飞行训练大数据处理与分析
发布时间：2021-12-23 23:36
近年来,随着全球民航事业发展迅速,我国民航教育培训也在快速崛起。飞行人才的需求猛增,训练任务增多。同时,数据挖掘技术在民航中的安全保障、故障检测、异常分析、预测等工作中的使用也越来越多,数据挖掘技术相比其他常规数据分析方式,具有寻找飞行数据中隐藏信息的能力。数据挖掘方法在飞行训练数据上的应用,是在基于传统的飞行数据分析方法的基础之上,引入知识发现的方法理论,对飞行训练数据在知识发现方向做出相关研究、探索。该方法在继承了常用经验模式方法的同时,又结合了知识发现中的数据处理优点。本文研究旨在利用数据挖掘的相关算法对飞行训练数据进行数据挖掘。主要涉及支持向量机和关联性算法。首先对采集好的原始数据进行处理,利用支持向量机模型对飞行训练数据中的飞机发动机转速参数进行预测,并将预测结果同原始数据拿来对比,检验方法的实用有效性,预测结果为飞行安全和维修保障提供参考;然后使用Apriori和FP-Growth两种主流的关联算法对飞行训练数据中的失误操作事件的相关参数进行分析,探索事件、数据间的关联性,检验方法的实用有效性,实验结果为飞行安全和训练评估提供参考。实验结果验证了支持向量机模型和关联算法在飞...
【文章来源】：中国民用航空飞行学院四川省
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
飞行数据集
16=11(3.3)函数()的图像如下图3.1所示：图3.1()函数的图像从上图可知，通过函数()将特征数据取值从无穷映射在(0,1)区间。而当特征值满足y=1时的概率即为假设函数，定义公式如下[38]。=1;)=()=1;)=1()（3.4）当面对一个全新的特征属性时，如果要判定其类别，只需求解的值即可，如果>0.5，即该特征属性属于y=1的类（也可叫做正类），反之<0.5即该特征属性属于y=0类（也可叫负类）。此外，仅仅由决定，当>0时，则>0.5，其中逻辑函数()只是作为特征值的取值空间转换映射，才是分类的决定性因素。当>>0时，=1，反之=0。所以从方向入手，为使训练模型达到分类效果即使训练数据中满足y=1的特征属性的>>0，而y=0的特征属性的<<0。如果将逻辑回归Logistic变形，将公式（3-2）的假设函数,=(+)中的()形式化简，将其y的取值直接映射到1或-1上，修改形式如公式（3.5）：
17gz=1,z≥01,z<0（3.5）在引入拉格朗日Lagrange相关内容后，在原有的约束条件上增加一个乘数α，从而使得目标函数发生变化如下：(,,α)=12∥∥2∑α(x+1)1（3.6）再使得=maxα0(,,α)（3.7）在上式中，不满足约束条件时，使得=∞，满足约束条件时，=12∥∥2。所以目标函数线转化为：min，=min，maxα0(,,α)（3.8）如下图3.2所示，是对于一组二维数据的支持向量机划分结果。图像左下角蓝色的点和右上角黄色的点是两类不同的数据。由于这一组数据属于线性可分的，所以可以用图中的蓝色直线将两类数据进行分割，而这条蓝色的直线就是支持向量机中所谓的超平面（HyperPane），其一侧的数据点的y取值都为1，另一侧则都为-1。图3.2二维数据支持向量机划分结果超平面的定义公式和分类函数相同，都为：=+，当某点x满足f(x)=0时，点x便位于超平面之上，当f(x)>0时，即对应的y=1，点x属于正类，当f(x)<0时，即对应y=-1，点x属于负类。3.1.2最大间隔分类器上一节中介绍了支持向量机的一般形式，即最基础的分类，数据使用的是二维空间
【参考文献】：
期刊论文
[1]垂直数据格式挖掘频繁项集算法的改进[J]. 邢长征,安维国,王星. 计算机工程与科学. 2017(07)
[2]QAR数据在飞行安全评价中的应用[J]. 孙瑞山,杨绎煊,汪磊. 中国安全科学学报. 2015(07)
[3]中国民航飞行品质监控回顾与展望[J]. 俞力玲. 中国民用航空. 2012(08)
[4]QAR超限事件飞行操作风险诊断方法[J]. 祁明亮,邵雪焱,池宏. 北京航空航天大学学报. 2011(10)
[5]飞机飞行品质规范发展综述[J]. 董彦非,荣康,高杰. 飞行力学. 2010(05)
[6]关联规则挖掘的常用算法及其比较分析[J]. 涂承胜. 重庆三峡学院学报. 2006(03)
[7]基于Apriori算法改进的关联规则提取算法[J]. 罗可,贺才望. 计算机与数字工程. 2006(04)
[8]基于视觉原理和Weber定律的TSK模糊系统建模[J]. 邓赵红,王士同,吴锡生. 模式识别与人工智能. 2005(02)
[9]数据挖掘中关联规则的一种高效Apriori算法[J]. 李清峰,杨路明,张晓峰,龙艳军. 计算机应用与软件. 2004(12)
[10]挖掘关联规则中Apriori算法的研究[J]. 陆丽娜,陈亚萍,魏恒义,杨麦顺. 小型微型计算机系统. 2000(09)
硕士论文
[1]基于数据挖掘的移动用户行为分析系统的构建[D]. 陈红.南京邮电大学 2018
[2]数据挖掘分类算法的改进研究[D]. 陈洁.南京邮电大学 2018
[3]基于数据挖掘的信息关联关键技术研究[D]. 闫东明.长春理工大学 2018
[4]基于TensorFlow的卷积神经网络的应用研究[D]. 姜新猛.华中师范大学 2017
[5]基于Flight Gear的模拟飞行数据的数据挖掘研究[D]. 曹雷欣.昆明理工大学 2017
[6]面向调控大数据的数据分析挖掘方法研究[D]. 陈文伟.华北电力大学(北京) 2017
[7]基于多维关联规则的民航事故数据挖掘研究[D]. 侯熙桐.中国民航大学 2016
[8]面向网络服务的云数据中心仿真系统的设计与实现[D]. 杨晨晨.北京邮电大学 2016
[9]基于灰色系统理论的QAR数据挖掘算法研究[D]. 杨欣.中国民航大学 2015
[10]基于Kmeans算法的学生行为分析系统的设计与实现[D]. 刘国华.河北科技大学 2014
本文编号：3549402
【文章来源】：中国民用航空飞行学院四川省
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
飞行数据集
16=11(3.3)函数()的图像如下图3.1所示：图3.1()函数的图像从上图可知，通过函数()将特征数据取值从无穷映射在(0,1)区间。而当特征值满足y=1时的概率即为假设函数，定义公式如下[38]。=1;)=()=1;)=1()（3.4）当面对一个全新的特征属性时，如果要判定其类别，只需求解的值即可，如果>0.5，即该特征属性属于y=1的类（也可叫做正类），反之<0.5即该特征属性属于y=0类（也可叫负类）。此外，仅仅由决定，当>0时，则>0.5，其中逻辑函数()只是作为特征值的取值空间转换映射，才是分类的决定性因素。当>>0时，=1，反之=0。所以从方向入手，为使训练模型达到分类效果即使训练数据中满足y=1的特征属性的>>0，而y=0的特征属性的<<0。如果将逻辑回归Logistic变形，将公式（3-2）的假设函数,=(+)中的()形式化简，将其y的取值直接映射到1或-1上，修改形式如公式（3.5）：
17gz=1,z≥01,z<0（3.5）在引入拉格朗日Lagrange相关内容后，在原有的约束条件上增加一个乘数α，从而使得目标函数发生变化如下：(,,α)=12∥∥2∑α(x+1)1（3.6）再使得=maxα0(,,α)（3.7）在上式中，不满足约束条件时，使得=∞，满足约束条件时，=12∥∥2。所以目标函数线转化为：min，=min，maxα0(,,α)（3.8）如下图3.2所示，是对于一组二维数据的支持向量机划分结果。图像左下角蓝色的点和右上角黄色的点是两类不同的数据。由于这一组数据属于线性可分的，所以可以用图中的蓝色直线将两类数据进行分割，而这条蓝色的直线就是支持向量机中所谓的超平面（HyperPane），其一侧的数据点的y取值都为1，另一侧则都为-1。图3.2二维数据支持向量机划分结果超平面的定义公式和分类函数相同，都为：=+，当某点x满足f(x)=0时，点x便位于超平面之上，当f(x)>0时，即对应的y=1，点x属于正类，当f(x)<0时，即对应y=-1，点x属于负类。3.1.2最大间隔分类器上一节中介绍了支持向量机的一般形式，即最基础的分类，数据使用的是二维空间
【参考文献】：
期刊论文
[1]垂直数据格式挖掘频繁项集算法的改进[J]. 邢长征,安维国,王星. 计算机工程与科学. 2017(07)
[2]QAR数据在飞行安全评价中的应用[J]. 孙瑞山,杨绎煊,汪磊. 中国安全科学学报. 2015(07)
[3]中国民航飞行品质监控回顾与展望[J]. 俞力玲. 中国民用航空. 2012(08)
[4]QAR超限事件飞行操作风险诊断方法[J]. 祁明亮,邵雪焱,池宏. 北京航空航天大学学报. 2011(10)
[5]飞机飞行品质规范发展综述[J]. 董彦非,荣康,高杰. 飞行力学. 2010(05)
[6]关联规则挖掘的常用算法及其比较分析[J]. 涂承胜. 重庆三峡学院学报. 2006(03)
[7]基于Apriori算法改进的关联规则提取算法[J]. 罗可,贺才望. 计算机与数字工程. 2006(04)
[8]基于视觉原理和Weber定律的TSK模糊系统建模[J]. 邓赵红,王士同,吴锡生. 模式识别与人工智能. 2005(02)
[9]数据挖掘中关联规则的一种高效Apriori算法[J]. 李清峰,杨路明,张晓峰,龙艳军. 计算机应用与软件. 2004(12)
[10]挖掘关联规则中Apriori算法的研究[J]. 陆丽娜,陈亚萍,魏恒义,杨麦顺. 小型微型计算机系统. 2000(09)
硕士论文
[1]基于数据挖掘的移动用户行为分析系统的构建[D]. 陈红.南京邮电大学 2018
[2]数据挖掘分类算法的改进研究[D]. 陈洁.南京邮电大学 2018
[3]基于数据挖掘的信息关联关键技术研究[D]. 闫东明.长春理工大学 2018
[4]基于TensorFlow的卷积神经网络的应用研究[D]. 姜新猛.华中师范大学 2017
[5]基于Flight Gear的模拟飞行数据的数据挖掘研究[D]. 曹雷欣.昆明理工大学 2017
[6]面向调控大数据的数据分析挖掘方法研究[D]. 陈文伟.华北电力大学(北京) 2017
[7]基于多维关联规则的民航事故数据挖掘研究[D]. 侯熙桐.中国民航大学 2016
[8]面向网络服务的云数据中心仿真系统的设计与实现[D]. 杨晨晨.北京邮电大学 2016
[9]基于灰色系统理论的QAR数据挖掘算法研究[D]. 杨欣.中国民航大学 2015
[10]基于Kmeans算法的学生行为分析系统的设计与实现[D]. 刘国华.河北科技大学 2014
本文编号：3549402
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3549402.html
最近更新
教材专著
