The present invention relates to an unsupervised evaluation method of spatial complexity. The steps are as follows: to obtain original complexity samples by processing sector operation data, each sample corresponds to the operation situation of a sector in a certain period of time, and to map the original complexity samples into infinite dimensional reproducing kernel Hilbert space by using the kernel principal component analysis method KCPA, and then map these infinite dimensional samples into infinite dimensional reproducing kernel Hilbert space. This paper transforms it into a low-dimensional subspace that maximizes the amount of complexity evaluation information, and extracts m principal components of the contribution rate to satisfy the user's needs. Then a clustering algorithm with adjustable input parameters is designed. Based on the characteristics of the sector to be evaluated, users can configure the number of complexity levels, the proportion of samples of each complexity level and the initial clustering center according to their needs. Finally, the unsupervised evaluation of spatial complexity is completed by clustering the results of each original sample hierarchy.
【技术实现步骤摘要】
一种空域复杂度无监督评估方法
本专利技术属于空域复杂度评估领域,具体涉及一种空域复杂度无监督评估方法。
技术介绍
空域复杂度评估作为衡量空域运行态势、管制员工作压力的关键手段,是航空交通运行调控的基础。由于影响因素众多,不同因素间耦合关联复杂,且标定样本很难获取,空域复杂度的准确评估被公认为航空领域的挑战性问题。针对空域复杂度评估,国内外学者提出了多种方法,包括米兰理工大学Prandini教授等[[1]PrandiniM,HuJH.Aprobabilisticapproachtoairtrafficcomplexityevaluation[C]//ProceedingsoftheJoint48thIEEEConferenceonDecisionandControland28thChineseControlConference,Shanghai,China,December16-18,2009.]提出的航班冲突概率指标、法国国立民航大学Delahaye教授等[[2]PuechmorelS,DelahayeD.Newtrendsinairtrafficcomplexity[C]//Proceedingsofthe2009ENRIInternationalWorkshoponATM/CNS(EIWAC),Tokyo,Japan,March5-6,2009.]提出的Lyapunov指数指标,但计算角度的单一性导致对复杂度的度量较为片面。此外还有如Gianazza教授[[3]GianazzaD.Forecastingworkloadandairspaceconfig ...
【技术保护点】
1.一种空域复杂度无监督评估方法,其特征在于,包括:样本数据KPCA降维、主成分聚类步骤;第一步,从扇区运行数据中得到原始复杂度样本,其中每一条样本对应某一扇区在某一时段内的运行态势,利用核主成分分析方法即KCPA,将原始复杂度样本非线性映射至无限维的再生核希尔伯特空间中,再将这些无限维样本转换至最大化复杂度评估信息量的低维子空间中,最后从中抽取出满足用户需求贡献率的m个主成分,即各条原始样本被降维成m维样本;第二步,针对降维样本集,设计一种多种输入参数可调的聚类算法,用户基于所要评估的扇区运行特点按需配置复杂度等级数量、各复杂度等级样本比例以及初始聚类中心,得到各个原始样本等级聚类结果,最终完成空域复杂度无监督评估。
【技术特征摘要】
1.一种空域复杂度无监督评估方法,其特征在于,包括:样本数据KPCA降维、主成分聚类步骤;第一步,从扇区运行数据中得到原始复杂度样本,其中每一条样本对应某一扇区在某一时段内的运行态势,利用核主成分分析方法即KCPA,将原始复杂度样本非线性映射至无限维的再生核希尔伯特空间中,再将这些无限维样本转换至最大化复杂度评估信息量的低维子空间中,最后从中抽取出满足用户需求贡献率的m个主成分,即各条原始样本被降维成m维样本;第二步,针对降维样本集,设计一种多种输入参数可调的聚类算法,用户基于所要评估的扇区运行特点按需配置复杂度等级数量、各复杂度等级样本比例以及初始聚类中心,得到各个原始样本等级聚类结果,最终完成空域复杂度无监督评估。2.根据权利要求1所述的空域复杂度无监督评估方法,其特征在于:所述第一步具体实现如下:首先基于高斯核函数将原始样本非线性映射至超高维样本空间(ReproducingKernelHilbertSpace,RKHS)中,令高斯核函数为k,某一条原始样本x被映射至RKHS后为k(x,·),通过将数据向无限维空间映射,找到分割数据的高维超平面;具体求解表达式为:maxtr(VTk(X,·)HkT(X,·)V)s.t.VTk(X,·)HkT(X,·)V=ΛVTV=Ik(X,·)=[k(x1,·),k(x2,...
【专利技术属性】
技术研发人员:朱熙,曹先彬,杜文博,朱少川,佟路,张明远,
申请(专利权)人:北京航空航天大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。