航空器飞行状态预测方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 国外研究现状 | 第12-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 论文主要工作与内容安排 | 第15-17页 |
| 1.3.1 主要工作 | 第15页 |
| 1.3.2 内容安排 | 第15-17页 |
| 第二章 飞行状态识别与预测方法 | 第17-26页 |
| 2.1 航空器飞行状态定义与分类 | 第17-18页 |
| 2.2 飞行状态预测典型模型 | 第18-20页 |
| 2.2.1 运动学模型 | 第18页 |
| 2.2.2 滤波分析模型 | 第18-20页 |
| 2.3 隐马尔科夫模型 | 第20-23页 |
| 2.3.1 隐马尔科夫模型的定义 | 第20-21页 |
| 2.3.2 隐马尔科夫模型的基本问题及算法 | 第21-23页 |
| 2.4 神经网络模型 | 第23-25页 |
| 2.4.1 神经网络的定义与分类 | 第23-24页 |
| 2.4.2 BP神经网络模型的训练方法 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 终端区飞行状态识别 | 第26-42页 |
| 3.1 终端区飞行特点 | 第26页 |
| 3.2 雷达数据处理 | 第26-30页 |
| 3.2.1 正则表达式的应用 | 第26-28页 |
| 3.2.2 数据提取软件设计 | 第28-29页 |
| 3.2.3 由雷达数据判定航迹关键点 | 第29-30页 |
| 3.3 基于PHMM模型的飞行状态识别 | 第30-41页 |
| 3.3.1 PHMM定义 | 第30-31页 |
| 3.3.2 包含管制经验的PHMM模型建立 | 第31-33页 |
| 3.3.3 模型训练与识别结果 | 第33-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 航路飞行状态预测 | 第42-53页 |
| 4.1 航路飞行特点 | 第42页 |
| 4.2 航空器航路飞行状态判定 | 第42-48页 |
| 4.2.1 高度判定 | 第42-45页 |
| 4.2.2 航线判定 | 第45-46页 |
| 4.2.3 速度判定 | 第46-48页 |
| 4.3 HMM-BP模型建立 | 第48-50页 |
| 4.4 模型训练与预测结果 | 第50-52页 |
| 4.4.1 模型的训练过程 | 第50-51页 |
| 4.4.2 飞行状态预测 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 飞行冲突场景下的航空器飞行状态预测 | 第53-61页 |
| 5.1 Swarm基本模型 | 第53-55页 |
| 5.1.1 Swarm模型特点 | 第53页 |
| 5.1.2 Swarm势函数 | 第53-55页 |
| 5.2 基于Steer算法改进模型 | 第55-57页 |
| 5.2.1 Steer算法在飞行控制中的应用 | 第55-56页 |
| 5.2.2 Steer算法对模型的改进 | 第56-57页 |
| 5.3 基于飞行规则改进模型 | 第57-58页 |
| 5.4 仿真实验 | 第58-60页 |
| 5.4.1 汇聚飞行场景仿真预测 | 第58-59页 |
| 5.4.2 高度层穿越场景仿真预测 | 第59-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第六章 包含飞行状态预测功能的电子进程单设计 | 第61-71页 |
| 6.1 软件系统及主要结构概述 | 第61-65页 |
| 6.2 软件主要的功能模块 | 第65-70页 |
| 6.3 本章小结 | 第70-71页 |
| 第七章 总结与展望 | 第71-73页 |
| 7.1 论文工作总结 | 第71-72页 |
| 7.2 研究展望 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 作者简介 | 第78页 |
