一种空域复杂度无监督评估方法技术

本发明专利技术涉及一种空域复杂度无监督评估方法，步骤为：通过处理扇区运行数据得到原始复杂度样本，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，从中抽取出满足用户需求贡献率的m个主成分；接着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，经过聚类实验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。

An Unsupervised Assessment Method of Spatial Complexity

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.Forecastingworkloadandairspaceconfigurationwithneuralnetworksandtreesearchmethods[J].ArtificialIntelligence,2010,174:530-549.]提出的利用神经网络研究空域复杂度，但基于机器学习的空域复杂度评估模型的性能严重依赖标定样本。而空域复杂度的样本标定需要空中交通管制专家在细致查看管制信息的基础上进行人工标定，获取成本很高。此外，由于空域静态结构与运行机理的动态演变，已有标定样本会陆续过期，当需要训练新的复杂度评估模型时，很难保证有标定样本可用，导致了模型的可靠性严重降低。
技术实现思路
本专利技术技术解决问题：克服现有技术的不足，提供一种空域复杂度无监督评估方法，通过核主成分分析挖掘原始样本各维度的非线性耦合关系，准确提取能够最大化复杂度评估信息量的主成分，进一步设计可按需定制的主成分聚类方法，最终实现无监督条件下空域复杂度的准确评估。本专利技术技术解决方案：一种空域复杂度无监督评估方法，主要包括：样本数据KPCA降维、主成分聚类、扇区复杂度评估验证步骤。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(不超过10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；第二步，针对第一步得到的降维样本集，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参数大小，通过该聚类算法得到各个原始样本等级聚类结果，完成空域复杂度无监督评估。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,·),…k(xi,·),,k(xn,·)]k(xi,·)(1≤i≤n，n为样本数量)为无穷维样本，则主成分VTk(X,·)＝WTk(X,·)Tk(X,·)＝WTK，即将样本从无限维空间转换至最大复杂度评估信息量的低维子空间中，将求解V的问题转化为求解W的问题。求解W的具体表达式为：maxtr(WTKHKW)s.t.WTKHKW＝ΛWTW＝I通过求解，得W＝[w1,w2,…,wm]，则求出第i个主成分的贡献率为最终从大到小得排序，提取满足贡献率的m个主成分。所述多种输入参数可调的聚类算法的实现如下：(1)根据主成分设置初始簇中心参数，初始簇中心参数包括复杂度等级数量、各复杂度等级样本比例以及初始聚类中心；(2)初始簇中心为聚类算法提供不同复杂度等级簇所处样本空间位置的指导信息。由于“航空器数量”、“航空器密度”这两个因素与复杂度有着强烈的正向关联，且“航空器数量”也是当前空管系统中唯一的被实际用于衡量扇区复杂度的指标。因此，本专利技术提出参照“航空器数量”与“航空器密度”两个因素来设置初始簇中心参数。该参数设置方法为，首先对原始样本进行排序，排序标准为“航空器数量”从低到高，对于“航空器数量”因素取值相同的样本，按“航空器密度”从低到高排序；接着按照设置的复杂度等级数量、各复杂度等级样本比例参数，基于排序后样本初步划分样本的复杂度等级；然后将该样本集整体映射到高维核空间后，求解每一复杂度等级样本簇对应m个主成分的均值，作为初始簇中心。再按照设置的复杂度等级数量、各复杂度等级样本比例参数，基于排序后样本初步划分样本的复杂度等级；(3)根据(2)设定的复杂度等级个数、各等级包含样本数量、各等级样本簇初始中心进行聚类，得到各个原始样本等级聚类结果。本专利技术的原理：为从原始样本中挖掘扇区复杂度评估知识，需对样本进行降维，抽取能够准确表征扇区复杂度评估知识的主成分，降低复杂度评估难度。采用非线性的PCA方法——KPCA，先将原始样本非线性映射至超高维样本空间中，再由此转换至最大化复杂度评估信息量的低维子空间中，获得在统计上不相关的主成分。设计了一项多种输入参数可调的聚类算法，能够根据所评估扇区运行特点实现按需配置。参数包括复杂度等级数量、各复杂度等级样本比例，以及初始簇中心。其中，初始簇中心为聚类算法提供不同复杂度等级簇所处样本空间位置的指导信息。本专利技术提出利用m个主成分来设置初始簇中心参数。该参数设置方法为，首先对原始样本进行排序，排序标准为第一主成分从低到高，对于第一主成分取值相同的样本，按第二主成分从低到高排序，对于第二主成分取值相同的样本，按第三主成分从低到高排序，以此类推；接着按照设置的复杂度等级数量、各复杂度等级样本比例参数，基于排序后样本初步划分样本的复杂度等级；然后将该样本集整体映射到高维核空间后，求解每一复杂度等级样本簇对应m个主成分的均值，作为初始簇中心。最终根据上述初步划分样本的复杂度等级个数、各等级包含样本数量、各等级样本簇初始中心进行聚类，得到原始样本复杂度等级聚类结果。本专利技术与现有技术相比的优点在于：(1)本专利技术提出了一种基于核主成分分析的空域复杂度无监督评估方法，在不依赖标定样本的基础上通过主成分提取与主成分聚类对指定空域的复杂度等级进行划分，解决了由标定样本采集困难所导致的空域复杂度难以准确评估的问题。(2)本专利技术采用的核主本文档来自技高网...

【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