1.本发明涉及计算机数据检测技术领域，尤其涉及一种飞机危险识别方法及系统。
背景技术：2.随着民航安全需求的不断增加，持续适航风险管理逐渐引起了各航空机构的重视。持续适航风险管理是一种风险管理技术，旨在确保飞机运行的安全水平始终满足基本安全标准或适航水平。航空安全报告系统(asrs)数据是识别危险以提高航空安全的重要信息源。飞行员能够通过学习asrs数据中的经验知识来提高自身应急响应能力，当发生不安全事件时，操作员能够及时采取紧急措施，以降低不安全事件后果的严重性。然而，asrs数据具有高维性、非结构化和数据不平衡的特点，给民机危险识别带来了巨大挑战。本发明提出的方法在提高了危险识别的准确性。
3.深度学习亦称深度机器学习、深度结构学习、分层学习，是一类有效训练深层神经网络的机器学习算法，可用于对数据进行高层抽象建模。深层神经网络能够从大量的复杂数据中学习到合适且有效的特征。这些特征在解决实际问题时常常能够取得极佳的效果，从而使得深度学习受到学术界和工业界的普遍青睐。在航空领域，深度学习算法已经被成熟应用于剩余寿命预测，发动机振动预测，飞机着陆速度预测等方面。然而，关于深度学习应用于飞机危险识别方面的研究尚未出现。
技术实现要素：4.本发明实施例所要解决的技术问题在于，提供一种飞机危险识别方法及系统，利用深度学习良好的特征自学习特性对飞机可能存在的危险进行识别，有效提高了危险识别的准确率和智能化水平，从而提高了飞机安全性。
5.为了解决上述技术问题，本发明实施例提供了一种飞机危险识别方法，所述方法包括以下步骤：
6.s1、获取航空安全报告系统asrs数据，并标记危险等级以及每一危险等级对应的标签；
7.s2、根据asrs数据特征，将asrs数据分为结构化数据和非结构化数据，并将所述结构化数据划分为结构化训练数据、结构化验证数据和结构化测试数据，以及将所述非结构化数据经文本向量化处理后，划分为非结构化训练数据、非结构化验证数据和非结构化测试数据；
8.s3、构建dnn模型和blstm模型，并使用所述结构化训练数据对所述ddn模型训练，以及使用所述非结构化训练数据对所述blstm模型训练，以获得训练好的dnn模型和blstm模型；
9.s4、将所述结构化验证数据输入已训练好的dnn模型中，获得dnn模型的混淆矩阵，以及将所述非结构化验证数据输入已训练好的blstm模型中，获得blstm模型的混淆矩阵，并对已训练好的dnn模型和blstm模型基于各自验证数据所得的识别结果进行统计分析，以
获得已训练好的dnn模型和blstm模型二者识别结果一致时所形成的统计矩阵，且进一步根据所述dnn模型的混淆矩阵、所述blstm模型的混淆矩阵和所述统计矩阵，确定模型融合策略参数；
10.s5、将所述结构化测试数据输入已训练好的dnn模型中，获得已训练好的dnn模型的每个标签概率分布，以及将所述非结构化测试数据输入已训练好的blstm模型，获得已训练好的blstm模型的每个标签概率分布，并将所获得的已训练好的dnn模型及blstm模型的每个标签概率分布，基于所述模型融合策略参数，得到危险识别结果。
11.其中，在所述步骤s1中，所述危险等级包括灾难、重大、严重、轻微以及无影响，对应的标签为5、4、3、2和1。
12.其中，在所述步骤s2中，对所述非结构化数据进行文本向量化处理的具体步骤包括：
13.步骤一：所述非结构化数据为英文文本时，对于asrs数据英文文本，按照空格对所有句子进行划分，获得英文文本语料；
14.步骤二：建立字典，文本语料存入字典；
15.步骤三：进行词频统计分析，并根据词频统计结果，对低频词语进行过滤；
16.步骤四：基于word2vec模型，将词汇表示为词向量；其中，每个词向量的维数为300，单词向量上下文最大距离设置为默认值5，要计算的单词向量的最小单词频率设置为10，使用负采样方法；
17.步骤五：由各个词向量按词汇在句子中的顺序组成矩阵，将文本句子转化为数字向量。
18.其中，所述步骤s3具体包括：
19.步骤一：参数初始化，利用标准化的he初始化器初始dnn模型的各个全连接层以及blstm模型中全连接层的权值，并利用标准化的glorot初始化器初始化blstm模型中lstm层的权值；其中，设置批次大小n
batch
＝64，最大训练迭代次数n
epoch
＝120；利用dropout和early stopping的方法来避免过度拟合；默认的dropout率设置为0.5；
20.步骤二：分别将结构化训练数据和非结构化训练数据输入至dnn模型和blstm模型中进行训练，得到识别结果；
21.步骤三：分别计算两个模型的损失函数其中，b是样本个数；ts代表第s个样本的真实标签值；y代表softmax分类器的输出；
22.步骤四：更新两个模型的基本模型参数；
23.步骤五：重复步骤二至四，直到满足early stopping条件或达到最大迭代次数，最终得到已训练好的dnn模型和blstm模型。
24.其中，所述采用的dnn模型由输入层、隐藏层以及输出层所形成的多层全连接层构成；采用的blstm由两个数据传输方向相反的lstm层和全连接层构成。
25.其中，所述步骤s4具体包括：
26.步骤一：将所述结构化验证数据输入已训练好的dnn模型中，以及将所述非结构化验证数据输入已训练好的blstm模型中，得到dnn模型和blstm模型各自对应的混淆矩阵
其中，k为模型标示，m为标签数量，表示模型k中被标记为标签j的标签i的样本数，表示模型k中标签i被标记正确的样本数量；
27.步骤二：通过对已训练好的dnn模型和blstm模型基于各自验证数据所得的识别结果进行统计分析，获得统计矩阵其中，a
ij
表示两个模型识别结果一致时，被标记为标签j的标签i的样本数；
28.步骤三：计算置信度值其中，x表示新样本，ψk(x)表示模型k的识别结果，为两个模型识别一致时标签j的数量；
29.步骤四：计算样本比例其中，n
t
为样本总数，ni为标签i的样本数量；
30.步骤五：将置信度值和样本比例作为模型融合策略参数输出。
31.其中，所述步骤s5具体包括：
32.步骤一：将所述结构化测试数据输入已训练好的dnn模型中，以及将所述非结构化测试数据输入已训练好的blstm模型中；
33.步骤二：计算dnn模型和blstm模型各自将标签i分配给新样本x的可能性矩阵其中，p
ik
为标签可能性分布，表示模型k将新样本x识别为标签i的可能性；
34.步骤三：计算最后危险识别结果
35.本发明实施例还提供了一种飞机危险识别系统，包括：
36.数据获取单元，用于获取航空安全报告系统asrs数据，并标记危险等级以及每一危险等级对应的标签；
37.数据划分单元，用于根据asrs数据特征，将asrs数据分为结构化数据和非结构化数据，并将所述结构化数据划分为结构化训练数据、结构化验证数据和结构化测试数据，以及将所述非结构化数据经文本向量化处理后，划分为非结构化训练数据、非结构化验证数
据和非结构化测试数据；
38.模型构建及训练单元，用于构建dnn模型和blstm模型，并使用所述结构化训练数据对所述ddn模型训练，以及使用所述非结构化训练数据对所述blstm模型训练，以获得训练好的dnn模型和blstm模型；
39.模型融合策略确定单元，用于将所述结构化验证数据输入已训练好的dnn模型中，获得dnn模型的混淆矩阵，以及将所述非结构化验证数据输入已训练好的blstm模型中，获得blstm模型的混淆矩阵，并对已训练好的dnn模型和blstm模型基于各自验证数据所得的识别结果进行统计分析，以获得已训练好的dnn模型和blstm模型二者识别结果一致时所形成的统计矩阵，且进一步根据所述dnn模型的混淆矩阵、所述blstm模型的混淆矩阵和所述统计矩阵，确定模型融合策略参数；
40.危险识别结果输出单元，用于将所述结构化测试数据输入已训练好的dnn模型中，获得已训练好的dnn模型的每个标签概率分布，以及将所述非结构化测试数据输入已训练好的blstm模型，获得已训练好的blstm模型的每个标签概率分布，并将所获得的已训练好的dnn模型及blstm模型的每个标签概率分布，基于所述模型融合策略参数，得到危险识别结果。
41.实施本发明实施例，具有如下有益效果：
42.本发明利用深度学习良好的特征自学习特性对飞机可能存在的危险进行识别，有效提高了危险识别的准确率和智能化水平，从而提高了飞机安全性。
附图说明
43.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
44.图1为本发明实施例提供的一种飞机危险识别方法的流程图；
45.图2为本发明实施例提供的一种飞机危险识别方法的应用场景中词频分析结果图；
46.图3为本发明实施例提供的一种飞机危险识别方法的应用场景中dnn模型混淆矩阵图；
47.图4为本发明实施例提供的一种飞机危险识别方法的应用场景中blstm模型混淆矩阵图；
48.图5为本发明实施例提供的一种飞机危险识别方法的应用场景中集成深度学习网络模型混淆矩阵图；
49.图6为本发明实施例提供的一种飞机危险识别结构示意图。
具体实施方式
50.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
51.如图1所示，为本发明实施例中，提供的一种飞机危险识别方法，所述方法包括以
下步骤：
52.步骤s1、获取航空安全报告系统asrs数据，并标记危险等级以及每一危险等级对应的标签；
53.步骤s2、根据asrs数据特征，将asrs数据分为结构化数据和非结构化数据，并将所述结构化数据划分为结构化训练数据、结构化验证数据和结构化测试数据，以及将所述非结构化数据经文本向量化处理后，划分为非结构化训练数据、非结构化验证数据和非结构化测试数据；
54.步骤s3、构建dnn模型和blstm模型，并使用所述结构化训练数据对所述ddn模型训练，以及使用所述非结构化训练数据对所述blstm模型训练，以获得训练好的dnn模型和blstm模型；
55.步骤s4、将所述结构化验证数据输入已训练好的dnn模型中，获得dnn模型的混淆矩阵，以及将所述非结构化验证数据输入已训练好的blstm模型中，获得blstm模型的混淆矩阵，并对已训练好的dnn模型和blstm模型基于各自验证数据所得的识别结果进行统计分析，以获得已训练好的dnn模型和blstm模型二者识别结果一致时所形成的统计矩阵，且进一步根据所述dnn模型的混淆矩阵、所述blstm模型的混淆矩阵和所述统计矩阵，确定模型融合策略参数；
56.步骤s5、将所述结构化测试数据输入已训练好的dnn模型中，获得已训练好的dnn模型的每个标签概率分布，以及将所述非结构化测试数据输入已训练好的blstm模型，获得已训练好的blstm模型的每个标签概率分布，并将所获得的已训练好的dnn模型及blstm模型的每个标签概率分布，基于所述模型融合策略参数，得到危险识别结果。
57.具体过程为，在步骤s1中，通过航空安全报告系统官方网站(https://asrs.arc.nasa.gov/search/database.html)收集asrs数据，根据asrs报告中的参数“result.air traffic control”为收集的asrs数据标记危险等级，包括灾难、重大、严重、轻微以及无影响，对应的标签为5、4、3、2和1。
58.在步骤s2中，首先，根据asrs数据特征，asrs数据分为结构化数据和非结构化数据；其中，结构化数据用于训练和测试dnn模型(深度神经网络模型，deep neural network)，非结构化数据用于训练和测试blstm模型(双向长短时记忆网络模型，bidirectional long short-term memory neural network)。
59.其次，对于非结构化英文文本直接按照空格划分，获得预处理后的英文文本语料，基于英文文本训练语料库，使用word2vec模型得到非结构化数据中文本序列的向量矩阵。因此，对非结构化数据进行文本向量化处理的具体步骤包括：
60.步骤一：非结构化数据为英文文本时，对于asrs数据英文文本，按照空格对所有句子进行划分，获得英文文本语料；
61.步骤二：建立字典，文本语料存入字典；
62.步骤三：进行词频统计分析，并根据词频统计结果，对低频词语进行过滤；
63.步骤四：基于word2vec模型，将词汇表示为词向量；其中，每个词向量的维数为300，单词向量上下文最大距离设置为默认值5，要计算的单词向量的最小单词频率设置为10，使用负采样方法；
64.步骤五：由各个词向量按词汇在句子中的顺序组成矩阵，将文本句子转化为数字
向量。
65.最后，将结构化数据划分为结构化训练数据、结构化验证数据和结构化测试数据，以及将文本向量化处理后的非结构化数据经划分为非结构化训练数据、非结构化验证数据和非结构化测试数据。
66.在步骤s3中，首先，构建dnn模型和blstm模型；其中，采用的dnn模型由输入层、隐藏层以及输出层等所形成的多层全连接层构成，例如全连接层神经元个数分别为256，100；采用的blstm由两个数据传输方向相反的lstm层和全连接层构成，例如神经元个数为256，全连接层有100个神经元。
67.其次，使用结构化训练数据对ddn模型训练，以及使用非结构化训练数据对blstm模型训练，以获得训练好的dnn模型和blstm模型，具体过程如下：
68.步骤一：参数初始化，利用标准化的he初始化器初始dnn模型的各个全连接层以及blstm模型中全连接层的权值，并利用标准化的glorot初始化器初始化blstm模型中lstm层的权值；其中，设置批次大小n
batch
＝64，最大训练迭代次数n
epoch
＝120；利用dropout和early stopping的方法来避免过度拟合；默认的dropout率设置为0.5；
69.步骤二：分别将结构化训练数据和非结构化训练数据输入至dnn模型和blstm模型中进行训练，得到识别结果；
70.步骤三：分别计算两个模型的损失函数其中，b是样本个数；ts代表第s个样本的真实标签值；y代表softmax分类器的输出；
71.步骤四：更新两个模型的基本模型参数；
72.步骤五：重复步骤二至四，直到满足early stopping条件或达到最大迭代次数，最终得到已训练好的dnn模型和blstm模型。
73.在步骤s4中，模型融合策略参数获取的步骤具体包括：
74.步骤一：将结构化验证数据输入已训练好的dnn模型中，以及将非结构化验证数据输入已训练好的blstm模型中，得到dnn模型和blstm模型各自对应的混淆矩阵其中，k为模型标示，m为标签数量，表示模型k中被标记为标签j的标签i的样本数，表示模型k中标签i被标记正确的样本数量；
75.步骤二：通过对已训练好的dnn模型和blstm模型基于各自验证数据所得的识别结果进行统计分析，获得统计矩阵其中，a
ij
表示两个模型识别结果一致时，被标记为标签j的标签i的样本数；
76.步骤三：计算置信度值其中，x表示新样本，ψk(x)表
示模型k的识别结果，为两个模型识别一致时标签j的数量；
77.步骤四：计算样本比例其中，n
t
为样本总数，ni为标签i的样本数量；
78.步骤五：将置信度值和样本比例作为模型融合策略参数输出。
79.在步骤s5中，危险识别结果得到的步骤具体包括：
80.步骤一：将结构化测试数据输入已训练好的dnn模型中，以及将非结构化测试数据输入已训练好的blstm模型中；
81.步骤二：计算dnn模型和blstm模型各自将标签i分配给新样本x的可能性矩阵其中，p
ik
为标签可能性分布，表示模型k将新样本x识别为标签i的可能性；
82.步骤三：计算最后危险识别结果
83.如图2至图5所示，对本发明实施例中的一种飞机危险识别方法的应用场景作进一步说明，具体如下：
84.第一步骤：数据收集。通过航空安全报告系统官方网站(https://asrs.arc.nasa.gov/search/database.html)收集asrs数据，共收集31种不同事故后果的asrs报告，搜索时间段设定为2012年1月至2022年1月，所涉及飞机和事件符合联邦航空条例far121部，总计59741份。
85.同时，进行危险等级标记。根据asrs报告中的参数“result.air traffic control”为收集的asrs数据标记危险等级，包括灾难的，重大的，严重的，轻微的以及无影响的五个等级，对应标签为5、4、3、2和1。
86.第二步骤：数据划分。将asrs报告中的参数“result.air traffic control”从原始数据中删除，asrs数据分为结构化数据和非结构化数据，结构化数据用于训练和测试dnn模型，非结构化数据用于训练和测试blstm模型。将数据分为训练数据、验证数据和测试数据，其中训练数据占总样本数的70％为41820份、验证数据占总样本数的20％为11950份、测试数据占总样本数的10％为5953份。
87.同时，对于非结构化数据进行文本向量化处理。对于非结构化英文文本直接按照空格划分，获得预处理后的英文文本语料，基于英文文本训练语料库，使用word2vec模型得到非结构化数据中文本序列的向量矩阵，如图2所示。
88.第三步骤：dnn和blstm模型构建。采用的dnn模型由输入层，隐藏层以及输出层等多层全连接层构成，全连接层神经元个数分别为256，100；采用的blstm由两个数据传输方向相反的lstm层和全连接层构成，lstm层的神经元个数为256，全连接层有100个神经元。
89.同时，对dnn和blstm模型训练。将训练数据输入构建的dnn和blstm模型进行训练，获得训练完成的dnn和blstm模型。
90.第四步骤：模型融合策略参数计算。将各自的验证数据分别输入已训练好的dnn和blstm模型，以获得两个模型的混淆矩阵如图3和图4所示。同时，对两个模型基于验证数据得到的识别结果进行统计分析，统计每个标签的模型识别结果一致的样本数量形成统计矩阵，使用两个模型的混淆矩阵和统计矩阵计算模型融合策略参数。
91.第五步骤：集成深度学习网络危险识别模型测试。将测试数据输入训练完成的dnn和blstm模型，获得每个模型的每个标签概率分布，基于模型融合策略得到危险识别结果，如图5所示。
92.如图6所示，为本发明实施中，提供的一种飞机危险识别系统，包括：
93.数据获取单元110，用于获取航空安全报告系统asrs数据，并标记危险等级以及每一危险等级对应的标签；
94.数据划分单元120，用于根据asrs数据特征，将asrs数据分为结构化数据和非结构化数据，并将所述结构化数据划分为结构化训练数据、结构化验证数据和结构化测试数据，以及将所述非结构化数据经文本向量化处理后，划分为非结构化训练数据、非结构化验证数据和非结构化测试数据；
95.模型构建及训练单元130，用于构建dnn模型和blstm模型，并使用所述结构化训练数据对所述ddn模型训练，以及使用所述非结构化训练数据对所述blstm模型训练，以获得训练好的dnn模型和blstm模型；
96.模型融合策略确定单元140，用于将所述结构化验证数据输入已训练好的dnn模型中，获得dnn模型的混淆矩阵，以及将所述非结构化验证数据输入已训练好的blstm模型中，获得blstm模型的混淆矩阵，并对已训练好的dnn模型和blstm模型基于各自验证数据所得的识别结果进行统计分析，以获得已训练好的dnn模型和blstm模型二者识别结果一致时所形成的统计矩阵，且进一步根据所述dnn模型的混淆矩阵、所述blstm模型的混淆矩阵和所述统计矩阵，确定模型融合策略参数；
97.危险识别结果输出单元150，用于将所述结构化测试数据输入已训练好的dnn模型中，获得已训练好的dnn模型的每个标签概率分布，以及将所述非结构化测试数据输入已训练好的blstm模型，获得已训练好的blstm模型的每个标签概率分布，并将所获得的已训练好的dnn模型及blstm模型的每个标签概率分布，基于所述模型融合策略参数，得到危险识别结果。
98.实施本发明实施例，具有如下有益效果：
99.本发明利用深度学习良好的特征自学习特性对飞机可能存在的危险进行识别，有效提高了危险识别的准确率和智能化水平，从而提高了飞机安全性。
100.值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
101.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如rom/ram、磁盘、光盘等。
102.以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
技术特征：1.一种飞机危险识别方法，其特征在于，所述方法包括以下步骤：s1、获取航空安全报告系统asrs数据，并标记危险等级以及每一危险等级对应的标签；s2、根据asrs数据特征，将asrs数据分为结构化数据和非结构化数据，并将所述结构化数据划分为结构化训练数据、结构化验证数据和结构化测试数据，以及将所述非结构化数据经文本向量化处理后，划分为非结构化训练数据、非结构化验证数据和非结构化测试数据；s3、构建dnn模型和blstm模型，并使用所述结构化训练数据对所述ddn模型训练，以及使用所述非结构化训练数据对所述blstm模型训练，以获得训练好的dnn模型和blstm模型；s4、将所述结构化验证数据输入已训练好的dnn模型中，获得dnn模型的混淆矩阵，以及将所述非结构化验证数据输入已训练好的blstm模型中，获得blstm模型的混淆矩阵，并对已训练好的dnn模型和blstm模型基于各自验证数据所得的识别结果进行统计分析，以获得已训练好的dnn模型和blstm模型二者识别结果一致时所形成的统计矩阵，且进一步根据所述dnn模型的混淆矩阵、所述blstm模型的混淆矩阵和所述统计矩阵，确定模型融合策略参数；s5、将所述结构化测试数据输入已训练好的dnn模型中，获得已训练好的dnn模型的每个标签概率分布，以及将所述非结构化测试数据输入已训练好的blstm模型，获得已训练好的blstm模型的每个标签概率分布，并将所获得的已训练好的dnn模型及blstm模型的每个标签概率分布，基于所述模型融合策略参数，得到危险识别结果。2.如权利要求1所述的飞机危险识别方法，其特征在于，在所述步骤s1中，所述危险等级包括灾难、重大、严重、轻微以及无影响，对应的标签为5、4、3、2和1。3.如权利要求1所述的飞机危险识别方法，其特征在于，在所述步骤s2中，对所述非结构化数据进行文本向量化处理的具体步骤包括：步骤一：所述非结构化数据为英文文本时，对于asrs数据英文文本，按照空格对所有句子进行划分，获得英文文本语料；步骤二：建立字典，文本语料存入字典；步骤三：进行词频统计分析，并根据词频统计结果，对低频词语进行过滤；步骤四：基于word2vec模型，将词汇表示为词向量；其中，每个词向量的维数为300，单词向量上下文最大距离设置为默认值5，要计算的单词向量的最小单词频率设置为10，使用负采样方法；步骤五：由各个词向量按词汇在句子中的顺序组成矩阵，将文本句子转化为数字向量。4.如权利要求1所述的飞机危险识别方法，其特征在于，所述步骤s3具体包括：步骤一：参数初始化，利用标准化的he初始化器初始dnn模型的各个全连接层以及blstm模型中全连接层的权值，并利用标准化的glorot初始化器初始化blstm模型中lstm层的权值；其中，设置批次大小n
batch
＝64，最大训练迭代次数n
epoch
＝120；利用dropout和early stopping的方法来避免过度拟合；默认的dropout率设置为0.5；步骤二：分别将结构化训练数据和非结构化训练数据输入至dnn模型和blstm模型中进行训练，得到识别结果；步骤三：分别计算两个模型的损失函数
其中，b是样本个数；t
s
代表第s个样本的真实标签值；y代表softmax分类器的输出；步骤四：更新两个模型的基本模型参数；步骤五：重复步骤二至四，直到满足early stopping条件或达到最大迭代次数，最终得到已训练好的dnn模型和blstm模型。5.如权利要求4所述的飞机危险识别方法，其特征在于，所述采用的dnn模型由输入层、隐藏层以及输出层所形成的多层全连接层构成；采用的blstm由两个数据传输方向相反的lstm层和全连接层构成。6.如权利要求1所述的飞机危险识别方法，其特征在于，所述步骤s4具体包括：步骤一：将所述结构化验证数据输入已训练好的dnn模型中，以及将所述非结构化验证数据输入已训练好的blstm模型中，得到dnn模型和blstm模型各自对应的混淆矩阵其中，k为模型标示，m为标签数量，表示模型k中被标记为标签j的标签i的样本数，表示模型k中标签i被标记正确的样本数量；步骤二：通过对已训练好的dnn模型和blstm模型基于各自验证数据所得的识别结果进行统计分析，获得统计矩阵其中，a
ij
表示两个模型识别结果一致时，被标记为标签j的标签i的样本数；步骤三：计算置信度值其中，x表示新样本，ψ
k
(x)表示模型k的识别结果，为两个模型识别一致时标签j的数量；步骤四：计算样本比例其中，n
t
为样本总数，n
i
为标签i的样本数量；步骤五：将置信度值和样本比例作为模型融合策略参数输出。7.如权利要求6所述的飞机危险识别方法，其特征在于，所述步骤s5具体包括：步骤一：将所述结构化测试数据输入已训练好的dnn模型中，以及将所述非结构化测试数据输入已训练好的blstm模型中；步骤二：计算dnn模型和blstm模型各自将标签i分配给新样本x的可能性矩阵其中，p
ik
为标签可能性分布，表示模型k将新样本x识别为标签i的可能性；
步骤三：计算最后危险识别结果8.一种飞机危险识别系统，其特征在于，包括：数据获取单元，用于获取航空安全报告系统asrs数据，并标记危险等级以及每一危险等级对应的标签；数据划分单元，用于根据asrs数据特征，将asrs数据分为结构化数据和非结构化数据，并将所述结构化数据划分为结构化训练数据、结构化验证数据和结构化测试数据，以及将所述非结构化数据经文本向量化处理后，划分为非结构化训练数据、非结构化验证数据和非结构化测试数据；模型构建及训练单元，用于构建dnn模型和blstm模型，并使用所述结构化训练数据对所述ddn模型训练，以及使用所述非结构化训练数据对所述blstm模型训练，以获得训练好的dnn模型和blstm模型；模型融合策略确定单元，用于将所述结构化验证数据输入已训练好的dnn模型中，获得dnn模型的混淆矩阵，以及将所述非结构化验证数据输入已训练好的blstm模型中，获得blstm模型的混淆矩阵，并对已训练好的dnn模型和blstm模型基于各自验证数据所得的识别结果进行统计分析，以获得已训练好的dnn模型和blstm模型二者识别结果一致时所形成的统计矩阵，且进一步根据所述dnn模型的混淆矩阵、所述blstm模型的混淆矩阵和所述统计矩阵，确定模型融合策略参数；危险识别结果输出单元，用于将所述结构化测试数据输入已训练好的dnn模型中，获得已训练好的dnn模型的每个标签概率分布，以及将所述非结构化测试数据输入已训练好的blstm模型，获得已训练好的blstm模型的每个标签概率分布，并将所获得的已训练好的dnn模型及blstm模型的每个标签概率分布，基于所述模型融合策略参数，得到危险识别结果。
技术总结本发明提供一种飞机危险识别方法，包括获取ASRS数据并标记危险等级；将ASRS数据分为结构化和非结构化数据，并对应划分出结构化及非结构化的训练数据、验证数据和测试数据；构建DNN模型并使用结构化数据训练，以及构建BLSTM模型并使用非结构化训练数据训练；使用结构化和非结构化验证数据分别对DNN及BLSTM模型验证，获得两模型的混淆矩阵，并结合两模型验证结果所获得的统计矩阵，确定模型融合策略参数；使用结构化和非结构化测试数据分别对DNN及BLSTM模型测试，获得两模型的每个标签概率分布，并结合模型融合策略参数，得到危险识别结果。实施本发明，利用深度学习良好的特征自学习特性对飞机可能存在的危险进行识别，有效提高危险识别的准确率。提高危险识别的准确率。提高危险识别的准确率。
技术研发人员：庄笑 周迪 司泽田 王宏伟 向家伟
受保护的技术使用者：温州大学
技术研发日：2022.06.27
技术公布日：2022/11/1
