luò)的計算能力得到了極大地 提升。一些學(xué)者已經(jīng)應(yīng)用Spiking神經(jīng)網(wǎng)絡(luò)完成一些如谷物生長、商品價格的預(yù)測。但是 還沒有在飛機(jī)的沖突檢測應(yīng)用上取得成果。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明針對現(xiàn)有技術(shù)的不足之處提供了一種基于Spiking神經(jīng)網(wǎng)絡(luò)的飛機(jī)沖突 檢測方法，解決現(xiàn)有飛行航跡擬合預(yù)測方法的難點(diǎn)，如歷史數(shù)據(jù)結(jié)構(gòu)復(fù)雜：數(shù)據(jù)構(gòu)成變量 多、數(shù)據(jù)變化范圍廣；航跡模式多變：每一條航跡的差別很大，即便是同一架航班，每一次 飛行所走過的航跡都不是完全相同的；預(yù)測算法要求高：除了精準(zhǔn)度的要求，這類算法還 要求很高的實時性，計算速度要能跟得上飛機(jī)的數(shù)據(jù)變化速度，使其能夠更好的應(yīng)用于飛 行監(jiān)控、進(jìn)行沖突判斷。
[0006] 為了實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：
[0007] -種基于Spiking神經(jīng)網(wǎng)絡(luò)的飛機(jī)沖突檢測方法，其特征在于，如下步驟：
[0008] (1)對歷史航跡數(shù)據(jù)進(jìn)行分析，建立Spiking神經(jīng)網(wǎng)絡(luò)模型；
[0009] (2)運(yùn)用學(xué)習(xí)算法對建立好的Spiking神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；
[0010] (3)利用訓(xùn)練后的Spiking神經(jīng)網(wǎng)絡(luò)模型進(jìn)行航跡預(yù)測并進(jìn)行沖突判斷。
[0011] 作為優(yōu)選，所述步驟（1)中，Spiking神經(jīng)網(wǎng)絡(luò)模型的建立過程如下：
[0012] (11)對歷史航跡數(shù)據(jù)進(jìn)行分析，建立"輸入層一隱藏層一輸出層"模式的3層 Spiking神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；
[0013] (12)根據(jù)Spiking神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和歷史航跡數(shù)據(jù)的數(shù)據(jù)結(jié)構(gòu)，設(shè)定一個具有44個 向量的向量組作為輸入向量，并將向量組中每一個向量一一映射到Spiking神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 中的輸入層的輸入神經(jīng)元中；
[0014] (13)根據(jù)歷史航跡數(shù)據(jù)的數(shù)據(jù)結(jié)構(gòu)，設(shè)定一個具有3個向量的向量組作為輸出向 量，并將向量組中每一個向量一一映射到Spiking神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的輸出層的輸出神經(jīng)元 中；
[0015] (14)根據(jù)輸入層神經(jīng)元和輸出層神經(jīng)元個數(shù)以及航跡預(yù)測的精度要求，設(shè)定隱藏 層的神經(jīng)元，并采用具有多突觸結(jié)構(gòu)的Spiking神經(jīng)網(wǎng)絡(luò)。
[0016] 作為優(yōu)選，所述步驟（2)中，運(yùn)用學(xué)習(xí)算法對建立好的Spiking神經(jīng)網(wǎng)絡(luò)模型進(jìn)行 訓(xùn)練的具體步驟如下：
[0017] (21)從歷史航跡數(shù)據(jù)中抽取一定量的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，并將訓(xùn)練數(shù)據(jù)組織成輸 入向量組的形式；
[0018] (22)對輸入向量組的每一個向量，將其每一維數(shù)據(jù)進(jìn)行均一化處理；
[0019] (23)將均一化后的數(shù)據(jù)，經(jīng)過編碼轉(zhuǎn)化為神經(jīng)元點(diǎn)火時間脈沖序列；
[0020] (24)將經(jīng)過數(shù)據(jù)均一化和編碼后的輸入向量組，輸入到Spiking神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 中的輸入層的對應(yīng)神經(jīng)元中，并在輸出層的輸出神經(jīng)元接收輸出的神經(jīng)元點(diǎn)火時間脈沖序 列；
[0021] (25)將每一個輸出向量轉(zhuǎn)化為對應(yīng)變量實際輸出的概率密度函數(shù)；
[0022] (26)從每一次的歷史航跡數(shù)據(jù)迭代中得到航跡共有的期望輸出，將其轉(zhuǎn)化為對應(yīng) 變量的期望輸出概率密度函數(shù)；
[0023] (27)根據(jù)變量實際輸出的概率密度函數(shù)和期望輸出的概率密度函數(shù)，計算該變量 實際輸出和期望輸出的誤差值；
[0024] (28)利用誤差值，計算Spiking神經(jīng)網(wǎng)絡(luò)權(quán)值的改變量，并用其更新Spiking神經(jīng) 網(wǎng)絡(luò)的權(quán)值；
[0025] (29)利用大量歷史航跡數(shù)據(jù)中的訓(xùn)練數(shù)據(jù)重復(fù)步驟（21)-(28)，直至步驟（27)的 誤差值為〇或接近〇時，則中止訓(xùn)練，并記錄訓(xùn)練完畢時的神經(jīng)網(wǎng)絡(luò)參數(shù)。
[0026] 作為優(yōu)選，所述步驟（3)中，航跡預(yù)測和沖突判斷的步驟如下：
[0027] (31)初步判斷飛機(jī)對間距是否過近，是則記錄下飛機(jī)對的相關(guān)信息，并轉(zhuǎn)到步驟 (32)，否則，不做進(jìn)一步?jīng)_突判斷；
[0028] (32)經(jīng)過初步判斷過后，對于間距過近的飛機(jī)對，計算出兩架飛機(jī)水平空間的水 平?jīng)_突發(fā)生概率和垂直空間的垂直沖突發(fā)生概率；
[0029] (33)利用臨界條件得出水平?jīng)_突閾值和垂直沖突閾值，并分別與水平?jīng)_突發(fā)生概 率和垂直沖突發(fā)生概率相比較，當(dāng)水平?jīng)_突發(fā)生概率和垂直沖突發(fā)生概率同時大于各自閾 值時，則認(rèn)定沖突會發(fā)生并記錄結(jié)果，否則不做處理并轉(zhuǎn)到步驟（34);
[0030] (34)根據(jù)連續(xù)的航跡預(yù)測結(jié)果不斷重復(fù)步驟（31)-(33)，判斷沖突是否會發(fā)生， 直到檢測到?jīng)_突或飛機(jī)飛出雷達(dá)的監(jiān)測區(qū)域。
[0031] 與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)在于：
[0032] -、利用濾波調(diào)整非良態(tài)的歷史訓(xùn)練數(shù)據(jù)，提升歷史數(shù)據(jù)使用和模型訓(xùn)練的效 率；
[0033] 二、通過構(gòu)建變量眾多的3層Spiking神經(jīng)網(wǎng)絡(luò)，增強(qiáng)計算模型的計算能力；
[0034] 三、通過將輸入數(shù)據(jù)轉(zhuǎn)化為神經(jīng)元點(diǎn)火脈沖時間序列以及Spiking神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 計算機(jī)制，極大提升非線性航跡數(shù)據(jù)的擬合水平；
[0035] 四、通過概率密度估計方法，將經(jīng)過譯碼的神經(jīng)網(wǎng)絡(luò)輸出數(shù)據(jù)序列轉(zhuǎn)化為該變量 的概率密度函數(shù)，將離散數(shù)據(jù)以統(tǒng)計的方式連續(xù)化，從而提供預(yù)測數(shù)據(jù)的有效性；
[0036] 五、以相對熵作為數(shù)據(jù)回歸計算的誤差函數(shù)，使得實際輸出和期望輸出間的計算 差異值更精確；
[0037] 六、基于多脈沖的誤差反傳算法能很有效地調(diào)節(jié)Spiking神經(jīng)網(wǎng)絡(luò)的權(quán)值；
[0038] 七、利用動量學(xué)習(xí)算法，通過實時調(diào)節(jié)學(xué)習(xí)速率達(dá)到跳出局部最優(yōu)的目的；
[0039] 八、通過概率計算，得出沖突發(fā)生概率并與閾值相比較，能準(zhǔn)確描述沖突判斷的 過程。

【專利附圖】

【附圖說明】
[0040] 圖1為本發(fā)明的結(jié)構(gòu)流程示意圖；
[0041] 圖2為本發(fā)明的整體流程示意圖；
[0042] 圖3為本發(fā)明神經(jīng)網(wǎng)絡(luò)設(shè)計過程示意圖；
[0043] 圖4為本發(fā)明3層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖；
[0044] 圖5為本發(fā)明多突觸鏈接示意圖；
[0045] 圖6為本發(fā)明數(shù)據(jù)均一化示意圖；
[0046] 圖7為本發(fā)明數(shù)據(jù)編碼示意圖；
[0047] 圖8為本發(fā)明預(yù)測神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖；
[0048] 圖9為本發(fā)明學(xué)習(xí)算法流程圖；
[0049] 圖10為本發(fā)明沖突判斷算法流程圖。

【具體實施方式】
[0050] 下面將結(jié)合附圖及【具體實施方式】對本發(fā)明作進(jìn)一步的描述。
[0051] 參閱圖1，一種基于Spiking神經(jīng)網(wǎng)絡(luò)的飛機(jī)沖突檢測方法，首先通過分析歷史航 跡數(shù)據(jù)建立Spiking神經(jīng)網(wǎng)絡(luò)模型，接著利用從歷史航跡數(shù)據(jù)中抽取的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù) 結(jié)合學(xué)習(xí)算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)使其擬合航跡模式，訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)就可以進(jìn)行實際的預(yù)測 計算，得到預(yù)測數(shù)據(jù)后，由概率知識計算出沖突發(fā)生概率，并據(jù)此判斷沖突是否會發(fā)生。
[0052] 在算法設(shè)計之初，首先需要考慮Spiking神經(jīng)網(wǎng)絡(luò)模型構(gòu)建，包括：神經(jīng)網(wǎng)絡(luò)輸入 輸出關(guān)系定義、神經(jīng)網(wǎng)絡(luò)層次結(jié)構(gòu)、神經(jīng)網(wǎng)絡(luò)鏈接方式、數(shù)據(jù)均一化及編碼方式。如圖2所 示，其具體設(shè)計過程如下：
[0053] -種基于Spiking神經(jīng)網(wǎng)絡(luò)的飛機(jī)沖突檢測方法，步驟如下：
[0054] (1)對歷史航跡數(shù)據(jù)進(jìn)行分析，建立Spiking神經(jīng)網(wǎng)絡(luò)模型，Spiking神經(jīng)網(wǎng)絡(luò)模 型的建立過程如下：
[0055] (11)對歷史航跡數(shù)據(jù)進(jìn)行分析，即分析橫向位置坐標(biāo)、縱向位置坐標(biāo)、垂直位置坐 標(biāo)3個狀態(tài)參數(shù)和飛機(jī)的飛行速度、飛行角度、飛行高度、飛行平面橫向距離和飛行平面縱 向距離5個狀態(tài)參數(shù)，根據(jù)對歷史航跡數(shù)據(jù)的分析建立"輸入層一隱藏層一輸出層"模式的 3層Spiking神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；
[0056] (12)根據(jù)Spiking神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和歷史航跡數(shù)據(jù)的數(shù)據(jù)結(jié)構(gòu)，設(shè)定一個具有44個 向量的向量組作為輸入向量，并將向量組中每一個向量一一映射到Spiking神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 中的輸入層的輸入神經(jīng)元中，其中，輸入層設(shè)定有前5個歷史點(diǎn)的飛機(jī)狀態(tài)信息，每個歷史 點(diǎn)有5個參數(shù)，各用一個神經(jīng)元表示，共計25個神經(jīng)元、前5個時刻的航路中心線，每個歷 史時刻航路中心線有3個參數(shù)，各用一個神經(jīng)元表示，共計15個神經(jīng)元、未來預(yù)測時刻的航 路中心線，預(yù)測時刻航路中心線有3個參數(shù)，各用一個神經(jīng)元表示，共計3個神經(jīng)元、預(yù)測時 間，預(yù)測時間有1個參數(shù)，用一個神經(jīng)元表示，共計1個神經(jīng)元，共44個輸入神經(jīng)元；
[0057] (13)根據(jù)歷史航跡數(shù)據(jù)的數(shù)據(jù)結(jié)構(gòu)即3維空間坐標(biāo)，設(shè)定一個具有3個向量的向 量組作為輸出向量，并將向量組中每一個向量一一映射到Spiking神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的輸出 層的輸出神經(jīng)元中，其中，輸出層有預(yù)測航跡點(diǎn)狀態(tài)信息（3個神經(jīng)元）共3個輸出神經(jīng)元；
[0058] (14)根據(jù)輸入層神經(jīng)元和輸出層神經(jīng)元個數(shù)以及航跡預(yù)測的精度要求，如圖3所 示，設(shè)定隱藏層的神經(jīng)元，其中，隱藏層為單層，共10個神經(jīng)元的結(jié)構(gòu)，構(gòu)成如圖4所示的具 有多突觸結(jié)構(gòu)的Spiking神經(jīng)網(wǎng)絡(luò)。
[0059] (2)運(yùn)用學(xué)習(xí)算法對建立好的Spiking神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，如圖8所示， Spiking神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程主要包括誤差函數(shù)設(shè)計、權(quán)值調(diào)節(jié)機(jī)制設(shè)計以及局部最 優(yōu)策略設(shè)計這三個模塊。其中，誤差函數(shù)主要用于描述神經(jīng)網(wǎng)絡(luò)的實際輸出結(jié)果和期望輸 出結(jié)果之間的差異程度；權(quán)值調(diào)節(jié)機(jī)制主要是通過改變權(quán)值，是誤差表達(dá)最小化的過程； 而局部最優(yōu)策略是幫助解決學(xué)習(xí)算法在求解最優(yōu)化結(jié)果時陷入局部最優(yōu)的問題，運(yùn)用學(xué)習(xí) 算法對建立好的Spiking神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練的具體步驟如下：
[0060] (21)從歷史航跡數(shù)據(jù)中抽取一定量的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，并將訓(xùn)練數(shù)據(jù)組織成輸 入向量組的形式；
[0061] (22)對輸入向量組的每一個向量，利用指數(shù)函數(shù)y = f(x) =eax將其每一維數(shù)據(jù) 進(jìn)行均一化處理，式中y表示處理后變量，X表示被均一化變量，a為一個數(shù)值很小的參數(shù)， 本發(fā)明實驗中取值為0. 3 ;
[0062] (23)如圖6所示，將均一化后的數(shù)據(jù)，通過公式x = tf3 -tf+1)轉(zhuǎn)化為神經(jīng)元點(diǎn)火 時間脈沖序列，經(jīng)過轉(zhuǎn)換過后的數(shù)據(jù)才能直接輸入到神經(jīng)網(wǎng)絡(luò)中，式中X表示均一化后的 輸入向量數(shù)據(jù)，tf、tf +1)分別表示前后相鄰的神經(jīng)元點(diǎn)火時間，即神經(jīng)元點(diǎn)火時間脈沖序 列為從0開始，每隔X觸發(fā)一次點(diǎn)火；
[0063] (24)將經(jīng)過數(shù)據(jù)均一化和編碼后的輸入向量組，輸入到Spiking神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中 的輸入層的對應(yīng)神經(jīng)元中，并在輸出層的3個輸出神經(jīng)元接收輸出的神經(jīng)元點(diǎn)火時間脈沖 序列；
[0064] (25)通過公式

【權(quán)利要求】
1. 一種基于Spiking神經(jīng)網(wǎng)絡(luò)的飛機(jī)沖突檢測方法，其特征在于，如下步驟： (1) 對歷史航跡數(shù)據(jù)進(jìn)行分析，建立Spiking神經(jīng)網(wǎng)絡(luò)模型； (2) 運(yùn)用學(xué)習(xí)算法對建立好的Spiking神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練； (3) 利用訓(xùn)練后的Spiking神經(jīng)網(wǎng)絡(luò)模型進(jìn)行航跡預(yù)測并進(jìn)行沖突判斷。
2. 根據(jù)權(quán)利要求1所述的一種基于Spiking神經(jīng)網(wǎng)絡(luò)的飛機(jī)沖突檢測方法，其特征在 于，所述步驟（1)中，Spiking神經(jīng)網(wǎng)絡(luò)模型的建立過程如下： (11) 對歷史航跡數(shù)據(jù)進(jìn)行分析，建立"輸入層一隱藏層一輸出層"模式的3層Spiking 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)； (12) 根據(jù)Spiking神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和歷史航跡數(shù)據(jù)的數(shù)據(jù)結(jié)構(gòu)，設(shè)定一個具有44個向量 的向量組作為輸入向量，并將向量組中每一個向量--映射到Spiking神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的 輸入層的輸入神經(jīng)元中； (13) 根據(jù)歷史航跡數(shù)據(jù)的數(shù)據(jù)結(jié)構(gòu)，設(shè)定一個具有3個向量的向量組作為輸出向量， 并將向量組中每一個向量--映射到Spiking神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的輸出層的輸出神經(jīng)元中； (14) 根據(jù)輸入層神經(jīng)元和輸出層神經(jīng)元個數(shù)以及航跡預(yù)測的精度要求，設(shè)定隱藏層的 神經(jīng)元，并采用具有多突觸結(jié)構(gòu)的Spiking神經(jīng)網(wǎng)絡(luò)。
3. 根據(jù)權(quán)利要求1所述的一種基于Spiking神經(jīng)網(wǎng)絡(luò)的飛機(jī)沖突檢測方法，其特征在 于，所述步驟（2)中，運(yùn)用學(xué)習(xí)算法對建立好的Spiking神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練的具體步驟 如下： (21) 從歷史航跡數(shù)據(jù)中抽取一定量的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，并將訓(xùn)練數(shù)據(jù)組織成輸入向 量組的形式； (22) 對輸入向量組的每一個向量，將其每一維數(shù)據(jù)進(jìn)行均一化處理； (23) 將均一化后的數(shù)據(jù)，經(jīng)過編碼轉(zhuǎn)化為神經(jīng)元點(diǎn)火時間脈沖序列； (24) 將經(jīng)過數(shù)據(jù)均一化和編碼后的輸入向量組，輸入到Spiking神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的輸 入層的對應(yīng)神經(jīng)元中，并在輸出層的輸出神經(jīng)元接收輸出的神經(jīng)元點(diǎn)火時間脈沖序列； (25) 將每一個輸出向量轉(zhuǎn)化為對應(yīng)變量實際輸出的概率密度函數(shù)； (26) 從每一次的歷史航跡數(shù)據(jù)迭代中得到航跡共有的期望輸出，將其轉(zhuǎn)化為對應(yīng)變量 的期望輸出概率密度函數(shù)； (27) 根據(jù)變量實際輸出的概率密度函數(shù)和期望輸出的概率密度函數(shù)，計算該變量實際 輸出和期望輸出的誤差值； (28) 利用誤差值，計算Spiking神經(jīng)網(wǎng)絡(luò)權(quán)值的改變量，并用其更新Spiking神經(jīng)網(wǎng)絡(luò) 的權(quán)值； (29) 利用大量歷史航跡數(shù)據(jù)中的訓(xùn)練數(shù)據(jù)重復(fù)步驟（21)-(28)，直至步驟（27)的誤差 值為〇或接近〇時，則中止訓(xùn)練，并記錄訓(xùn)練完畢時的神經(jīng)網(wǎng)絡(luò)參數(shù)。
4. 根據(jù)權(quán)利要求1所述的一種基于Spiking神經(jīng)網(wǎng)絡(luò)的飛機(jī)沖突檢測方法，其特征在 于，所述步驟（3)中，航跡預(yù)測和沖突判斷的步驟如下： (31) 初步判斷飛機(jī)對間距是否過近，是則記錄下飛機(jī)對的相關(guān)信息，并轉(zhuǎn)到步驟 (32)，否則，不做進(jìn)一步?jīng)_突判斷； (32) 經(jīng)過初步判斷過后，對于間距過近的飛機(jī)對，計算出兩架飛機(jī)水平空間的水平?jīng)_ 突發(fā)生概率和垂直空間的垂直沖突發(fā)生概率； (33) 利用臨界條件得出水平?jīng)_突閾值和垂直沖突閾值，并分別與水平?jīng)_突發(fā)生概率 和垂直沖突發(fā)生概率相比較，當(dāng)水平?jīng)_突發(fā)生概率和垂直沖突發(fā)生概率同時大于各自閾值 時，則認(rèn)定沖突會發(fā)生并記錄結(jié)果，否則不做處理并轉(zhuǎn)到步驟（34); (34) 根據(jù)連續(xù)的航跡預(yù)測結(jié)果不斷重復(fù)步驟（31)-(33)，判斷沖突是否會發(fā)生，直到 檢測到?jīng)_突或飛機(jī)飛出雷達(dá)的監(jiān)測區(qū)域。
【文檔編號】G06N3/02GK104050506SQ201410293570
【公開日】2014年9月17日 申請日期:2014年6月24日 優(yōu)先權(quán)日:2014年6月24日
【發(fā)明者】屈鴻, 楊雪松, 潘婷, 解修蕊 申請人:電子科技大學(xué)