基于特征融合的随机森林飞机尾流识别

为提高民航运输的高效性和安全性,利用随机森林模型,结合多普勒激光雷达技术,提出一种基于径向速度极差特征和边缘轮廓特征融合的方法,实现对飞机尾流的准确识别。将在双流机场采集的数据样本进行速度极差特征提取,同时将样本数据映射成灰度图,通过形态学梯度提取图像轮廓特征,再将二者融合,并以此构建随机森林尾流识别模型,最后进行对比实验。实验结果表明,特征融合后随机森林模型的分类准确率、精确率、召回率、F1-score分别为95.8%、87.3%、89.4%、88.4%,高于单一特征方式和决策树模型识别结果。本文提出的方法能够对具有复杂背景风场中的尾涡进行检测。     

结合ResNet和特征工程的QAR数据预测方法

为解决QAR数据存在的数据缺失、数据异常等问题,提出一种将神经网络模型与特征工程相结合的方法,用于实现对飞机的QAR数据中飞行状态参数的精准预测。首先通过引入ResNet(残差神经网络)模型大幅加深了预测网络模型的深度,同时缓解了深层网络带来的梯度消失/爆炸问题,完成了预测精度的一次提升。之后通过Pearson相关系数与随机森林相结合的特征提取方法提取训练特征,训练后得到更加精确的预测模型,完成了预测精度的二次提升。结果表明,特征工程与模型优化相结合的处理方法更加精确、高效,为QAR缺失数据补充和QAR数据异常检测提供了一种新方法,提升了数据的质量,可更好地进行数据分析与挖掘工作。