一种eVTOL跑道数据库扩充方法技术

本申请提供了一种eVTOL跑道数据库扩充方法，属于跑道数据的技术领域，具体包括如下步骤：设计激活函数S_ReLU函数，引入生成对抗模型；构建生成网络模型G，设计生成器损失函数V

【技术实现步骤摘要】
一种eVTOL跑道数据库扩充方法


[0001]本申请涉及跑道数据的领域，尤其是涉及一种eVTOL跑道数据库扩充方法。

技术介绍

[0002]eVTOL飞行器(简称eVTOL)最早是因为空中巴士概念的提出而被得到关注，eVTOL采用了分布式电推技术，具有轻便灵活、节能环保、低成本的特点。不仅在军用领域备受重视，民用领域也正在加快推进相关产业的发展。eVTOL的整个飞行过程中，起降阶段是飞行员工作量最大，操作最复杂，飞行问题出现最频繁的阶段。eVTOL智能起降技术通过跑道数据库对跑道识别算法进行训练，识别跑道并检测跑道的边缘，根据检测的跑道特征线进行智能起降，有助于缓解飞行员的飞行压力，提高起降安全度。机场跑道数据库存在样本量小，样本获取困难的问题，影响跑道识别算法的训练。使用样本生成算法生成质量可靠的跑道图像，扩充跑道数据库，改善跑道识别算法的训练，提升识别率。
[0003]样本生成算法主要是利用过采样的方法处理数据集，生成新的样本数据。最简单的过采样是简单随机过采样，是对小样本进行随机复制，但数据信息没有增加，可能会造成过拟合的现象，浪费训练时间。基于K最近邻的过采样方法，通过K最近邻算法分割迭代数据，减少数据中的噪声，提升生成质量。基于随机过采样的SMOTE算法，通过采样公式在小样本和其K最近邻样本之间生成新的数据，有效的增加了样本的多样性。生成对抗网络(generative adversarial networks，GAN)作为新兴的方法，能够学习数据分布，生成小样本，生成高质量样本数据。
[0004]生成对抗网络由生成网络和判别网络组成，目的是生成与真实数据非常相似的数据。生成器G(Generator)接收随机变量Z并输出生成数据G(Z)，使生成数据G(Z)与真实数据X的分布尽可能的相同。判别器D(Discriminator)要尽可能的区分真实数据X和生成数据G(Z)，输入真实数据X和生成数据G(Z)，输出一个概率值，表示生成数据G(Z)是真实数据X的概率。同时，判别器D的输出还将反馈到生成器G，配合生成器G的训练。在训练中，生成器G和判别器D互相博弈，生成能力和判别能力不断加强。在理想情况下，在训练完成以后，判别器D的输出为1/2，无法判别输入数据的类型。深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Networks，DCGAN)在GAN的基础上增加了深度卷积网络结构，生成器G使用反卷积的操作对每层的输入进行上采样生成图像。原DCGAN模型训练不稳定，易发生梯度消失和梯度爆炸的问题，且生成样本质量有待提高。

技术实现思路

[0005]有鉴于此，本申请提供一种eVTOL跑道数据库扩充方法，解决了现有技术中的问题，扩充了eVTOL跑道数据库，改善了eVTOL跑道识别算法的训练，提升识别率和置信度。
[0006]本申请提供的一种eVTOL跑道数据库扩充方法采用如下的技术方案：
[0007]一种eVTOL跑道数据库扩充方法，包括如下步骤：
[0008]S100，设计激活函数S_ReLU函数，引入生成对抗模型；
[0009]S200，构建生成网络模型G，设计生成器损失函数V
G
＝V
G
′
+V
T
；
[0010]其中，V
G
为生成网络模型的损失函数，V
G
′
为原始生成网络模型的损失函数，V
T
为简化的全变分损失函数；
[0011]S300，构建判别网络模型D，设计判别器损失函数
[0012]其中，V
D
为判别网络模型的损失函数，V
D
′
为原始判别网络模型的损失函数，为梯度惩罚项；
[0013]S400，训练网络模型，生成网络模型和判别网络模型分开交替训练，固定其中一个网络模型，优化另一个网络模型；
[0014]S500，生成所需样本，从噪声分布中随机选取噪声样本z,输入到经过S400训练好的生成网络模型G中，得到所需样本。
[0015]可选的，S100中的S_ReLU函数为：
[0016]当x>0时，S_ReLU＝ξx；
[0017]当x≤0时，S_ReLU＝η(e
x
‑
1)。
[0018]可选的，S200生成网络模型结构为：输入层输入噪声Z，经过全连接层，若干反卷积层，归一化层和S_ReLU激活层生成特征数据，最后一层使用tanh激活层，最后输出层输出生成数据G(Z)。
[0019]可选的，S200的生成器损失函数中简化的全变分损失函数
[0020]其中i和j为生成数据的像素点坐标位置；
[0021]结合原始生成网络模型的损失函数V
G
′
，生成器损失函数
[0022]可选的，S300的判别网络模型结构为：输入层输入生成数据G(Z)和真实数据X，经过若干卷积层，归一化层和S_ReLU激活层提取数据特征，通过全连接层，输出层输出其输入为真实数据的概率。
[0023]可选的，S300的判别器损失函数中梯度惩罚项可选的，S300的判别器损失函数中梯度惩罚项
[0024]其中ε为系数项，λ∈(0,1)；
[0025]结合原始判别网络模型的损失函数V
D
′
，判别器损失函数
[0026]可选的，S400的网络模型训练包括：
[0027]S410，从噪声分布中随机选取噪声样本{z
(1)
,z
(2)
,...,z
(m)
}；
[0028]S420，选取训练数据{x
(1)
,x
(2)
,...,x
(m)
}；
[0029]S430，训练判别网络模型D，最大化判别器损失函数，计算判别器损失函数关于判别网络模型参数θ
d
的梯度t
d
，然后用θ
d_new
＝θ
d
+t
d
更新参数θ
d
，其中
[0030]S440，训练生成网络模型G，最小化生成器损失函数，计算生成器损失函数关于生成网络模型参数θ
g
的梯度t
g
，然后用θ
g_new
＝θ
g
‑
t
g
更新参数θ
g
，其中
[0031]综上所述，本申请包括以下有益技术效果：
[0032]本申请通过样本生成扩充了eVTOL跑道数据库，改善了eVTOL跑道识别算法的训练，提升识别率和置信度。并且，本专利技术设计的样本生成算法，解决了样本生成算法训练过程中梯度消失和梯度爆炸的问题，能够生成更少噪声，图像更加清晰，图像细节更加详细的样本，更进一步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种eVTOL跑道数据库扩充方法，其特征在于，包括如下步骤：S100，设计激活函数S_ReLU函数，引入生成对抗模型；S200，构建生成网络模型G，设计生成器损失函数V
G
＝V
G
′
+V
T
；其中，V
G
为生成网络模型的损失函数，V
G
′
为原始生成网络模型的损失函数，V
T
为简化的全变分损失函数；S300，构建判别网络模型D，设计判别器损失函数其中，V
D
为判别网络模型的损失函数，V
D
′
为原始判别网络模型的损失函数，为梯度惩罚项；S400，训练网络模型，生成网络模型和判别网络模型分开交替训练，固定其中一个网络模型，优化另一个网络模型；S500，生成所需样本，从噪声分布中随机选取噪声样本z,输入到经过S400训练好的生成网络模型G中，得到所需样本。2.根据权利要求1所述的eVTOL跑道数据库扩充方法，其特征在于，S100中的S_ReLU函数为：当x>0时，S_ReLU＝ξx；当x≤0时，S_ReLU＝η(e
x
‑
1)。3.根据权利要求1所述的eVTOL跑道数据库扩充方法，其特征在于，S200生成网络模型结构为：输入层输入噪声Z，经过全连接层，若干反卷积层，归一化层和S_ReLU激活层生成特征数据，最后一层使用tanh激活层，最后输出层输出生成数据G(Z)。4.根据权利要求1所述的eVTOL跑道数据库扩充方法，其特征在于，S200的生成器损失函数中简化的全变分损失函数其中i和j为生成数据的像素点坐标位置；结合原始生成网络模型的损失函数V
G
...

【专利技术属性】
技术研发人员：苏梦威，于桂杰，王上，
申请(专利权)人：中国航空工业集团公司洛阳电光设备研究所，
类型：发明
国别省市：