Blog

Jun 08, 2023

Zeit

Scientific Reports Band 13, Artikelnummer: 14175 (2023) Diesen Artikel zitieren 1 Details zu Altmetric Metrics Quick Access Recorder (QARs) sind eine wichtige Datenquelle für die Qualität des Flugbetriebs

Scientific Reports Band 13, Artikelnummer: 14175 (2023) Diesen Artikel zitieren

1 Altmetrisch

Details zu den Metriken

Quick Access Recorder (QARs) stellen eine wichtige Datenquelle für die Qualitätssicherung des Flugbetriebs (FOQA) und die Flugsicherheit dar. Es zeichnet sich im Allgemeinen durch großes Volumen, hohe Dimensionalität und hohe Häufigkeit aus, und diese Merkmale führen zu extremer Komplexität und Unsicherheiten bei seiner Verwendung und seinem Verständnis. In dieser Studie haben wir ein auf Time-Feature Attention (TFA) basierendes Convolutional Auto-Encoder (TFA-CAE)-Netzwerkmodell vorgeschlagen, um wesentliche Flugmerkmale aus QAR-Daten zu extrahieren. Als Fallstudie verwendeten wir die QAR-Daten der Landung auf dem Kunming Changshui International Airport und dem Lhasa Gonggar International Airport als experimentelle Daten. Die Ergebnisse zeigen, dass (1) das TFA-CAE-Modell beim Extrahieren repräsentativer Flugmerkmale im Vergleich zu einigen herkömmlichen oder ähnlichen Ansätzen, wie z. B. Hauptkomponentenanalyse (PCA), Convolutional Auto-Encoder (CAE), Selbstaufmerksamkeit, am besten abschneidet. basierte CAE- (SA-CAE), Gate-Recurrent-Unit-basierte Auto-Encoder- (GRU-AE) und TFA-GRU-AE-Modelle; (2) Flugmuster, die verschiedenen Landebahnen entsprechen, können erkannt werden; und (3) anomale Flüge können effektiv von vielen Beobachtungen abweichen. Insgesamt stellt das TFA-CAE-Modell eine bewährte Technik für die weitere Nutzung von QAR-Daten dar, beispielsweise zur Flugrisikoerkennung oder FOQA.

Die zivile Luftfahrt ist ständig bestrebt, die Flugsicherheit zu verbessern. Um die Unfallanfälligkeit der chinesischen Zivilluftfahrt zu ändern und die Flugsicherheit zu verbessern, beschloss die Zivilluftfahrtbehörde Chinas (CAAC) 1997, das Projekt zur Überwachung der Flugqualität für alle Transportfluggesellschaften verbindlich vorzuschreiben. Ab dem 1. Januar 1998 mussten alle in China registrierten Transportflugzeuge einen Quick Access Recorder (QAR) oder eine gleichwertige Ausrüstung installieren, um den gesamten Flugstatus des Flugzeugs während des Fluges aufzuzeichnen. Die von QARs aufgezeichneten Flugdaten werden zur Überwachung des Flugbetriebs, der Flugzeugleistung usw. verwendet, um fehlerhafte Flüge zu erkennen, die von den Standardflugabläufen abweichen. Darüber hinaus werden die Ursachen von Fehlflügen analysiert und anschließend durch die Entwicklung entsprechend verbesserter Lenkungsmaßnahmen behoben, was zu weiteren Verbesserungen der Flugqualität führt. Ende 2013 wurde das Flugqualitätsüberwachungs-Basisstationsbauprojekt von der CAAC genehmigt, um alle QAR-Daten von Flugzeugen in China zu sammeln, zu verarbeiten und zu analysieren. Bis Ende 2017 hatte die Basisstation QAR-Daten von mehr als 3000 Flugzeugen gesammelt, die von allen 51 Transportluftfahrtunternehmen in Chinas Kategorie der Zivilluftfahrt übernommen wurden. An dieser Basisstation wird kontinuierlich eine große Menge umfangreicher Flugdaten gesammelt, die eine vollständige Datenbank für die Untersuchung von Flugrisiken sowie datengesteuerte Methoden bietet.

ADS-B-Daten (Automatic Dependent Surveillance Broadcast) sind eine weitere Art von Flugdaten und werden auch zur Überwachung der Flugqualität verwendet, beispielsweise zur Landezeit des Flugzeugs1 und zur Schätzung der Ankunftszeit des Flugzeugs2,3. ADS-B-Daten weisen im Vergleich zu QAR-Daten eine gute Aktualität auf, jedoch werden nur eine begrenzte Anzahl von Flugparametern (ca. 40 Flugparameter) erfasst, sodass sie für den Einsatz in komplexen Anwendungsszenarien nicht ausreichend sind. Im Vergleich zu ADS-B-Daten zeichnen sich QAR-Daten typischerweise durch hochdimensionale und hochfrequente Daten aus, um Details eines Fluges aufzuzeichnen, einschließlich Zeit, Position, Flugbetrieb, Fluglage, Flugdynamik und die äußere Umgebung (bis zu 2000 Flüge). Parameter). Die aufgezeichneten Flugparameter spiegeln den Status des Flugzeugsystems wider. Beispielsweise kann ein zu hoher Wert des Flugparameters AOA (Anstellwinkel) auf die Gefahr eines Strömungsabrisses des Flugzeugs hinweisen, während der Flugparameter VRTG (Normalbeschleunigung) normalerweise verwendet wird, um die schwere Landung anzuzeigen, wenn ein Flugzeug den Boden berührt. Daher können die QAR-Daten zur Überwachung und Erkennung verschiedener Flugereignisse verwendet werden. Diese Merkmale führen jedoch zu extremen Komplexitäten und Unsicherheiten bei der Verwendung und dem Verständnis. Die Merkmalsextraktion als typisches Data-Mining-Thema bietet eine technische Möglichkeit, den Dimensionsfluch zu lösen4. Es spielt eine Schlüsselrolle in vielen Anwendungen, wie z. B. Klassifizierung5, Regression6 und Data Mining7,8, und ist auch eine vorrangige Grundlage bei der Fehlerdiagnose, die sich auf die Extraktion von Fehlermerkmalen konzentriert9,10,11,12.

Die Hauptkomponentenanalyse (PCA), bei der Rohdaten entsprechend den Varianz-Kovarianzen der ursprünglichen Stichproben auf ihre Hauptdimensionen projiziert werden13, ist die am häufigsten verwendete unbeaufsichtigte Methode zur Merkmalsextraktion14,15. Die lineare Diskriminanzanalyse (LDA) und ihre Variante, die Marginal-Fisher-Analyse (MFA), sind zwei überwachte Merkmalsextraktionsmethoden, bei denen LDA einen nützlichen linearen Unterraum durch Optimierung von Diskriminanzklassendaten findet16 und MFA die Trennbarkeit zwischen Klassen und die Kompaktheit innerhalb der Klasse der gegebenen Daten charakterisiert um die optimale Projektion zu erhalten17. Alle oben genannten Methoden zur Merkmalsextraktion weisen den gleichen Nachteil auf: Alle Projektionen sind lineare Transformationen. Obwohl andere Studien18,19,20 versucht haben, dieses Problem mithilfe nichtlinearer Kernelfunktionen zu lösen, decken die durch die entwickelten Ansätze extrahierten Merkmale möglicherweise nicht alle nützlichen Informationen der eingegebenen Rohdaten ab, da in den komplexen Industriedaten verschiedene nichtlineare Korrelationen bestehen21.

Mit der kontinuierlichen Weiterentwicklung künstlicher neuronaler Netze (ANNs) haben sie sich zu leistungsstarken Technologien zur Approximation komplizierter Funktionen entwickelt und in verschiedenen industriellen Anwendungen große Erfolge erzielt. Ein Auto-Encoder (AE), der einen Encoder und einen Decoder enthält, ist ein spezielles ANN-Modell, das Merkmale durch Minimierung des Rekonstruktionsfehlers auf unbeaufsichtigte Weise extrahiert. Die ursprünglichen Eingabedaten werden zunächst in einen niedrigdimensionalen Darstellungsraum abgebildet, um die am besten geeigneten Merkmale zu erhalten. Der Decoder ordnet dann die Merkmale im niedrigdimensionalen Darstellungsraum dem Eingaberaum zu. Der Verlustfehler zwischen dem ursprünglichen Eingang des Encoders und dem Ausgang des Decoders wird als Verlustfehler zum Trainieren des resultierenden Modells verwendet. Abbildung 1 zeigt eine bildliche Darstellung des Autoencoder-Netzwerkmodells.

Die bildliche Darstellung eines Autoencoder-Netzwerkmodells.

AEs und ihre Varianten22,23,24 wurden in verschiedenen Bereichen eingesetzt, beispielsweise bei der Fehlerdiagnose25,26, Smart Grids27 und Natural Language Processing (NLP)28. Allerdings können die durch die traditionelle AE extrahierten Merkmale die endgültige Unterscheidungsaufgabe möglicherweise nicht erfüllen29. Bei Zeitreihendaten mit mehreren Merkmalen ordnet die herkömmliche AE die ursprüngliche Eingabe den Lernmerkmalen direkt zu, dieser Prozess ignoriert jedoch die Beziehungen zwischen der Zeit und den Merkmalen. Darüber hinaus basieren zuvor entwickelte Methoden zur Merkmalsextraktion nicht auf den Anforderungen spezifischer Anwendungen, was zu extrahierten Merkmalen führt, die nicht auf realistische Anwendungsaufgaben anwendbar sind. In diesem Artikel wird ein Time Feature Attention (TFA)-Modul entwickelt, um die interne Beziehung zwischen verschiedenen Flugmomenten sowie die interne Beziehung zwischen verschiedenen Flugparametern zu erfassen. Auf dieser Grundlage wird eine TFA-basierte Faltungs-AE (TFA-CAE) vorgeschlagen, um eine Merkmalsextraktion von QAR-Flugzeitreihendaten durchzuführen. Der Rest dieses Papiers ist wie folgt gegliedert. Die in unserer Forschung verwendete Methodik wird im Abschnitt „Daten und Methodik“ vorgestellt, wobei die Details von TFA und TFA-CAE in den Abschnitten „TFA-Modul“ bzw. „TFA-CAE-Modell für die QAR-Merkmalsextraktion“ beschrieben werden. Im Abschnitt „Fallstudie“ werden die experimentellen Ergebnisse einer Fallstudie vorgestellt. Diese Studie ist im Abschnitt „Schlussfolgerung und Diskussion“ zusammengefasst.

Während des Fluges werden Flugzeuge im Allgemeinen von verschiedenen Faktoren beeinflusst, wie z. B. der äußeren meteorologischen Umgebung (Geschwindigkeit und Richtung des Windes, Temperatur und Luftdruck usw.), den Bedingungen des Flugzeugs selbst (Status des Triebwerks, Flugsteuerungseinstellungen usw.). .), Kompetenzen und Pilottechniken. Die komplexen Auswirkungen dieser Faktoren auf das Flugzeug sind konstant und schwanken während des Fluges30. Obwohl diese Faktoren ständig im Wandel sind, wandeln sich ihre Auswirkungen auf das Flugzeug schließlich in Änderungen der kinematischen und Fluglagenparameter des Flugzeugs um31. Daher wählen wir die Fluglage und die kinematischen Flugparameter aus, um die Merkmalsextraktion durchzuführen. Die Einzelheiten der in diesem Artikel verwendeten Flugparameter sind in Tabelle 1 aufgeführt.

Abbildung 2 zeigt die tödlichen Unfälle und Todesfälle an Bord in jeder Flugphase von 2008 bis 201732. Aus den statistischen Ergebnissen können wir ersehen, dass die Landephase nur 1 % der gesamten Flugzeit ausmachte, aber einen hohen Prozentsatz an tödlichen Unfällen und Todesfällen an Bord aufwies ( bis zu 24 % bzw. 20 %). Daher steht die Landephase im Mittelpunkt dieses Artikels.

Prozentsatz der tödlichen Unfälle und Todesfälle an Bord nach Flugphase von 2008 bis 201732.

Die spezifische Studienflugphase, auf die sich unsere Forschung konzentriert, ist in Abb. 3 dargestellt. Da die Landephasen, wie in Abb. 2 dargestellt, etwa 90 Sekunden dauern, wird in dieser Flugphase eine Stichprobendauer von 90 Sekunden verwendet. Konkret beginnen wir mit der Probenahme 90 s vor dem Aufsetzpunkt und beenden die Probenahme am Aufsetzpunkt. Für jeden Abtastzeitpunkt entsprechen die abgetasteten Werte allen in Tabelle 1 aufgeführten Flugparametern.

Schematische Darstellung des Datenerfassungsprozesses während der Landephasen.

Die Funktion des Aufmerksamkeitsmechanismus wurde in vielen früheren Studien umfassend nachgewiesen33,34,35,36,37,38,39,40. Der Aufmerksamkeitsmechanismus hilft einem Modell einerseits dabei, die wichtigsten Orte zu erkennen, auf die es sich konzentrieren muss, und erhöht andererseits den Repräsentationswert von Interessen40. In diesem Artikel möchten wir für bestimmte QAR-Zeitreihendaten angeben, wann (der Schlüsselzeitpunkt der QAR-Daten) und auf welche (die wichtigsten Flugparameter der QAR-Daten) wir uns konzentrieren und gleichzeitig ihre entsprechenden Darstellungswerte mit dem verbessern Einsatz eines Aufmerksamkeitsmechanismus. In diesem Artikel schlagen wir ein TFA-Modul vor, um auf der Grundlage einer effizienten Architektur sowohl Zeit als auch Feature-Aufmerksamkeit zu nutzen.

Das TFA-Modul enthält zwei Untermodule, das Time Attention Module (TAM) und das Feature Attention Module (FAM), die in sequentieller Reihenfolge zusammengestellt sind. Gegeben sei eine ursprüngliche QAR-Zeitreihe \(S\in {\mathbb{R}}^{F\times T}\), eine eindimensionale Zeitaufmerksamkeitskarte \({A}_{t}\in {\mathbb{ R}}^{1\times T}\) wird zunächst von TAM erzeugt und dann mit \(S\in {\mathbb{R}}^{F\times T}\) multipliziert, um die zeitverfeinerten Daten zu erzeugen \({S}^{\prime}\in {\mathbb{R}}^{F\times T}\). Unmittelbar danach nimmt das FAM zeitverfeinerte Daten \({S}^{\prime}\in {\mathbb{R}}^{F\times T}\) als Eingabe und leitet daraus eine eindimensionale Merkmalsaufmerksamkeitskarte ab \({A}_{f}\in {\mathbb{R}}^{F\times 1}\), der sofort mit \({S}^{\prime}\in {\mathbb{R }}^{F\times T}\), um die endgültigen verfeinerten Daten \(S^{\prime\prime}\in {\mathbb{R}}^{F\times T}\) zu erhalten. Abbildung 4 zeigt den gesamten Berechnungsprozess des TFA-Moduls, der wie folgt zusammengefasst werden kann:

wobei \(\odot \) für das Hadamard-Produkt steht. Während der Multiplikation werden Zeitaufmerksamkeitswerte entlang der Richtung der Dimension der Flugparameter gesendet, während die Werte der Merkmalsaufmerksamkeit entlang der Richtung der Zeitdimension gesendet werden. Die Abbildungen 5 und 6 zeigen die Übersichten des Time-Attention-Moduls bzw. des Feature-Attention-Moduls. Im weiteren Verlauf dieses Abschnitts werden wir die Details dieser beiden Module behandeln.

Übersicht über das TFA-Modul.

Übersicht über das Zeitaufmerksamkeitsmodul.

Übersicht über das Feature-Attention-Modul.

(1) Zeitaufmerksamkeitsmodul (TAM): Die Rolle des Zeitaufmerksamkeitsmoduls besteht darin, die wichtigen Momente der QAR-Zeitreihendaten hervorzuheben und die unnötigen Momente zu unterdrücken. Innerhalb des Zeitaufmerksamkeitsmoduls wird dies erreicht, indem das Darstellungsgewicht wichtiger Flugmomente erhöht und gleichzeitig das Darstellungsgewicht unnötiger Momente verringert wird. Um die Aufmerksamkeitskarte zu erstellen, nutzen wir die Beziehung zwischen den verschiedenen Flugmomenten der QAR-Daten. Da jeder Zeitpunkt der QAR-Daten als Zeitdetektor betrachtet wird, konzentriert sich die zeitliche Aufmerksamkeit auf die Zeitpunkte, die bei den eingegebenen QAR-Daten sinnvoll sind („wann“). Die Zeitaufmerksamkeit wird durch Sammeln und Komprimieren der Informationen der Merkmalsdimension von QAR-Daten berechnet. Hierzu wird ein Netzwerkmodul, nämlich Time Perceptron List (TPL), vorgeschlagen, um die Merkmalsinformationen zu aggregieren, wie in Abb. 5 dargestellt. Der detaillierte Betriebsprozess des Aufmerksamkeitsmoduls wird unten beschrieben.

Angesichts der ursprünglichen QAR-Daten \(S\in {\mathbb{R}}^{F\times T}\) als Eingabe verwendet TAM zunächst das TPL-Modul, um die Informationen der Merkmalsdimension von \(S\in {\ mathbb{R}}^{F\times T}\) und erzeugt einen Zeitkontextdeskriptor \({{\varvec{C}}}^{t}=\left\{{c}_{1}^{t },{c}_{2}^{t},\ldots ,{c}_{i}^{t},\ldots ,{c}_{n}^{t}\right\}\). Die TPL besteht aus mehreren einschichtigen Wahrnehmungen, die sequentiell entlang der Zeitachse angeordnet sind. Die Anzahl der mehrfachen einschichtigen Wahrnehmungen entspricht der Länge der QAR-Zeitreihe. Jedes einschichtige Perzeptron \({fc}_{i}\) wird verwendet, um die Merkmalsinformationen der QAR-Zeitreihe zum Zeitpunkt \(i\) zu sammeln und einen Kontextdeskriptor \({c}_{i}^) zu generieren {T}\). Um unsere Zeitaufmerksamkeitskarte \({A}_{t}\in {\mathbb{R}}^{1\times T}\) zu erstellen, wird der Zeitkontextdeskriptor dann an ein Multi-Layer Perceptron (MLP) weitergeleitet. Netzwerk mit einer verborgenen Schicht. Die Aktivierungsgröße der verborgenen Schicht wird auf \({\mathbb{R}}^{T/r\times 1}\) festgelegt, um den Overhead der Modellparameter zu reduzieren, und r ist das Reduktionsverhältnis. Nachdem die Zeitaufmerksamkeitskarte eine Sigmoidfunktion durchlaufen hat, wird sie mit der ursprünglichen QAR-Zeitreihe \(S\in {\mathbb{R}}^{F\times T}\) unter Verwendung des Hadamard-Produkts multipliziert, was zu einer Zeit- verfeinerte Daten \({S}^{\prime}\in {\mathbb{R}}^{F\times T}\). Kurz gesagt wird die Aufmerksamkeitszeit wie folgt berechnet:

wobei \(\sigma \) für die Sigmoidfunktion steht, \({W}_{0}^{MLP}\) und \({W}_{1}^{MLP}\) für die Gewichte der Funktion stehen MLP-Netzwerk, und auf \({W}_{0}^{MLP}\) folgt eine ReLU-Aktivierungsfunktion (Rectified Linear Unit). \({W}_{i}^{TPL}\) steht für das Gewicht von \({fc}_{i}\) im TPL.

(2) Feature-Attention-Modul (FAM): Die Rolle des Feature-Attention-Mechanismus besteht darin, sich darauf zu konzentrieren, „welche“ Features informativ sind. Es kann als Ergänzung zur Zeitaufmerksamkeit betrachtet werden, die die wichtigen Flugmerkmalsparameter zeitlich verfeinerter QAR-Daten hervorhebt und die unnötigen unterdrückt. Eine Merkmalsaufmerksamkeitskarte wird durch Ausnutzen der Beziehungen zwischen Merkmalen der gegebenen QAR-Daten erstellt. Jede Merkmalsreihe der QAR-Daten fungiert als Merkmalsdetektor und wird zur Berechnung ihres Merkmalsaufmerksamkeitswerts verwendet, indem ihre Informationen der Zeitdimension gesammelt und komprimiert werden. Ähnlich wie bei der Berechnung der Zeitaufmerksamkeit wird ein FPL-Modul (Feature Perceptron List) erstellt, um Merkmalsinformationen zu aggregieren, wie in Abb. 6 dargestellt.

Bei gegebenen zeitverfeinerten Daten \({S}^{\prime}\in {\mathbb{R}}^{F\times T}\) aggregieren wir zunächst die Merkmalsinformationen entlang der Zeitachse von \({S} ^{\prime}\in {\mathbb{R}}^{F\times T}\) unter Verwendung des FPL-Moduls, wodurch ein Feature-Kontextdeskriptor \({\mathbf{C}}^{f} = \{ c_{1}^{f} ,c_{2}^{f} , \ldots ,c_{j}^{f} , \ldots ,c_{m}^{f} \}\). Alle einschichtigen Wahrnehmungen sind entlang der Merkmalsachse angeordnet, und jedes einschichtige Perzeptron \({fc}_{j}\) im FPL-Modul wird verwendet, um die Merkmalsinformationen entlang der Zeitachse des \(j) zu sammeln \) die Funktion. Der Feature-Kontextdeskriptor wird dann auch an ein neues Netzwerk weitergeleitet, das aus einem MLP mit einer verborgenen Schicht besteht, wodurch eine Feature-Attention-Map \({A}_{f}\in {\mathbb{R}}^{F\times 1 }\). Die Aktivierungsgröße der verborgenen Schicht wird auf \({\mathbb{R}}^{F/r\times 1}\) festgelegt, um den Overhead der Modellparameter zu reduzieren, wobei r das Reduktionsverhältnis ist. Nachdem die Feature-Map eine Sigmoidfunktion durchlaufen hat, wird sie mit zeitlich verfeinerten Daten \({S}^{\prime}\in {\mathbb{R}}^{F\times T}\) unter Verwendung des Hadamard-Produkts multipliziert. Dies führt zu den endgültigen verfeinerten Daten \({S}^{"}\in {\mathbb{R}}^{F\times T}\). Kurz gesagt, die Merkmalsaufmerksamkeit wird wie folgt berechnet:

wobei \(\sigma \) für die Sigmoidfunktion steht, \({W}_{0}^{MLP}\) und \({W}_{1}^{MLP}\) für die Gewichte der Funktion stehen MLP-Netzwerk und auf \({W}_{0}^{MLP}\) folgt eine ReLU-Aktivierungsfunktion. \({W}_{j}^{FPL}\) steht für das Gewicht von \({fc}_{j}\) in der FPL.

AE-Architekturen, einschließlich Convolutional Neural Network AEs (CNN-AEs) und Recurrent Neural Network AEs (RNN-AEs), haben sich als leistungsstarke nichtlineare Merkmalsextraktionsmodelle erwiesen, die sich sowohl durch Flexibilität als auch Vielfalt auszeichnen. Typischerweise bestimmt die Art der Eingabedaten die Auswahl der Modellarchitektur. Bisher wurde allgemein angenommen, dass RNN-basierte AEs die bevorzugte Wahl für den Umgang mit Zeitreihendaten waren, während CNN-basierte AEs für Bilddaten bevorzugt wurden. Dennoch wurde kürzlich gezeigt, dass CNN-basierte AEs allgemeine RNN-basierte AEs bei Zeitreihendaten übertreffen41. Mit komplexen Strukturen sind CNNs in der Lage, umfangreichere und kompliziertere verborgene Merkmale aus hochdimensionalen Daten zu extrahieren als RNNs42. Daher werden CNNs ausgewählt, um unser AE-Modell zu erstellen und Flugmerkmale aus QAR-Daten zu extrahieren.

In diesem Artikel erstellen wir ein TFA-CAE-Netzwerkmodell (Time-Feature Attention-based Convolutional Auto-Encoder) zum Extrahieren von Flugmerkmalen aus QAR-Zeitreihendaten. Abbildung 7 zeigt die Details des TFA-CAE-Modells, einschließlich seiner speziellen Struktur und Parameter. Das TFA-CAE-Modell besteht im Wesentlichen aus drei Teilen: dem TFA-Modul, einem Encoder und einem Decoder, wobei auf das TFA-Modul ein CAE folgt. Der Gesamtablauf des TFA-CAE-Modells wird unten beschrieben.

Die besondere Struktur und Parameter des TFA-CAE-Modells.

Das TFA-Modul wird zunächst auf die ursprünglichen QAR-Daten angewendet und erzeugt die endgültigen verfeinerten Zeitreihendaten. Im Encoder werden mehrere Faltungsschichten und Max-Pooling-Schichten ineinander verschachtelt gestapelt, um hierarchische Merkmale zu extrahieren. Ein 1D-Vektor wird durch Abflachen aller Einheiten innerhalb der Ausgabe der letzten Faltungsschicht erzeugt und dann von den beiden nachfolgenden vollständig verbundenen Schichten in einen niedrigdimensionalen Merkmalsraum (latenten Raum) umgewandelt. Der Decoder ist als symmetrische Form zum Encoder konzipiert und besteht aus mehreren Unmax-Pooling- und Entfaltungsschichten, die ineinander verschachtelt gestapelt sind, um die ursprünglichen QAR-Daten aus den latenten Merkmalen zu rekonstruieren. Darüber hinaus werden während des Trainingsprozesses des TFA-CAE-Modells die Indizes jeder Max-Pool-Schicht im Encoder der symmetrischen Unmax-Pooling-Schicht im Decoder zugeführt, um ein Upsampling durchzuführen. Die Parameter des Modells werden durch Rückausbreitung des Fehlerverlusts zwischen den ursprünglichen QAR-Daten und der rekonstruierten Ausgabe des Decoders optimiert.

In diesem Artikel werden die Flugdatensätze, die auf den Flughäfen Kunming Changshui International (ICAO: ZPPP, im Folgenden) und Lhasa Gonggar International (ICAO: ZULS, im Folgenden) landen, als experimentelle Daten für unsere Fallstudie verwendet. Der Datensatz enthält 12.176 Flüge, und alle Flüge werden auf die in Abb. 3 gezeigte Weise extrahiert. Alle Flüge werden mit den in Tabelle 1 aufgeführten Flugparametern abgetastet. Nach der Standardisierung durch Min-Max-Normalisierung teilen wir den Datensatz in ein Training auf Datensatz zum Trainieren des Modells, ein Validierungsdatensatz, um zu bestimmen, wann der Modelltrainingsprozess gestoppt werden soll, und ein Testdatensatz, um die Leistung des Modells zu bewerten. Der Datensatz ist im Verhältnis 6:2:2 aufgeteilt. Tabelle 2 zeigt die Details der Aufteilung jedes Datensatzes.

Selbstaufmerksamkeit43 wurde als bekannte Variante des Aufmerksamkeitsmechanismus mit dem Ziel vorgeschlagen, die internen Beziehungen von Daten oder Merkmalen zu erfassen und hat in verschiedenen Anwendungen, wie beispielsweise der Übersetzung, große Leistung gezeigt. Dies ähnelt der Idee unseres in diesem Artikel vorgeschlagenen TFA-Moduls. In den Experimenten dieses Artikels erstellen wir auch ein auf Selbstaufmerksamkeit basierendes CAE-Modell (SA-CAE), um Flugmerkmale zu extrahieren. Darüber hinaus haben wir zum Vergleich mit dem TFA-CAE-Modell auch traditionelle CAE-, Gate-Recurrent-Unit-basierte Auto-Encoder- (GRU-AE) und TFA-GRU-AE-Modelle übernommen. Zum Erstellen und Trainieren aller oben genannten Modelle wird das PyTorch Deep Learning Framework (Version 1.11) verwendet. Darüber hinaus wird für die Optimierung aller Modelle der Adaptive Moment Estimation (Adam)-Optimierer eingesetzt. Die Stapelgröße der QAR-Trainingsdaten ist auf 32 und die Lernrate auf 0,0001 festgelegt. Während der Trainingsprozesse aller Netzwerkmodelle führen wir einen Frühstoppmechanismus ein, um zu entscheiden, wann das Training der Modelle beendet werden soll. Seine Geduld ist auf 15 eingestellt, was bedeutet, dass der Modelltrainingsprozess gestoppt wird, wenn der im Validierungssatz verursachte Fehlerverlust nach 15 Epochen nicht mehr abnimmt. Darüber hinaus sind die Reduktionsverhältnisse für Zeitaufmerksamkeit und Merkmalsaufmerksamkeit auf 16 bzw. 4 festgelegt.

Bemerkenswert ist, dass ein kleiner Teil der anormalen Flüge vom üblichen Flugmuster im Datensatz abwich, was auf raue äußere atmosphärische Umgebungen, unsachgemäße Pilotenbedienung und Fehlfunktionen des Flugzeugs selbst zurückzuführen sein kann. Um die Verzerrung dieser anomalen Flüge auf dem Modell während des Trainingsprozesses zu minimieren, verwenden wir daher die Huber-Verlustfunktion44 mit geringerer Anomalieempfindlichkeit, um den Fehlerverlustwert zu berechnen. Die Huber-Verlustfunktion ist in Gleichung dargestellt. (4):

wobei \(yf(x)\) das Residuum und \(\delta \) der Schwellenwertparameter ist. Wenn das Residuum größer als \(\delta \) ist, verwendet die Huber-Verlustfunktion die Funktion „Mean Absolute Error“ (MAE), um den Verlustfehler zu berechnen; andernfalls wird die Funktion „Mean Squared Error“ (MSE) zur Berechnung des Verlustfehlers verwendet. Die Einstellung von \(\delta \) bestimmt, wie Anomalien angezeigt werden. Beim Modelltraining wird jedes Modell mehrmals trainiert, wobei \(\delta \) zwischen 0,1 und 1 liegt; die Schrittweite beträgt 0,1. Die Einstellung von \(\delta \) wird entschieden, wenn der durchschnittliche Verlustwert der Testdaten zunächst abnimmt und danach stabil bleibt. Schließlich werden die Werte von \(\delta \) für das Modell auf 0,5 gesetzt.

Wie im Abschnitt „Einführung“ zum AE-Netzwerkmodell beschrieben, verwendet die AE den Encoder, um die ursprüngliche Eingabe auf die Merkmalsdarstellung im latenten Raum abzubilden, und den Decoder, um die ursprüngliche Eingabe mit der Merkmalsdarstellung zu rekonstruieren. Daher weist ein geringerer Fehlerverlust auf eine bessere Merkmalsdarstellung aus den ursprünglichen QAR-Daten hin. In diesem Artikel werden alle AE-Modelle mit mehreren Dimensionen des latenten Raums trainiert. Die durchschnittlichen Verlustwerte aller Modelle sind in Abb. 8 dargestellt. Durch den Vergleich der durchschnittlichen Verlustwerte der Modelle können wir zunächst erkennen, dass die CAE-Modelle repräsentativere Flugmerkmale extrahieren können als die GRU-AE-Modelle, da dies bei den CAE-Modellen der Fall ist kleinere durchschnittliche Verlustwerte als die GRU-AE-Modelle. Das TFA-Modul hilft den Modellen, repräsentativere Flugmerkmale zu extrahieren. Die AE-Modelle mit TFA-Modul haben kleinere durchschnittliche Verlustwerte als die entsprechenden Modelle ohne TFA-Modul. Das TFA-CAE-Modell übertrifft die anderen Modelle in Bezug auf die Extraktion von Flugmerkmalen aus QAR-Daten, da es die kleinsten durchschnittlichen Verlustwerte erreicht, wie in Abb. 8 dargestellt.

Vergleich zwischen den durchschnittlichen Verlustwerten der Modelle im Testdatensatz.

Wenn in unserer Fallstudie die Größe des latenten Raums (extrahierte Features) auf 2 eingestellt ist, können wir die Ergebnisse der extrahierten Flugfeatures visualisieren. Das Visualisierungsergebnis der von den CAE- und GRU-AE-Modellen und der PCA während der Landephase extrahierten Flugmerkmale ist in Abb. 8 dargestellt. Alle von jedem einzelnen Modell extrahierten Flugmerkmale sind mit ihren unterschiedlichen Flugmustern, aufgeteilt nach dem Kopfwinkel, gekennzeichnet (magnetischer Nordpol).

Anhand der vier in Abb. 9a – f gezeigten Flugmuster können wir erkennen, dass sowohl CAE- als auch GRU-Modelle die PCA-Methode bei der Erkennung von Flugmustern in den extrahierten Flugmerkmalen übertreffen, da sie nicht klar sind. Darüber hinaus sind die traditionellen CAE- und SA-CAE-Modelle nicht eindeutig Modelle können repräsentativere Flugmerkmale aus den ursprünglichen QAR-Daten extrahieren als GUR-AE- und TFA-GRU-AE-Modelle. Die Aufteilung der Flugmuster in Abb. 9e und f ist jedoch viel klarer als in Abb. 9b und c. Die herkömmlichen CAE- und SA-CAE-Modelle sind den GRU-AE- und TFA-GRU-AE-Modellen bei der Identifizierung unterschiedlicher Flugmuster unterlegen . Darüber hinaus hilft das TFA-Modul sowohl CAE- als auch GRU-AE-Modellen, die Flugmuster klar zu unterteilen, indem es Abb. 9a, f mit Abb. 9c, e vergleicht.

Ergebnisse der Flugmerkmalsextraktion während der Landephase. Wie dargestellt, ist Teilfigur (a) das Flugmerkmalsergebnis, das von unserem TFA-CAE-Modell extrahiert wurde; (b) ist das vom SA-CAE extrahierte Flugmerkmalsergebnis; (c) ist das vom CAE extrahierte Flugmerkmalsergebnis; (d) ist das durch PCA extrahierte Flugmerkmalsergebnis; (e) und (f) sind die Flugmerkmalsergebnisse von GRU-AE bzw. TFA-GRU-AE.

Darüber hinaus sind, wie in Abb. 9a dargestellt, die Flugobjekte innerhalb des spärlichen Bereichs um jedes Flugmuster klar getrennt und werden allgemein als anomale Flüge betrachtet, die vom gemeinsamen Flugmuster abweichen. Insgesamt kann das in diesem Artikel vorgeschlagene TFA-CAE-Modell repräsentativere Flugmerkmale extrahieren und ein besseres Ergebnis bei der Entdeckung von Flugmustern und deren Aufteilung erzielen, was eine gut etablierte Technik für die weitere Nutzung von QAR-Daten, beispielsweise zum Flugrisiko, darstellt Erkennung oder FOQA.

Aus Zeit- und Funktionsgründen kann sich die Anordnungsreihenfolge dieser beiden Untermodule auf die Gesamtleistung auswirken, da jedes Modul unterschiedliche Funktionen hat. In diesem Abschnitt vergleichen wir die beiden verschiedenen Arten der Anordnung der Zeit- und Feature-Aufmerksamkeits-Submodule: sequentielle Zeit-Feature- und sequentielle Feature-Zeit-Nutzung beider Aufmerksamkeitsmodule. Für den Vergleich mit dem TFA-CAE-Modell wurde ein auf Feature-Time Attention basierendes CAE-Modell (FTA-CAE) erstellt und trainiert. Der Vergleich des durchschnittlichen Verlustwerts zwischen TFA-CAE- und FTA-CAE-Modellen ist in Abb. 10 dargestellt. Aus dem Ergebnis können wir ersehen, dass der durchschnittliche Verlustwert des FTA-CAE-Modells größer ist als der des TFA-CAE-Modells , Zeit-Feature-Aufmerksamkeit übertrifft Feature-Zeit-Aufmerksamkeit in Bezug auf die Unterstützung des CAE-Modells beim Extrahieren von Flugmerkmalen.

Vergleich der durchschnittlichen Verlustwerte zwischen TFA-CAE- und FTA-CAE-Modellen.

Darüber hinaus werden die Visualisierungsergebnisse der von den FTA-CAE- und TFA-CAE-Modellen extrahierten Flugmerkmale in Abb. 11 verglichen. Wie in Abb. 11b gezeigt, ist das FTA-CAE-Modell in der Lage, die vier Flugmuster innerhalb des extrahierten Fluges zu erkennen Merkmale. Durch den Vergleich von Abb. 11a und b übertrifft das TFA-CAE-Modell das FTA-CAE-Modell hinsichtlich der Aufteilung der Flugmuster, da die Flugmuster \({P}_{2}\) und \({P}_{ 3}\) sind in Abb. 11b nicht klar unterteilt. Allerdings übertrifft das FTA-CAE-Modell die SA-CAE- und CAE-Modelle bei der Aufteilung der Flugmuster; Die Aufteilung dieser vier Flugmuster in Abb. 11b ist deutlicher als in Abb. 9b und c.

Ergebnisse der Flugmerkmalsextraktion während der Landephase. Wie dargestellt, ist Teilfigur (a) das vom TFA-CAE-Modell extrahierte Flugmerkmalsergebnis, während (b) das vom FTA-CAE-Modell extrahierte Flugmerkmalsergebnis ist.

Durch die obigen Vergleiche können wir lernen, dass (1) die Kombination von Zeit- und Merkmalsaufmerksamkeiten dem CAE-Modell dabei helfen kann, repräsentativere Flugmerkmale aus QAR-Daten zu extrahieren, und (2) das sequentielle Zeitmerkmalsaufmerksamkeitsmodul besser ist als das sequentielle Merkmalsaufmerksamkeitsmodul. Zeitaufmerksamkeitsmodul. Unser letztes Aufmerksamkeitsmodul und TFA-CAE-Modell sind in den Abbildungen dargestellt. 4 bzw. 7.

Um die durch ihre hochdimensionalen und hochfrequenten Eigenschaften verursachten Schwierigkeiten beim Mining von QAR-Daten anzugehen, schlagen wir in diesem Artikel ein TFA-CAE-Netzwerkmodell zur Durchführung der Flugmerkmalsextraktion vor, indem im Wesentlichen die internen Beziehungen zwischen verschiedenen Flugphasen erfasst werden verschiedene Sätze von Flugparametern. Zum Vergleich wurden auch der klassische PCA-Ansatz, das traditionelle CAE-Netzwerk, ein SA-CAE- und ein GRU-AE-Netzwerkmodell mit demselben QAR-Datensatz durchgeführt. Die Ergebnisse zeigen, dass unser TFA-CAE-Modell repräsentativere Flugmerkmale extrahieren und gleichzeitig klar voneinander getrennte Flugmuster auf Landebahnebene entdecken kann. Darüber hinaus werden innerhalb der extrahierten Flugmerkmale die anomalen Flüge, die vom üblichen Flugmuster abweichen, klar von ihren entsprechenden Flugmustern getrennt. Das TFA-CAE-Modell bietet eine bewährte Technik für die weitere Nutzung von QAR-Daten, beispielsweise zur Flugrisikoerkennung oder FOQA.

Der Luftverkehr spielt im Transportwesen eine immer beliebtere und unersetzliche Rolle, und die Flugsicherheit war schon immer ein entscheidender Schwerpunkt im Sicherheitsmanagement der Zivilluftfahrt. Mit der Erwartung, dass in Zukunft mehr Flüge starten werden, steht das Flugsicherheitsmanagement vor immer größeren und neuen Herausforderungen. Um diesen Herausforderungen zu begegnen und die Flugsicherheit weiter zu verbessern, wurde im Sicherheitsmanagement der Zivilluftfahrt eine Verlagerung von der Untersuchung und Analyse nach Unfällen hin zur Warnung vor Unfällen vorgenommen. Als Reaktion auf eine solche Anforderung ist die Zivilluftfahrt bestrebt, potenzielle Flugunfälle wirksam zu verhindern, bevor sie auftreten, indem sie auf innovative und proaktive Weise betrieblich bedeutsame Sicherheitsereignisse identifiziert, die derzeit nicht erfasst werden. Durch den angemessenen Umgang mit diesen potenziellen Flugsicherheitsvorfällen wird die Unfallrate pro Jahr auf dem niedrigsten historischen Niveau bleiben. QAR-Daten bieten eine effektive Möglichkeit, die Qualitätssicherung des Flugbetriebs (FOQA) zu erreichen. Da QAR-Daten an Bord aufgezeichnete Flugdaten sind und viele verschiedene Arten von Flugparametern aufzeichnen, spiegeln sie verschiedene reale Flugsituationen wider, die während des Flugprozesses auftreten, mit Faktoren wie den tatsächlichen Grundfähigkeiten und Fertigkeiten des Piloten, den tatsächlichen Flugmustern und der Leistung des Flugzeugs selbst und der möglichen Flugstörungen oder -anomalien. Riesige und umfangreiche Flug-Big-Data-Daten bieten eine vollständige Datenbank für die Untersuchung von Flugrisiken und Deep-Learning-Methoden. Mit der kontinuierlichen Weiterentwicklung von ANNs wird die Kombination aus großen QAR-Daten und Deep Learning eine wichtige und effektive Methode für das Flugsicherheitsmanagement darstellen.

Wir haben jedoch nur einen zweidimensionalen Zeitreihendatensatz als Eingabe des TFA-CAE-Modells ausprobiert, was bei der Bereitstellung komplexerer Daten problematisch sein könnte. Daher könnte in Zukunft mit einer allgemeineren technischen Architektur zum Extrahieren von Flugmerkmalen aus Zeitreihendaten variabler Länge gerechnet werden. Darüber hinaus beschränkt sich die Bewertung auf eine einfache Fallstudie mit QAR-Daten, die von zwei spezifischen Flughäfen gesammelt wurden. Für die Verallgemeinerung und Perfektionierung der in dieser Studie vorgeschlagenen Techniken sind weitere Experimente und Vergleiche mit mehr Datensätzen und Basistechniken erforderlich. Darüber hinaus sind die automatische Erkennung gängiger Flugmuster und die Erkennung anomaler Flüge oder Risiken zwei Zukunftsthemen, die ein gezielteres Flugsicherheitsmanagement ermöglichen können.

Daten, die die Ergebnisse dieser Studie stützen, sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Dhief, I. et al. Vorhersage der Landezeit von Flugzeugen im erweiterten TMA mithilfe von Methoden des maschinellen Lernens. In Proceedings of the 9th International Conference for Research in Air Transportation (ICRAT), Tampa, FL, USA, 23–26 (2020).

Wang, Z., Liang, M. & Delahaye, D. Automatisierte datengesteuerte Vorhersage der geschätzten Ankunftszeit von Flugzeugen. J. Air Transp. Geschäftsführer 1(88), 101840 (2020).

Artikel Google Scholar

Wang, Z., Liang, M. & Delahaye, D. Ein hybrides maschinelles Lernmodell für die kurzfristige Vorhersage der geschätzten Ankunftszeit im Terminalmanöverbereich. Transport. Res. Teil C Emerg. Technol. 1(95), 280–294 (2018).

Artikel Google Scholar

Gionis, A., Indyk, P. & Motwani, R. Ähnlichkeitssuche in hohen Dimensionen mittels Hashing Vol. 8, nein. 2, 518–529 (1999).

Madan, A. & Gupta, D. Extraktion und Klassifizierung von Sprachmerkmalen: Eine vergleichende Übersicht. Int. J. Comput. Appl. 90(9), 20–25 (2014).

Google Scholar

Tutz, G. & Gertheiss, J. Merkmalsextraktion in der Signalregression: Eine Boosting-Technik für die funktionale Datenregression. J. Comput. Graph. Stat. 19(1), 154–174 (2010).

Artikel MathSciNet Google Scholar

Aparna, UR & Paul, S. Merkmalsauswahl und -extraktion im Data Mining. Im Jahr 2016 Online International Conference on Green Engineering and Technologies (IC-GET) 1–3 (IEEE, 2016).

Suresh, R. & Harshni, SR Data Mining und Text Mining – eine Umfrage. Internationale Konferenz zur Berechnung von Energie, Energie, Information und Kommunikation (ICCPEIC), 412–419 (IEEE, 2017).

Widodo, A. & Yang, BS Anwendung nichtlinearer Merkmalsextraktion und Support-Vektor-Maschinen zur Fehlerdiagnose von Induktionsmotoren. Expertensystem. Appl. 33(1), 241–250 (2007).

Artikel Google Scholar

Zhang, J., Li, RX, Han, P., Wang, DF und Yin, XC Wavelet-Paket-Feature-Extraktion zur Vibrationsüberwachung und Fehlerdiagnose von Turbogeneratoren. In Proceedings of the 2003 International Conference on Machine Learning and Cybernetics (IEEE Cat. No. 03EX693), Band 1, 76–81 (IEEE, 2003).

Saravanan, N. & Ramachandran, KI Anfängliche Getriebefehlerdiagnose mithilfe der diskreten Wavelet-Transformation (DWT) zur Merkmalsextraktion und -klassifizierung mithilfe eines künstlichen neuronalen Netzwerks (ANN). Expertensystem. Appl. 37(6), 4168–4181 (2010).

Artikel Google Scholar

Lin, J. & Qu, L. Merkmalsextraktion basierend auf Morlet-Wavelet und seine Anwendung zur mechanischen Fehlerdiagnose. J. Sound Vib. 234(1), 135–148 (2000).

Artikel ADS Google Scholar

Wold, S., Esbensen, K. & Geladi, P. Hauptkomponentenanalyse. Chemom. Intel. Labor. Syst. 2, 37–52 (1987).

Artikel CAS Google Scholar

Demšar, U., Harris, P., Brunsdon, C., Fotheringham, AS & McLoone, S. Hauptkomponentenanalyse von Geodaten: Ein Überblick. Ann. Assoc. Bin. Geogr. 103(1), 106–128 (2013).

Artikel Google Scholar

Tipping, ME & Bishop, CM Probabilistische Hauptkomponentenanalyse. JR-Stat. Soc. Ser. B-Stat. Methodol. 61(3), 611–622 (1999).

Artikel MathSciNet MATH Google Scholar

Izenman, A. J Lineare Diskriminanzanalyse. In Modern Multivariate Statistical Techniques 237–280 (Springer, 2013).

Kapitel Google Scholar

Ye, J., Janardan, R. & Li, Q. Zweidimensionale lineare Diskriminanzanalyse. Adv. Neuronale Inf. Verfahren. Syst. 17 (2004).

Schölkopf, B., Smola, A. & Müller, KR Kernel-Hauptkomponentenanalyse. In International Conference on Artificial Neural Networks, 583–588 (Springer, 1997).

Lee, JM, Yoo, C., Choi, SW, Vanrolleghem, PA & Lee, IB Nichtlineare Prozessüberwachung mithilfe der Kernel-Hauptkomponentenanalyse. Chem. Ing. Wissenschaft. 59(1), 223–234 (2004).

Artikel CAS Google Scholar

Chin, TJ & Suter, D. Inkrementelle Kernel-Hauptkomponentenanalyse. IEEE Trans. Bildprozess. 16(6), 1662–1674 (2007).

Artikel ADS MathSciNet PubMed Google Scholar

Luo, X., Li, X., Wang, Z. & Liang, J. Diskriminanter Autoencoder zur Merkmalsextraktion bei der Fehlerdiagnose. Chemom. Intel. Labor. Syst. 15(192), 103814 (2019).

Artikel Google Scholar

Navamani, TM Effiziente Deep-Learning-Ansätze für die Gesundheitsinformatik. In Deep Learning and Parallel Computing Environment for Bioengineering Systems, 123–137 (Academic Press, 2019).

Arul, VH Deep-Learning-Methoden zur Datenklassifizierung. In Artificial Intelligence in Data Mining, 87–108 (Academic Press, 2021).

Kunapuli, SS & Bhallamudi, PC Ein Überblick über Deep-Learning-Modelle für die medizinische Diagnose. Mach. Lernen. Big Data IoT Med. Informieren. 1, 389–404 (2021).

Google Scholar

Jiang, L., Ge, Z. & Song, Z. Halbüberwachte Fehlerklassifizierung basierend auf einem dynamischen, spärlich gestapelten Auto-Encoder-Modell. Chemom. Intel. Labor. Syst. 15(168), 72–83 (2017).

Artikel Google Scholar

Sun, W. et al. Ein auf einem spärlichen Auto-Encoder basierender tiefer neuronaler Netzwerkansatz zur Klassifizierung von Induktionsmotorfehlern. Messung 1(89), 171–178 (2016).

Artikel ADS Google Scholar

Chen, K., Hu, J. & He, J. Ein Framework zum automatischen Extrahieren von Überspannungsmerkmalen basierend auf einem Sparse-Autoencoder. IEEE Trans. Smart Grid 9(2), 594–604 (2016).

Artikel Google Scholar

Li, J., Luong, MT & Jurafsky, D. Ein hierarchischer neuronaler Autoencoder für Absätze und Dokumente. (2015). arXiv:1506.01057.

Snoek, J., Adams, RP & Larochelle, H. Nichtparametrische Führung von Autoencoder-Darstellungen mithilfe von Etiketteninformationen. J. Mach. Lernen. Res. (2012).

Wang, L., Wu, C. & Sun, R. Eine Analyse der Flugdaten des Quick Access Recorders (QAR) und ihrer Anwendungen zur Verhinderung von Landungsvorfällen. Zuverlässig. Ing. Syst. Sicher. 127, 86–96 (2014).

Artikel Google Scholar

Robert, FS Flight Dynamics (Princeton University Press, 2015).

Google Scholar

Jasra, SK, Valentino, G., Muscat, A., Zammit-Mangion, D. & Camilleri, R. Bewertung von Flugparametern während der Anflug- und Landephase durch Anwendung der Hauptkomponentenanalyse. Im AIAA Scitech 2020 Forum, 0674 (2020).

Mnih, V., Heess, N. & Graves, A. Wiederkehrende Modelle visueller Aufmerksamkeit. In Fortschritte in neuronalen Informationsverarbeitungssystemen 2204–2212 (Curran Associates, Inc., 2014).

Google Scholar

Ba, J., Mnih, V. & Kavukcuoglu, K. Mehrfachobjekterkennung mit visueller Aufmerksamkeit. (2014) arXiv:1412.7755.

Bahdanau, D., Cho, K. & Bengio, Y. Neuronale maschinelle Übersetzung durch gemeinsames Erlernen des Ausrichtens und Übersetzens. (2014) arXiv:1409.0473.

Xu, K. et al. Zeigen, dabei sein und erzählen: Neuronale Bildunterschriftengenerierung mit visueller Aufmerksamkeit. In Proceedings of the International Conference on Machine Learning, Lille, Frankreich, 6.–11. Juli 2015, 2048–2057 (2015).

Liu, M., Li, L., Hu, H., Guan, W. & Tian, ​​J. Generierung von Bildunterschriften mit doppeltem Aufmerksamkeitsmechanismus. Inf. Verfahren. Geschäftsführer 57, 102178 (2020).

Artikel Google Scholar

Jaderberg, M., Simonyan, K. & Zisserman, A. Räumliche Transformatornetzwerke. (2015) arXiv:1506.02025.

Hu, J., Shen, L. & Sun, G. Squeeze-and-Excitation-Netzwerke. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT, USA, 18.–23. Juni 2018, S. 7132–7141 (2018).

Woo, S. et al. Cbam: Faltungsblock-Aufmerksamkeitsmodul. In Proceedings of the European Conference on Computer Vision (ECCV), München, Deutschland, 8.–14. September 2018, 3–19 (2018).

Bai, S., Kolter, JZ & Koltun, V. Eine empirische Bewertung generischer Faltungs- und wiederkehrender Netzwerke für die Sequenzmodellierung (2018) arXiv:1803.01271.

Gorokhov, O., Petrovskiy, M. & Mashechkin, I. Faltungs-Neuronale Netze zur unbeaufsichtigten Anomalieerkennung in Textdaten. In Proceedings of the International Conference on Intelligent Data Engineering and Automated Learning, Guilin, China, 30. Oktober–1. November 2017, 500–507 (Springer, 2017).

Vaswani, A. et al. Aufmerksamkeit ist alles, was Sie brauchen. Adv. Neuronale Inf. Verfahren. Syst. 30 (2017).

Peter, JH Robuste Schätzung eines Standortparameters. In Breakthroughs in Statistics 492–518 (Springer, 1992).

Google Scholar

Referenzen herunterladen

Wir danken der National Natural Science Foundation of China (Nr. U2033216; Nr. 42071368), dem Hubei Provincial Key Research and Development Program (2021BAA185) und den Fundamental Research Funds for the Central Universities, China (Grant No. 2042022dx0001).

Fakultät für Fernerkundung und Informationstechnik, Universität Wuhan, Wuhan, 430079, China

Qixin Wang, Kun Qin und Binbin Lu

Ingenieur- und technisches Forschungszentrum für Sicherheitsanalyse und -prävention in der Zivilluftfahrt, China Academy of Civil Aviation Science and Technology, Peking, 100028, China

Huabo Sun & Ping Shu

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Konzeptualisierung, BL und KQ; Methodik, QW; Software, QW; Validierung, HS, BL und PS; formale Analyse, QW; Untersuchung, QW; Ressourcen, HS; Datenkuration, HS; Schreiben – Originalentwurfsvorbereitung, QW; Schreiben – Überprüfen und Bearbeiten, BL; Visualisierung, QW; Aufsicht, KQ; Projektadministration, BL; Finanzierungseinwerbung, BL Alle Autoren haben die veröffentlichte Version des Manuskripts gelesen und sind damit einverstanden.

Korrespondenz mit Binbin Lu.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Wang, Q., Qin, K., Lu, B. et al. Zeitmerkmals-aufmerksamkeitsbasierter Faltungs-Auto-Encoder für die Extraktion von Flugmerkmalen. Sci Rep 13, 14175 (2023). https://doi.org/10.1038/s41598-023-41295-y

Zitat herunterladen

Eingegangen: 16. Mai 2023

Angenommen: 24. August 2023

Veröffentlicht: 30. August 2023

DOI: https://doi.org/10.1038/s41598-023-41295-y

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.