买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国人民解放军海军航空大学

摘要：本发明公开了一种复杂风场作用下飞行姿态的回归预测方法，本发明设计生成器根据采样的仿真俯仰角生成风场图像仿真样本，设计判别器在判别输入图像真伪的同时实现俯仰角参数值的回归预测，对姿态参数俯仰角回归预测分支的输出设计基于分布对齐的不平衡回归损失；通过统计采集的真实俯仰角和采样的仿真俯仰角作为先验分布，并训练模型将所预测的俯仰角的分布对齐上述先验分布，从而实现姿态参数回归，最后进行模型训练和测试；本发明有利于矫正并提高风场图像仿真样本的分布质量，并促使模型更适应不平衡样本分布，从而更好地学习所采集的不平衡风场图像数据集的特征，最终实现使用风场图像定量预测飞行姿态的目标，从而更好地辅助评估飞行安全。

主权项：1.一种复杂风场作用下飞行姿态的回归预测方法，其特征在于具体包括如下步骤：步骤1、数据集构建使用采集的风场图像真实样本和相应采集的真实俯仰角，组成数据对；步骤2、不平衡样本特征学习模型构建使用步骤1所采集的风场图像真实样本和真实俯仰角的集合训练模型；设计面向回归任务的ARGAN网络，在生成仿真样本以扩增图像数据的同时实现俯仰角的回归预测；该网络包含生成器G和判别器D两个部分；其中，生成器G模块能够根据采样的仿真俯仰角生成风场图像仿真样本，判别器D判别输入图像真伪的同时实现俯仰角参数值的回归预测；步骤3、基于分布对齐的回归损失设计对步骤2中判别器D姿态参数俯仰角回归预测分支的输出设计基于分布对齐的不平衡回归损失；通过统计采集的真实俯仰角和采样的仿真俯仰角作为先验分布，并训练生成器G和判别器D将所预测的俯仰角的分布对齐上述先验分布，实现姿态参数回归；所述的步骤3基于分布对齐的回归损失设计中：将真实样本xr和仿真样本xf混合顺序后获得数据块xmix，然后采样m个样本，采用KL散度衡量姿态参数俯仰角回归预测分支对输入图像所预测的俯仰角的分布与先验分布的差异，然后反馈并调整仿真样本的分布和模型参数；所设计分布对齐损失LKL可通过如下方式计算： 公式3中，C为常数，表示m个输入图像中的第i个图像；为图像所对应俯仰角的概率，为模型对预测的俯仰角的概率；前者由模型输入的俯仰角θ统计获得，后者由姿态参数俯仰角回归预测分支对θ所预测的俯仰角θp统计获得；计算方式如下：①首先，对θ和θp划分相同的K个区间；以t为间隔划分俯仰角所在的区间；假设θ和θp二者的值构成的整个集合中，最大值和最小值分别以θmax和θmin表示，则以t为间隔，将[θmin，θmax]划分为K个区间，K计算为：即以t切分θ和θp所在范围后取上限整数；②其次，分别计算θ和θp出现在①所划分K个区间的频次；对于上述K个区间A＝[A1，...，AK]，第jj∈{1，...，K}个区间俯仰角值范围表示为Aj＝[θmin+j-1·t，θmin+j·t；根据各区间Aj的俯仰角值范围，统计俯仰角值落在每个区间的样本个数，获得俯仰角在各区间出现的次数F＝[f1，...，fK]；③第三，分别对θ和θp计算概率和对θ计算概率对于第i个样本假设其俯仰角θi落在了第j个区间，即θi∈Aj，则公式3中定义为： 其中，为阶跃函数，其定义为的定义如下： 其中，fj代表俯仰角θ在区间Aj出现的次数，fn代表俯仰角θ在第n个区间出现的次数，n＝{1，...，K}，ρ为尺度超参数；对θp计算概率对于第i个样本假设其预测的俯仰角θpi落在了第j个区间，即θpi∈Aj，则公式3中定义为： 其中，为阶跃函数，其定义为的定义如下： 其中，fj代表预测的俯仰角θpi在区间Aj出现的次数，fn代表预测的俯仰角θpi在第n个区间出现的次数，n＝{1，...，K}，ρ为尺度超参数；步骤4、模型训练对模型分别进行训练；步骤5、模型测试在根据步骤4完成模型的训练后，保留步骤4所训练模型中的判别器D，将所采集的真实样本输入到判别器D中，获得姿态参数俯仰角回归预测分支输出的俯仰角预测值。

全文数据：

权利要求：

百度查询： 中国人民解放军海军航空大学 一种复杂风场作用下飞行姿态的回归预测方法