基于機(jī)器學(xué)習(xí)的飛行品質(zhì)評(píng)估

袁偉良, 盧朝陽(yáng)*, 盧 衛(wèi)，何 庶

(1.南京航空航天大學(xué)民航學(xué)院，南京 211100；2.中國(guó)東方航空江蘇有限公司飛行部，南京 211100)

在中國(guó)民用航空業(yè)迅速發(fā)展的今天，飛行安全成為行業(yè)內(nèi)外人士關(guān)注的焦點(diǎn)，飛行品質(zhì)也成為中外學(xué)者研究的熱點(diǎn)。此外，飛行品質(zhì)作為表征飛機(jī)完成指定飛行任務(wù)的準(zhǔn)確度及飛行員的技術(shù)水平的參數(shù)，找到一種成熟有效的飛行品質(zhì)評(píng)估方法，對(duì)于防范飛行事故，提升飛行人員的飛行技術(shù)，提高飛行安全具有重要意義。

近年來中外學(xué)者對(duì)飛行品質(zhì)的評(píng)價(jià)做出大量的研究。肖艷平等[1]對(duì)橫航向飛行品質(zhì)的評(píng)價(jià)指標(biāo)和研究方法做了重點(diǎn)分析。王越等[2]提出了將矩形起降航線分為五邊四彎，篩選評(píng)估指標(biāo)，并將高級(jí)飛行教員多年的飛行教學(xué)經(jīng)驗(yàn)與實(shí)際飛行操作相結(jié)合，建立飛行學(xué)員飛行品質(zhì)評(píng)估指標(biāo)體系。王奔馳等[3]采用非線性映射方法提取飛行品質(zhì)評(píng)估數(shù)據(jù)，然后將層次分析法與TOPSIS(technique for order preference by similarity to an ideal solution)法相結(jié)合確定綜合權(quán)重對(duì)起飛階段的飛行品質(zhì)進(jìn)行評(píng)估。Zhong等[4]提出了一種基于模型的方法，定義了飛行品質(zhì)相關(guān)術(shù)語，形成并提出了基于模型的不同情況下的飛行品質(zhì)評(píng)估方法。同年，Wang等[5]設(shè)計(jì)了比例模型飛行試驗(yàn)的飛行質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)，在實(shí)驗(yàn)環(huán)境下反映飛機(jī)的飛行質(zhì)量特征。Humphreys-Jennings等[6]使用工程飛行模擬器測(cè)試飛機(jī)的飛行和操縱質(zhì)量，從而可為增強(qiáng)飛機(jī)可控制和操縱特性提供解決方案。

對(duì)于上述幾種評(píng)價(jià)方法大都以主觀評(píng)價(jià)或?qū)嶒?yàn)?zāi)M為基礎(chǔ)。主觀評(píng)價(jià)難以避免人為主觀因素對(duì)飛行品質(zhì)評(píng)價(jià)的影響，而以實(shí)驗(yàn)仿真數(shù)據(jù)為基礎(chǔ)的研究，缺乏可靠性和說服力?？茖W(xué)合理的評(píng)估方法和全面的評(píng)價(jià)體系以及有力的數(shù)據(jù)支撐才是評(píng)價(jià)飛行品質(zhì)的關(guān)鍵。美國(guó)的Tledyne以及法國(guó)的Airbus等國(guó)外公司有效分析飛行中記錄的數(shù)據(jù)[7-8]，并可以通過相關(guān)數(shù)據(jù)分析軟件給出飛行品質(zhì)評(píng)估報(bào)告，提高運(yùn)行安全和性能。趙新斌等[9]基于“風(fēng)險(xiǎn)為概率與嚴(yán)重度乘積”的思想，從輕、中、重、綜合等4個(gè)角度度量飛行品質(zhì),并運(yùn)用快速存取記錄數(shù)據(jù)進(jìn)行論證。但是僅從事件發(fā)生概率和事件嚴(yán)重度兩大要素，不考慮事故征候，不夠全面。萬健等[10]提出一種基于快速數(shù)據(jù)存取記錄器超限事件的民航飛行安全風(fēng)險(xiǎn)評(píng)價(jià)方法，但是并未考慮不安全事件和安全隱患事件對(duì)民航飛行安全的影響。汪磊等[11]基于機(jī)載快速存取記錄器數(shù)據(jù)和小波分析方法，單純的以著陸階段駕駛桿與俯仰角參數(shù)為分析對(duì)象評(píng)價(jià)航線飛行員的飛行操作水平。

由于在整個(gè)飛行過程中，起飛爬升和進(jìn)近著落階段是最重要，也是最為危險(xiǎn)的兩個(gè)階段。根據(jù)研究表明，65%的飛行事故發(fā)生在起飛爬升和進(jìn)近著陸階段[3]，為此將研究的重點(diǎn)放在起飛和著陸階段。此外，機(jī)載快速存儲(chǔ)記錄器(quick access recorder, QAR)記錄了大量的飛行數(shù)據(jù)，QAR數(shù)據(jù)存儲(chǔ)航空器在執(zhí)行飛行任務(wù)時(shí)的高度、速度、航向以及飛行員各種操作量等各類重要數(shù)據(jù)信息，對(duì)飛行品質(zhì)的評(píng)估提供了有力的數(shù)據(jù)支撐。

基于以上分析，為了簡(jiǎn)便有效地對(duì)民航客機(jī)的飛行品質(zhì)進(jìn)行準(zhǔn)確評(píng)估，防止危險(xiǎn)事故征候乃至事故的發(fā)生，提高飛行品質(zhì)，提升飛行安全。依據(jù)QAR記錄數(shù)據(jù)，提取起飛爬升階段和進(jìn)近著陸階段的重要指標(biāo)，構(gòu)建主成分分析-粒子群優(yōu)化算法-支持向量機(jī)(principal component analysis-particle swarm optimizatien-support vector machine, PCA-PSO-SVM)評(píng)價(jià)模型，提出機(jī)器學(xué)習(xí)的方法對(duì)飛行品質(zhì)進(jìn)行評(píng)估。本方法通過PCA綜合評(píng)價(jià)對(duì)QAR記錄數(shù)據(jù)進(jìn)行綜合評(píng)價(jià)，并將數(shù)據(jù)按比例分類進(jìn)行標(biāo)記，將標(biāo)記的數(shù)據(jù)輸入PSO-SVM分類模型，采用機(jī)器學(xué)習(xí)的方法對(duì)飛行品質(zhì)進(jìn)行評(píng)估。

1 指標(biāo)選取

參考QAR數(shù)據(jù)在飛行安全領(lǐng)域的相關(guān)研究[12-13]以及主成分分析-粒子群優(yōu)化算法-支持向量機(jī)《波音和空客系列飛機(jī)飛行品質(zhì)監(jiān)控項(xiàng)目規(guī)范》[14]，選取起飛爬升階段7個(gè)，進(jìn)近著陸階段9個(gè)共計(jì)16個(gè)評(píng)價(jià)指標(biāo)，如表1所示。

表1 評(píng)價(jià)指標(biāo)及范圍

2 基于主成分分析法的綜合評(píng)價(jià)

主成分分析(principal component analysis，PCA)，是將多個(gè)變量通過線性變換以選出較少個(gè)數(shù)重要變量的一種多元統(tǒng)計(jì)分析方法，又稱主分量分析[15]。

PCA的主要優(yōu)勢(shì)是能夠處理高維數(shù)據(jù)，分析變量之間的相關(guān)性。通過轉(zhuǎn)化變量之間的相關(guān)關(guān)系減少變量數(shù)據(jù)，實(shí)現(xiàn)數(shù)據(jù)壓縮，同時(shí)又能保證不損失原始數(shù)據(jù)過多的信息。既能夠達(dá)到高維數(shù)據(jù)降維目的，有效處理“維數(shù)災(zāi)難”問題，又能通過少量不相關(guān)的數(shù)據(jù)進(jìn)行綜合評(píng)價(jià)。此外，PCA綜合評(píng)價(jià)能夠有效克服主觀評(píng)價(jià)的缺陷，評(píng)價(jià)結(jié)果更加的客觀公正。

2.1 主成分分析一般步驟

設(shè)有n個(gè)樣本，每個(gè)樣本有p項(xiàng)指標(biāo)，則將原始數(shù)據(jù)寫成矩陣，即

X=(xij)n×p?(x1,x2,…,xp)

(1)

(1)通過線性歸一化或0均值歸一化將原始數(shù)據(jù)標(biāo)準(zhǔn)化。歸一化處理的目的就是消除不同量綱的影響。所謂0均值歸一化，即矩陣的每一列均值為0，方差為1，公式為

(2)

(2)建立變量的相關(guān)系數(shù)陣R，也是原始數(shù)據(jù)矩陣的協(xié)方差矩陣。相關(guān)系數(shù)表明了指標(biāo)之間的相關(guān)性，相關(guān)系數(shù)矩陣計(jì)算R公式為

(3)

(3)求得相關(guān)系數(shù)矩陣的特征值λj及相應(yīng)的單位特征向量aj為

aj=[a1j,a2j,…,apj]T,j=1,2,…，p

(4)

式(4)中：λ1≥λ2≥…≥λp>0。

(4)寫出主成分。

(5)

式(5)中：F1,F2,…,Fp分別表示第1,2,…,p主成分。

(5)計(jì)算主成分載荷矩陣。

(6)

主成分載荷矩陣用于說明了主成分與指標(biāo)變量之間的相關(guān)聯(lián)程度，反映了該變量在主成分中的重要度。

(6)選取k個(gè)主成分。方差貢獻(xiàn)率表明了主成分方差在總方差中的比重，比重越大，表明這一主成分所攜帶的原始數(shù)據(jù)的信息越多。累積方差貢獻(xiàn)率表示主成分包含原始數(shù)據(jù)的信息量。因此，當(dāng)前k個(gè)主成分的累積方差貢獻(xiàn)率達(dá)到85%時(shí)，表明前k個(gè)主成分基本包含了原始數(shù)據(jù)所具有的信息，能夠代表原始數(shù)據(jù)。這樣既減少了變量的個(gè)數(shù)又便于對(duì)問題的分析和研究。第k個(gè)主成分的方差貢獻(xiàn)率和前k個(gè)主成分的累積方差貢獻(xiàn)率為

(7)

(8)

式中：Var(Fk)為Fk的方差。

2.2 主成分綜合評(píng)價(jià)模型

根據(jù)計(jì)算主成分的方差貢獻(xiàn)率以及累計(jì)方差貢獻(xiàn)率，選取k(k

F=(F1,F2,…,Fk)=X*(a1,a2,…ak)

(9)

進(jìn)而，按照方差貢獻(xiàn)率加權(quán)求得綜合評(píng)價(jià)模型為

(10)

通過綜合評(píng)分的高低，可以對(duì)樣本數(shù)據(jù)進(jìn)行比較，給出樣本數(shù)據(jù)的綜合評(píng)價(jià)。

2.3 主成分綜合評(píng)價(jià)算例分析

提取某航空公司關(guān)于B737系列飛機(jī)一周的QAR記錄數(shù)據(jù)，根據(jù)監(jiān)控參數(shù)控制點(diǎn)提取我們的指標(biāo)參數(shù)。經(jīng)過數(shù)據(jù)預(yù)處理，剔除異常和無效數(shù)據(jù)后，得到統(tǒng)一的QAR評(píng)價(jià)指標(biāo)數(shù)據(jù)337條。隨機(jī)選取其中237條統(tǒng)計(jì)數(shù)據(jù)標(biāo)準(zhǔn)化后進(jìn)行主成分分析。分析結(jié)果如表2和表3所示。

表2 特征值、方差貢獻(xiàn)率、累積方差貢獻(xiàn)率

表3 主成分載荷矩陣

由表2可以看出，第一主成分的方差貢獻(xiàn)率達(dá)到37.39%，前5個(gè)主成分的累積方差貢獻(xiàn)率已經(jīng)達(dá)到89.06%，即前5個(gè)主成分已經(jīng)包含了原始數(shù)據(jù)信息的89.06%，可以用前5個(gè)主成分代替原始數(shù)據(jù)。

通過表4成分載荷矩陣分析各主成分與指標(biāo)變量之間的關(guān)系，前5個(gè)主成分可以充分解釋原始指標(biāo)變量，第一第二主成分可以解釋11個(gè)指標(biāo)，而第三第四第五主成分對(duì)第一第二主成分加以補(bǔ)充。

計(jì)算特征向量代入式(5)，得到5個(gè)主成分，將16維數(shù)據(jù)降至5維。將標(biāo)準(zhǔn)化數(shù)據(jù)矩陣代入式(9)得到主成分得分矩陣，將主成分得分矩陣代入式(10)，即可得各航班的綜合評(píng)分。將綜合評(píng)分按照從小到大的順序進(jìn)行排序，即可得到個(gè)航班的綜合排名，評(píng)分越小，表明此次飛行的飛行品質(zhì)越高。

2.4 算例分析結(jié)果

從剩余的100條數(shù)據(jù)中隨機(jī)抽取10條數(shù)進(jìn)行PCA綜合評(píng)價(jià)，評(píng)價(jià)結(jié)果如表4所示。將評(píng)價(jià)結(jié)果與航評(píng)結(jié)果相比較，并與6位資深飛行員進(jìn)行討論，驗(yàn)證了結(jié)果的可靠性。

表4 主成分綜合評(píng)價(jià)得分

3 基于PSO-SVM的飛行品質(zhì)評(píng)估

為了提高評(píng)估效率，提出一種基于PCA-PSO-SVM的飛行品質(zhì)評(píng)估方法。根據(jù)PCA綜合評(píng)價(jià)排名，按照2∶3∶3∶2的比例將原始數(shù)據(jù)分為優(yōu)、良、中、差四類，并標(biāo)上標(biāo)簽作為SVM的輸入。以上述10個(gè)航班為例，標(biāo)簽如表5所示。

表5 飛行品質(zhì)分類標(biāo)簽

3.1 支持向量機(jī)

支持向量機(jī)(support vector machine，SVM)是一種二分類預(yù)測(cè)模型，可以協(xié)調(diào)降低結(jié)構(gòu)風(fēng)險(xiǎn)，近似實(shí)現(xiàn)結(jié)構(gòu)風(fēng)險(xiǎn)最小化的方法。

采用“兩兩分類”的方法[16]構(gòu)建如圖1所示的分類器實(shí)現(xiàn)SVM四分類問題，其中實(shí)線代表分類器認(rèn)為輸入樣本的類別。所謂“兩兩分類”，即分別在兩類不同的樣本間構(gòu)造一個(gè)分類器，將兩類樣本進(jìn)行區(qū)分，實(shí)現(xiàn)兩兩分類。假如要將樣本分為n類，那么就需要訓(xùn)練n(n-1)/2個(gè)分類器。

圖1 SVM多分類示意圖

對(duì)于線性可分的問題，SVM通過構(gòu)建最優(yōu)超平面，使兩類樣本與超平面之間的間隔最大化，從而區(qū)分兩類樣本。而對(duì)于非線性可分的問題，在樣本空間中很難找到甚至找不到一個(gè)可以將樣本分開的分類超平面。但是 “核函數(shù)”的引入，將原始樣本空間映射到更高維的樣本空間中就能找到這樣一個(gè)分類超平面。

假設(shè)給定一組n個(gè)樣本的訓(xùn)練樣本集，S={xi,yi},yi={-1,1}(i=1,2,…,n)，xi為訓(xùn)練樣本，yi為樣本的類標(biāo)簽。目標(biāo)就是尋找一個(gè)最優(yōu)超平面，即

ωTx+b=0

(11)

式(11)中：ω=(ω1,ω2,…,ωd)為法向量；b為位移項(xiàng)。引入核函數(shù)之后，SVM模型為

(12)

式(12)中：αi為拉格朗日乘子，解出α即可求出ω和b，得到最優(yōu)分類超平面；K(xi,xj)為核函數(shù)；c為懲罰因子。

常見的核函數(shù)有線性核、多項(xiàng)式核、高斯核、拉普拉斯核以及Sigmoid核。根據(jù)以往的經(jīng)驗(yàn)，本文選取高斯核，核函數(shù)為

(13)

選定核函數(shù)后，對(duì)參數(shù)c(懲罰系數(shù))和σ的優(yōu)化直接影響分類效果，σ的大小決定支持向量的多少；c的大小決定著擬合程度。對(duì)于參數(shù)的優(yōu)化通常采用網(wǎng)格搜索法、交叉驗(yàn)證法等。本文通過確定參數(shù)范圍，以分類準(zhǔn)確率為目標(biāo)，采用隨機(jī)權(quán)重粒子群算法(random weight_particle swarm optimization, RW_PSO)進(jìn)行參數(shù)尋優(yōu)，并通過與其他改進(jìn)粒子群算法相比較，驗(yàn)證了隨機(jī)權(quán)重粒子群優(yōu)化算法的優(yōu)越性。

3.2 粒子群優(yōu)化算法

粒子群優(yōu)化算法(panicle swarm optimization,PSO)是一種模擬鳥類覓食的智能優(yōu)化算法[17]，通過初始化最優(yōu)解，不斷迭代更新逐步找到解空間中的最優(yōu)位置。

考慮到隨機(jī)權(quán)重粒子群算法(RW_PSO)的優(yōu)點(diǎn)，選用隨機(jī)權(quán)重粒子群算法優(yōu)化的SVM分類器參數(shù)，并將優(yōu)化結(jié)果與權(quán)重遞減、自適應(yīng)權(quán)重、異步收縮因子以及原始粒子群四種算法相比較，最終驗(yàn)證了隨機(jī)權(quán)重粒子群算法的優(yōu)越性能。

3.2.1 粒子群算法模型

在D維空間中，存在粒子群X=(X1,X2,…,Xn)，n為粒子的個(gè)數(shù)，初始化粒子的速度和位置分別為Xi=(xi1,xi2,…,xiD)T和Vi=(vi1,vi2,…,viD)T,i=1,2,…,n，i代表第i個(gè)粒子。此時(shí)，根據(jù)目標(biāo)適應(yīng)度函數(shù)計(jì)算出每個(gè)粒子的適應(yīng)度值Pi以及群體的最佳適應(yīng)度值Pg。

迭代過程中粒子之間通過信息的傳遞和粒子自身的學(xué)習(xí)，不斷更新粒子的速度和位置，最終得到群體的最優(yōu)位置。在第k+1次迭代中，粒子速度和位置更新公式為

(14)

(15)

式(14)中：d=1,2,…，D表示維度；ω為慣性權(quán)重，在一般的粒子群算法中取值為1；k為迭代次數(shù)；c1和c2為學(xué)習(xí)因子，決定著粒子的自身學(xué)習(xí)能力和群體學(xué)習(xí)能力；r1和r2為0～1之間的隨機(jī)數(shù)。

3.2.2 隨機(jī)權(quán)重粒子群算法

慣性權(quán)重ω的大小決定著PSO算法的全局和局部搜索性能。當(dāng)粒子接近最優(yōu)位置時(shí)，減小慣性權(quán)重ω，防止粒子越過最優(yōu)位置；當(dāng)粒子遠(yuǎn)離最優(yōu)位置時(shí)，增大粒子的慣性權(quán)重ω，加速粒子找到最優(yōu)位置，而避免陷入局部最優(yōu)。

隨機(jī)權(quán)重粒子群算法[18]就恰好可能使得在接近最優(yōu)位置的粒子獲得小的慣性權(quán)重，也能使陷入局部最優(yōu)的粒子獲得較大的慣性權(quán)重而跳出局部最優(yōu)。相較于其他粒子群算法，隨機(jī)權(quán)重更有利于跳出局部最優(yōu)，找到全局最優(yōu)。

在隨機(jī)權(quán)重粒子群算法中，ω計(jì)算公式為

ω=ω′+sN(0,1)

(16)

ω′=ωmin+r3(ωmax-ωmin)

(17)

式(17)中：ωmax和ωmin分別為慣性權(quán)重的最大值和最小值；s為慣性權(quán)重的方差；N(0,1)為服從正態(tài)分布的隨機(jī)數(shù)；r3為0～1的隨機(jī)數(shù)。

3.3 PCA-PSO-SVM流程

以PCA綜合評(píng)價(jià)的樣本數(shù)據(jù)為訓(xùn)練集和測(cè)試集，選取平均分類準(zhǔn)確率作為適應(yīng)度函數(shù)，即

(18)

式(18)中：ni表示第i類樣本的準(zhǔn)確測(cè)試個(gè)數(shù)；Ni表示第i類樣本的個(gè)數(shù)。適應(yīng)度函數(shù)表示在(c,σ)參數(shù)下的平均分類準(zhǔn)確率。

PCA-PSO-SVM模型的一般流程如下。

(1)PCA綜合評(píng)價(jià)，標(biāo)記樣本數(shù)據(jù)。

(2)選取SVM核函數(shù)，確定參數(shù)范圍。

(3)初始化種群，設(shè)置慣性權(quán)重 和學(xué)習(xí)因子 和,設(shè)置種群規(guī)模和迭代次數(shù)。

(4)進(jìn)行SVM訓(xùn)練，選取適應(yīng)度函數(shù)，計(jì)算粒子的初始適應(yīng)度值和種群最佳適應(yīng)度值。

(5)根據(jù)最佳適應(yīng)度值更新粒子速度和位置。

(6)判斷是否達(dá)到迭代上限，達(dá)到則停止迭代，否則返回(4)繼續(xù)尋優(yōu)。

PCA-PSO-SVM流程圖如圖2所示。

圖2 PCA-PSO-SVM流程圖

4 實(shí)驗(yàn)結(jié)果與分析

采集某航空公司2019年12月份一周的關(guān)于波音737系列飛機(jī)的QAR記錄數(shù)據(jù)，使用MATLAB2020a軟件進(jìn)行建模分析，分析過程和結(jié)果如下。

選取237條PCA綜合評(píng)價(jià)數(shù)據(jù)用于PSO-SVM模型，并將170條數(shù)據(jù)用于訓(xùn)練，67條數(shù)據(jù)用于測(cè)試。確定SVM參數(shù)范圍均為1～4。初始化PSO參數(shù)，設(shè)置種群數(shù)量為30，迭代次數(shù)為200，設(shè)置最大慣性權(quán)重為1，最小慣性權(quán)重為0.4，學(xué)習(xí)因子c1和c2分別為1.6和1.8。經(jīng)過多次實(shí)驗(yàn)，得到各粒子群優(yōu)化算法對(duì)參數(shù)的優(yōu)化結(jié)果。為比較RW_PSO-SVM與各改進(jìn)PSO-SVM的分類性能，本文采用十折交叉驗(yàn)證方法，對(duì)237條綜合評(píng)價(jià)數(shù)據(jù)進(jìn)行SVM模型訓(xùn)練，求得各模型的平均分類準(zhǔn)確率。實(shí)驗(yàn)結(jié)果如表6所示，適應(yīng)度變化曲線如圖3所示。

表6 實(shí)驗(yàn)結(jié)果

圖3 適應(yīng)度變化曲線圖

多次實(shí)驗(yàn)表明，隨機(jī)權(quán)重粒子群算法(RW_PSO)在尋優(yōu)效率及尋優(yōu)能力方面相比于其他4種算法優(yōu)勢(shì)較大。

為進(jìn)一步驗(yàn)證各改進(jìn)PSO-SVM的分類性能，采用十折交叉驗(yàn)證，對(duì)237條綜合評(píng)價(jià)數(shù)據(jù)進(jìn)行SVM模型訓(xùn)練，得到各模型的分類準(zhǔn)確率如圖4所示。通過十折交叉驗(yàn)證可以看出，隨機(jī)權(quán)重粒子群優(yōu)化算法(RW_PSO)優(yōu)化的SVM分類模型的分類準(zhǔn)確率高于其他PSO-SVM模型。盡管權(quán)重遞減粒子群算法在優(yōu)化速度是最為優(yōu)越，但其優(yōu)化的參數(shù)對(duì)于SVM分類效果具有很大的波動(dòng)性，且平均分類準(zhǔn)確率也遠(yuǎn)不如隨機(jī)權(quán)重粒子群優(yōu)化的SVM分類器。

圖4 十折交叉驗(yàn)證準(zhǔn)確率分布圖

綜合考慮到模型的分類準(zhǔn)度和模型的收斂速度，選用隨機(jī)權(quán)重粒子群優(yōu)化算法優(yōu)化的SVM模型對(duì)100條QAR數(shù)據(jù)進(jìn)行分類預(yù)測(cè)，評(píng)估結(jié)果如圖5所示。

圖5 樣本分類評(píng)估圖

根據(jù)對(duì)100條數(shù)據(jù)的評(píng)估，得出評(píng)估準(zhǔn)確率為90%。對(duì)于第四類樣本數(shù)據(jù)的預(yù)測(cè)準(zhǔn)確率為94.1%，而本文中的主要分類目的就是將第四類樣本分類出來。

綜上所述，基于隨機(jī)權(quán)重粒子群算法對(duì)SVM參數(shù)優(yōu)化具有良好的需有能力，PCA-RW_PSO-SVM評(píng)價(jià)模型，對(duì)于飛行品質(zhì)的分類具有良好的分類性能，可以有效提高飛行品質(zhì)評(píng)估效率。

5 結(jié)論

結(jié)合起飛爬升和進(jìn)近著陸階段的飛行特點(diǎn)，提取共計(jì)16個(gè)評(píng)價(jià)指標(biāo)，提出了一種客觀的基于PCA-RW_PSO-SVM的飛行品質(zhì)評(píng)價(jià)模型。通過實(shí)驗(yàn)分析和驗(yàn)證得出如下結(jié)論。

(1)采用PCA綜合評(píng)價(jià)方法，依據(jù)QAR記錄數(shù)據(jù)對(duì)飛行品質(zhì)進(jìn)行評(píng)估，克服了以往人為主觀因素所帶來的影響，能夠客觀有效地對(duì)飛行品質(zhì)進(jìn)行評(píng)估，評(píng)估結(jié)果準(zhǔn)確。

(2)隨機(jī)權(quán)重粒子群優(yōu)化算法在非線性支持向量機(jī)參數(shù)尋優(yōu)方面性能優(yōu)越，全局尋有能力較強(qiáng)，通過隨機(jī)權(quán)重粒子群優(yōu)化的SVM分類準(zhǔn)確率更高。

(3)基于PCA-RW_PSO-SVM的飛行品質(zhì)評(píng)價(jià)模型能夠高效準(zhǔn)確地對(duì)飛行品質(zhì)進(jìn)行分類評(píng)估，提高了評(píng)估效率，可為飛行講評(píng)提供便利和參考。

盡管記錄數(shù)據(jù)都是在飛行安全的基礎(chǔ)上所采集的，但是此方法能夠有效識(shí)別出飛行品質(zhì)較差的飛行任務(wù)，對(duì)防止“海因里希事故法則”，預(yù)防飛行事故的發(fā)生具有重要意義。由于只針對(duì)起飛和著陸階段進(jìn)行評(píng)估，研究還有待進(jìn)一步深入，在今后的研究中將考慮更多的影響因素，豐富評(píng)價(jià)指標(biāo)體系，提高評(píng)估的可靠性和全面性。