基于自组织神经网络的终端区航迹识别研究

中国民航大学学报 ›› 2021, Vol. 39 ›› Issue (3): 6-9.

基于自组织神经网络的终端区航迹识别研究

谢春生，赵龙，柳跃朋

（中国民航大学 a. 空中交通管理学院；b. 机场学院，天津 300300）

收稿日期:2020-05-20 修回日期:2020-05-20 接受日期:2020-03-08 出版日期:2021-06-25 发布日期:2021-11-28
作者简介:谢春生（1975—），男，吉林榆树人，副教授，硕士，研究方向为交通运输规划与飞机性能.
基金资助:
国家自然科学基金青年科学基金项目（61603396）

Track identification in terminal airspace based on self-organizing neural network

XIE Chunsheng , ZHAO Long , LIU Yuepeng

（a. College of Air Traffic Management; b. College of Airport, CAUC, Tianjin 300300, China）

Received:2020-05-20 Revised:2020-05-20 Accepted:2020-03-08 Online:2021-06-25 Published:2021-11-28

摘要/Abstract

摘要： 航迹的模式识别可进一步为航迹预测、空域结构优化、空中交通态势监控提供支持。首先，对获取的自动相关监视广播系统（ADS-B，automatic dependent surveillance-broadcast）数据进行筛选、处理，形成一系列的航迹点集；其次，计算以航迹点组成的各航迹数据之间的相似度，按一定比例选取训练集和测试集；然后，以训练集进行学习、训练，建立自组织神经网络（SONN，self-organizing neural network），获得竞争单元；最后，输入测试集，通过所得神经网络对终端区航迹进行模式识别，分析其正确性。仿真结果表明，该算法可较好地识别终端区空域内航迹。

关键词: 终端区, 航迹分类, 模式识别, 自组织神经网络

Abstract: The trajectory pattern recognition can further support track prediction, airspace structure optimization and air traffic situation monitoring. Firstly, a series of trajectory point sets are formed by screening and processing the initially obtained automatic dependent surveillance-broadcast (ADS-B) data. Secondly, the similarity degree between trajectory data composed of trajectory points is calculated. The training set and test set are selected according to a certain ratio; then, the training set is used for learning and training, and a self-organizing neural network (SONN) is established to obtain a competition unit. Finally, the test set is input and identified by the resulting neural network to analyze its correctness. Simulation results show that the algorithm can better identify the trajectory in the airspace of terminal area.

Key words: terminal airspace, trajectory classification, pattern recognition, self-organizing neural network (SONN)

中图分类号:

V355.1
TP391

谢春生 , 赵龙 , 柳跃朋. 基于自组织神经网络的终端区航迹识别研究[J]. 中国民航大学学报, 2021, 39(3): 6-9.

XIE Chunsheng , ZHAO Long , LIU Yuepeng. Track identification in terminal airspace based on self-organizing neural network [J]. Journal of Civil Aviation University of China, 2021, 39(3): 6-9.

参考文献 16

[1]	GARCA J, CONCHA O P, MOLINA J M, et al. Trajectory classificationbased on machine-learning techniques over tracking data[C]//9th International Conference on Information Fusion， July 10-13, 2016, Florence, italy. IEEE, 2006: 1-8.
[2]	ENRIQUE M. Identifying temporally persistent flows in the terminalairspace via spectral clustering[C]//2013 Air Traffic Management R&DSeminar, October 6, 2013, Chicago, IL, USA. IEEE, 2013: 1-8.
[3]	王涛波, 黄宝军. 改进模糊聚类算法在航迹分析中的应用[J]. 中国安全科学学报, 2014, 24(2): 23-27.
[4]	徐涛, 李永祥, 吕宗平. 基于航迹点法向距离的航迹聚类研究[J].系统工程与电子技术, 2015, 37(9): 2198-2204.
[5]	徐涛, 陈雪蕊, 吕宗平. 基于航迹聚类的终端区飞行程序轨迹表示[J]. 四川大学学报(工程科学版), 2016, 48(6): 188-196.
[6]	LUKAS J, FRIDRICH J, GOLJAN M. Digital camera identification fromsensor pattern noise[J]. IEEE Transactions on Information Forensics andSecurity, 2006, 1(2): 205-214.
[7]	BARRA-CHICOTE R, YAMAGISHI J, KING S, et al. Analysis of statistical parametric and unit selection speech synthesis systems appliedto emotional speech[J]. Speech Communication, 2010, 52(5): 394-404.
[8]	李婷, 裴韬, 袁烨城, 等. 人类活动轨迹的分类、模式和应用研究综述[J]. 地理科学进展, 2014, 33(7): 938-948.
[9]	郭际明, 王威, 张帅. 支持向量机辅助下的智能手机行人运动模式识别[J]. 测绘通报, 2018(2): 1-5.
[10]	任艳青, 方灶军, 徐德, 等. 基于模糊神经网络的乒乓球旋转飞行轨迹模式分类[J]. 控制与决策, 2014, 29(2): 263-269.
[11]	中国民用航空局. 民用航空空中交通管理规则: CCAR-93TM-R5[S].北京: 中国民用航空局, 2017.
[12]	尹汪宏, 李朝峰, 张俊本, 等. 基于混合核函数的自组织神经网络遥感图像分类[J]. 计算机工程与设计, 2009, 30(2): 388-391.
[13]	陈伯成, 梁冰, 周越博，等. 自组织映射神经网络(SOM)在客户分类中的一种应用[J]. 系统工程理论与实践, 2004, 24(3): 8-14.
[14]	刘雨, 朱大奇. 基于生物启发自组织神经网络的任务分配与路径规划[J]. 系统仿真技术, 2017, 13(3): 230-234, 240.
[15]	郑思平. 一种改进的动态 SOM 算法及其在聚类中的应用[D]. 广州:华南理工大学, 2010.
[16]	袁立罡. 终端区动态交通特征与运行态势研究[D]. 南京: 南京航空航天大学, 2016.