一种基于SVM的低空空域通航飞机冲突检测方法

摘要

本发明公开了一种基于SVM的低空空域通航飞机冲突检测方法，包括如下步骤：S1，通过选取核函数及其参数构建SVM模型；S2，获取目标飞机和本机的信息，并对信息进行预处理，通过预处理得到目标飞机与本机的相对信息；S3，将预处理得到的目标飞机与本机的相对信息输入SVM模型，通过SVM模型对输入的相对信息进行分类，并根据分类设定预测值；S4，参照前一段时间的预测结果，对预测值进行移动平均加权，得到最终预测值，根据最终预测值判断目标飞机是否对本机产生冲突。该方法用于对相对较远距离的目标飞机进行冲突探测，可以有效地检测飞机在低空空域的冲突，以增强低空空域飞行环境下飞行员的交通态势感知能力，及时调整飞行方案，避免冲突发生。

说明书

技术领域

本发明涉及一种通航飞机冲突检测方法，尤其涉及一种基于SVM (支持向量机)的低空空域通航飞机冲突检测方法。

背景技术

近些年来，随着航空事业的蓬勃发展，国内飞机的数目与日俱增， 空域内航线日益密集，飞行器流量日益加大，这就造成了空域变得越 来越拥挤，拥挤意味着冲突。无论是航线设定过密，还是飞机本身故 障或是风力等环境因素，都可能造成飞机发生碰撞冲突。由于飞机运 输的特殊性，一旦飞机在空中发生冲突，就很难保证乘客人身及财产 安全。另外，如不能有效地疏通这种拥挤，也会降低空域资源的利用 率，极大地阻碍国家航空事业的发展。因此，能够提前预知冲突的发 生，并及早地采取有效的防范措施就显得尤为重要。

为了解决上述问题，相关机构在飞机飞行过程中的各个阶段以及 不同原因引起的冲突分别进行研究，例如，在申请号为201310323633.1 的中国发明专利申请中公开了一种基于A-SMGCS系统的滑行道冲突检 测方法，可以有效地检测飞机在滑行过程中产生的冲突，及时采取相 应措施；在申请号为201110120282.5的中国发明专利申请中公开了一 种空中目标的冲突检测方法，可以有效地检测飞机在高空飞行过程中 产生的冲突，使得飞行员较早获知飞机发生的冲突和碰撞的可能性， 及时调整飞行方案，避免冲突发生；在申请号为201210368083.0的中 国发明专利申请中公开了一种飞行冲突解脱方法及装置，可以有效地 检测由于飞机延迟产生的冲突。上述研究能很好地检测冲突发生的可 能性，使飞行员提前采取措施，降低飞行风险。

但是对于低空空域的冲突探测问题，并没有相应的研究。低空空 域的冲突探测问题一般为短期问题，飞机速度相对较慢，飞行自由度 高且飞行环境复杂。按照传统TCAS冲突探测逻辑，在进行解脱机动时， 如果两架飞机的距离相对较近，那么所执行的规避机动相对剧烈。如 果在更广的范围进行冲突检测，提前向飞行员提供当前的交通态势， 有利于飞行员提前进行判断处理，能够有效避免近距离的剧烈规避机 动。但是，由于低空空域的不确定性，在远距离进行传统的线性外推 具有较大的难度和不确定性。

发明内容

针对现有技术的不足，本发明所要解决的技术问题在于提供一种 基于SVM的低空空域通航飞机冲突检测方法。

为实现上述发明目的，本发明采用下述的技术方案：

一种基于SVM的低空空域通航飞机冲突检测方法，包括如下步骤：

S1，通过选取核函数及其参数构建SVM模型；

S2，获取目标飞机和本机的信息，并对所述信息进行预处理，通 过预处理得到目标飞机与本机的相对信息；

S3，将预处理得到的目标飞机与本机的相对信息输入SVM模型， 通过SVM模型对输入的相对信息进行分类，并根据分类设定预测值；

S4，参照前一段时间的预测结果，对预测值进行移动平均加权， 得到最终预测值，根据最终预测值判断目标飞机是否对本机产生冲突。

其中较优地，在步骤S1中，所述参数包括惩罚因子和径向基函数。

其中较优地，在步骤S1中，选取核函数的参数，包括如下步骤：

S11，设定种群规模、迭代次数、搜索空间大小和速度，根据限制 随机初始化粒子的位置X＝(X₁,X₂,...,X_n)和速度V＝(V₁,V₂,...,V_n)；

S12，根据每个粒子的位置X_i＝(x_i1,x_i2)对SVM模型进行训练，将交 叉验证的正确率作为所述粒子的适应度，位置X_i＝(x_i1,x_i2)的横纵坐标分 别代表惩罚因子和径向基函数；

S13，根据每个粒子的适应度，与所述粒子历史位置上的适应度相 比较，将适应度高的作为新的个体极值P_i＝(P_i1,P_i2,...,P_iD)；

S14，根据每个粒子的适应度和所有粒子经过的最优适应度相比 较，将适应度高的作为新的全局极值P_g＝(P_g1,P_g2,...,P_gD)；

S15，根据粒子的速度和位置更新公式对粒子进行更新；

S16，判断当前迭代次数是否满足条件：gen<下降阈值，如果满足， 则转向步骤S17；否则，判断当前迭代次数是否满足最大迭代次数， 如果满足，则输出结果，适应度最高的粒子的坐标值即为所述参数的 值；若不满足，则转向步骤S13；

S17，计算粒子的适应度值，根据粒子适应度的大小按一定比例从 种群P中选取出种群P2，并对P2进行重组交叉和变异；

S18，计算P2的适应度，根据适应度重插入种群P中，转向步骤 S13。

其中较优地，在步骤S15中，所述粒子的速度更新公式为：

$V_{id}^{k+1}={\mathrm{wV}}_{id}^k+c_1{r}_1(P_{id}^k-X_{id}^k)+c_2{r}_2(P_{gd}^k-X_{id}^k)$

其中，V_i＝(V_i1,V_i2,...,V_iD)为每一个粒子的速度，X_i＝(x_i1,x_i2,...,x_iD)为 每一个粒子位置；P_i＝(P_i1,P_i2,...,P_iD)为个体极值，P_g＝(P_g1,P_g2,...,P_gD)为全 局极值，k代表种群的当前代数，c1,c2为加速度常数，r1,r2为(0,1) 之内的随机数；

$w=0.9-\frac{0.5}{1+e^{-15\frac{gen-\frac{MAXGEN}{2}}{MAXGEN}}}$

其中,gen为当前迭代次数，MAXGEN为最大迭代次数；

所述粒子的位置更新公式为：

$X_{id}^{k+1}=X_{id}^k+V_{id}^{k+1}$

其中，V_i＝(V_i1,V_i2,...,V_iD)为每一个粒子的速度，X_i＝(x_i1,x_i2,...,x_iD)为 每一个粒子位置；k代表种群的当前代数。

其中较优地，在步骤S2中，所述对信息进行预处理，包括如下步 骤：

S21，以本机为参考，对目标飞机进行坐标转换，得到相对位置： P_R＝(x_R,y_R,z_R)＝P_i-P_o＝(x_i-x_o,y_i-y_o,z_i-z_o)；

S22，以本机航向方向为y轴正方向方向，对目标飞机的速度进行 转换，得到相对速度：V_R＝(v_Rx,v_Ry,v_Rz)＝V_i-V_o＝(v_xi-v_xo,v_yi-v_yo,v_zi-v_zo)；

S23，根据相对位置和相对速度计算目标飞机的水平相对航向和垂 直航向。

其中较优地，在步骤S23中，计算目标飞机的水平相对航向，包 括如下步骤：

获取目标飞机相对速度在x轴正方向和y轴正方向的分速度v_Rx和 v_Ry；

判断v_Rx和v_Ry的方向，根据v_Rx和v_Ry的方向，确定目标飞机的水平 相对航向：

如果目标飞机的相对速度v_Rx＞0,v_Ry＞0,水平相对航向为： $\theta =arctan\left(\frac{v_{Ry}}{v_{Rx}}\right);$

如果目标飞机的相对速度v_Rx＜0,v_Ry＞0或者v_Rx＜0,v_Ry＜0,水平相对 航向为：$\theta =arctan\left(\frac{v_{Ry}}{v_{Rx}}\right)+\pi ;$

如果目标飞机的相对速度v_Rx＞0,v_Ry＜0,水平相对航向w为： $\theta =arctan\left(\frac{v_{Ry}}{v_{Rx}}\right)+2\pi .$

其中较优地，在步骤S23中，计算目标飞机的垂直航向，包括如 下步骤：

获取目标飞机相对速度在z轴正方向的分速度v_Rx；

判断v_Rz的方向，根据v_Rz的方向，确定目标飞机的垂直航向：

如果垂直相对速度(z轴正方向的分速度)v_Rz＞0，垂直航向为：

如果垂直相对速度v_Rz＜0，垂直航向为：

其中较优地，在步骤S2中，通过预处理得到目标飞机与本机的相 对信息为：

其中，V_R＝(v_Rx，v_Ry，v_Rz)为目标飞机的相对速度； P_R＝(x_R，y_R，z_R)为目标飞机的相对位置；θ_Ri为目标飞机的水平相对航向； 为目标飞机的垂直航向。

其中较优地，在步骤S3中，将预处理得到的目标飞机与本机的相 对信息输入SVM模型之后，先将相对信息进行过滤处理，将位于圆柱 形的冲突保护区之外的目标飞机提前划分为非冲突目标。

其中较优地，在步骤S4中，参照前一段时间的预测结果，对所述 预测值进行移动平均加权，即采用如下公式对预测值进行处理：

$F_t^i=\frac{\underset{j=t-m+1}{\overset{t}{\Sigma }}{w}_j·P_j\left(T_i\right)}{\underset{j=t-m+1}{\overset{t}{\Sigma }}{w}_j}$

其中，P_j(T_i)为根据分类设定的预测值；w_j为滑动加权系数。

本发明所提供的基于SVM的低空空域通航飞机冲突检测方法，通 过获取监视区域内飞机的位置和速度等信息，计算目标飞机相对于本 机位置和速度航向信息，利用已经训练好SVM模型进行冲突的判断分 类，同时考虑历史的判断信息，采用移动时间加权平均对判断时刻和 历史判断情况进行综合考虑之后，对目标飞机进行判断分类。该方法 通过对相对较远距离的目标飞机进行冲突探测，增强低空空域飞行环 境下飞行员的交通态势感知能力，及时作出相应处理，以避免产生较 近距离下的剧烈飞行机动。

附图说明

图1为本发明所提供的基于SVM的低空空域通航飞机冲突检测方 法的流程图；

图2为本发明所提供的通航飞机冲突检测方法中，选取核函数参 数的流程图；

图3为本发明所提供的一个实施例中，以本机作为坐标原点建立 圆柱形的冲突保护区的结构图。

具体实施方式

下面结合附图和具体实施例对本发明的技术内容进行详细具体的 说明。

针对低空空域通航飞机的冲突检测，主要用于对相对较远距离的 目标飞机进行冲突检测，以增强低空空域飞行环境下飞行员的交通态 势感知能力，在相对较远的情况下，基于目标飞机当前和历史飞行状 态进行冲突判断，以避免产生较近距离下的剧烈飞行机动。在本发明 中，通过ADS-B获取监视区域内飞机的位置和速度等信息，ADS-B具 有较高的信息更新速率，每秒获取一次目标飞机的更新信息，计算目 标飞机相对于本机位置和速度航向信息，通过已经训练好的SVM(支 持向量机)模型进行冲突的判断分类，同时考虑历史的判断信息，采 用移动时间加权平均的方法对判断时刻和历史判断情况进行综合考虑 之后，对目标飞机进行判断分类。如图1所示，本发明所提供的基于 SVM的低空空域通航飞机冲突检测方法，包括如下步骤：首先，通过 选取核函数及其参数构建SVM模型；其次，获取目标飞机和本机的信 息，并对信息进行预处理，通过预处理得到目标飞机与本机的相对信 息；然后，将预处理得到的目标飞机与本机的相对信息输入SVM模型， 通过SVM模型对输入的相对信息进行分类，并根据分类设定预测值； 最后，参照前一段时间的预测结果，对预测值进行移动平均加权，得 到最终预测值，根据最终预测值判断目标飞机是否对本机产生冲突。 下面对这一过程做详细具体的说明。

S1，通过选取核函数及其参数构建SVM模型。

支持向量机(SVM)是由Vapnik提出的一种基于统计学习理论的 机器学习方法，它是基于结构风险最小化原则对数据进行分类，将原 始数据通过核函数映射到高维空间中，采用线性超平面对数据进行分 类，解决了在低维数据空间中线性不可分的问题。

SVM的训练参数选取是SVM模型建立的关键步骤，主要涉及SVM 映射的核函数及相应核函数的具体参数选取。常用的核函数有：

线性核函数：K(x,x_i)＝<x·x_i>；

多项式核函数：K(x,x_i)＝(<x·x_i>+R)^d；

径向基核函数：$K(x,x_i)=e^{\frac{-\left|\right|x-x_i|{|}^2}{{\sigma }^2}};$

通过选取适当的核函数及相应的参数，可以建立一个适当的分类 模型，对信息进行分类。在本发明所提供的实施例中，选取径向基函 数作为核函数，涉及到的参数有：

1)惩罚因子C：惩罚因子C主要影响建立SVM模型的复杂度。C 越低，建立的SVM模型越简单，SVM模型的推广能力越高，但SVM模 型训练准确度会降低。较高的C虽然使得SVM模型训练准确度高，但 是较高的C值使得SVM模型的复杂度高，SVM模型的推广能力差，对 于预测样本的分类正确率低。所以选取一个合适的惩罚因子的值对于 SVM模型的准确度，进而对于样本分类的正确率至关重要。

2)径向基函数σ：径向基函数σ为径向基函数的宽度，控制了 径向的作用范围，σ越高，对于特征数据的映射能力越弱，σ越小， 映射能力越强，但是可能会造成过拟合的情况。所以选取一个合适的 径向基函数σ的值对于特征数据的映射能力至关重要。

传统的参数选取的方法包括网格搜索法Grid-Search和经验选择 法，经验选择法虽然简单，但是存在很大的主观性。网格搜索法在一 定的搜索空间中以一定的步进逐步搜索，但是存在计算量大，搜索精 度不足等问题。

近年来，国内外许多研究学者采用进化算法对SVM的参数进行选 取。常用的有遗传算法和粒子群算法。遗传算法借鉴生物界中生物进 化繁衍的规律，通过对个体的选择、交叉、变异等操作来寻找解空间 的潜在最优解。但是遗传算法具有较大的随机性，且算法本身的参数 设置过多，容易产生早熟收敛等问题。粒子群算法模拟鸟群捕食行为， 通过考虑粒子的个体最优值和全体最优值来引导粒子的搜索策略。但 是粒子群算法存在容易陷入局部最优的情况。所以，在本发明所提供 的实施例中，结合遗传算法和粒子群算法各自的优点，提出一种GA-PSO 混合算法，来解决SVM模型的参数寻优问题，以期解决GA算法搜索效 率低和PSO算法容易陷入局部最优的缺陷。

其中，PSO算法粒子种群由n个粒子组成X＝(X₁,X₂,...,X_n)，每一个 粒子位置X_i＝(x_i1,x_i2,...,x_iD)，D表示解空间的维数；每一个粒子的速度 为V_i＝(V_i1,V_i2,...,V_iD)，粒子的适应度函数P为K类交叉验证 (cross-validation)正确率CVAccuracy。所谓K类交叉验证，就是将 训练集平均分为K份，每次取1份作为测试集，剩余的K-1份作为训 练集，然后采用当前的参数取值，也就是粒子位置X_i＝(x_i1,x_i2,...,x_iD)作 为训练参数时进行模型的建立和对测试集的分类，最后将K个模型的 分类正确率平均。个体极值为：P_i＝(P_i1,P_i2,...,P_iD)，全局极值为： P_g＝(P_g1,P_g2,...,P_gD)，粒子的更新公式为：

$V_{id}^{k+1}=-{\mathrm{wV}}_{id}^k+c_1{r}_1(P_{id}^k-X_{id}^k)+c_2{r}_2(P_{gd}^k-X_{id}^k)$

$X_{id}^{k+1}=X_{id}^k+V_{id}^{k+1}$

k代表种群的当前代数，其中，c1,c2为加速度常数，r1,r2为(0,1) 之内的随机数。

粒子的位置变化幅度是由粒子的飞行速度的大小决定的，粒子飞 行速度大，能够在短时间内飞到搜索空间中最优解的区域，其全局搜 索能力较强，粒子飞行速度较低时，粒子的位置变化幅度较小，有利 于增加搜索的精度，局部搜索能力强，全局搜索能力弱。但是，如果 粒子的飞行速度一直保持一个较高的值，可能会导致粒子越过最优解 区域，飞行速度一直较低的时候，虽然搜索的精度会增加，但是可能 导致粒子陷入局部最优解。所以对速度更新公式增加了一个权重系数：

$w=0.9-\frac{0.5}{1+e^{-15\frac{gen-\frac{MAXGEN}{2}}{MAXGEN}}}$

其中,gen为当前迭代次数，MAXGEN为最大迭代次数。

以此，粒子在迭代初期能够保持较高的更新速度，以获得较强的 全局搜索能力，在迭代后期具有较低的更新速度，具有较强的局部搜 索能力。所以，在算法迭代初期，为了加大粒子的不确定度，增强算 法的全局搜索能力参考遗传算法的机理，对粒子进行变异。下面对选 取核函数参数的过程进行详细说明。

如图2所示，选取核函数的参数，具体包括如下步骤：

S11，设定种群规模、迭代次数、搜索空间大小和速度等参数，根 据限制随机初始化粒子的位置X＝(X₁,X₂,...,X_n)和速度V＝(V₁,V₂,...,V_n)。

S12，根据每个粒子的位置X_i＝(x_i1,x_i2)对SVM模型进行训练，将交 叉验证的正确率作为该粒子的适应度，位置X_i＝(x_i1,x_i2)的横纵坐标分别 代表惩罚因子C和径向基函数σ。

S13，根据每个粒子的适应度，与其历史位置上的适应度相比较， 将适应度较高的作为新的个体极值P_i＝(P_i1,P_i2,...,P_iD)。

S14，根据每个粒子的适应度和所有粒子经过的最优适应度相比 较，将适应度较高的作为新的全局极值P_g＝(P_g1,P_g2,...,P_gD)。

S15，根据粒子的速度和位置更新公式对粒子进行更新。其中，粒 子的速度更新公式为：

$V_{id}^{k+1}=-{\mathrm{wV}}_{id}^k+c_1{r}_1(P_{id}^k-X_{id}^k)+c_2{r}_2(P_{gd}^k-X_{id}^k)$

V_i＝(V_i1,V_i2,...,V_iD)为每一个粒子的速度，X_i＝(x_i1,x_i2,...,x_iD)为每一个粒 子的位置；P_i＝(P_i1,P_i2,...,P_iD)为个体极值，P_g＝(P_g1,P_g2,...,P_gD)为全局极值， k代表种群的当前代数，c1,c2为加速度常数，r1,r2为(0,1)之内 的随机数。

$w=0.9-\frac{0.5}{1+e^{-15\frac{gen-\frac{MAXGEN}{2}}{MAXGEN}}}$

其中,gen为当前迭代次数，MAXGEN为最大迭代次数。在本发明所 提供的实施例中，D和d代表相同的含义。

粒子的位置更新公式为：

$X_{id}^{k+1}=X_{id}^k+V_{id}^{k+1}$

V_i＝(V_i1,V_i2,...,V_iD)为每一个粒子的速度，X_i＝(x_i1,x_i2,...,x_iD)为每一个粒 子的位置；k代表种群的当前代数。

S16，判断当前迭代次数是否满足条件：gen<下降阈值，若满足， 则转向步骤S17；否则，判断当前迭代次数是否满足最大迭代次数， 如果满足，则输出结果，适应度最高的粒子的坐标值即为参数值；若 不满足，则转向步骤S13。在本发明所提供的实施例中，通过实验数 据证明，当迭代次数超过40时，适应度值迅速下降，所以将下降阈值 设为40。

S17，计算粒子的适应度值，根据粒子适应度的大小按一定比例从 种群P中选取出种群P2，并对P2进行重组交叉和变异。从种群P中 选取适应度较小的种群P2，对P2进行重组交叉和变异之后，可以在 一定程度上提高新粒子的适用度，即提高交叉验证的正确率。

S18，计算P2的适应度，根据适应度重插入种群P中，转向步骤 S3。

对种群P2进行交叉重组和变异之后，计算P2的适应度，根据适 应度重插入种群P中，使种群P中保留适应度高的粒子，排除适应度 小的粒子。

S2，获取目标飞机和本机的信息，并对信息进行预处理，通过预 处理得到目标飞机与本机的相对信息。

在本发明所提供的实施例中，假设空域内的飞机均装有ADS-BOUT 设备，飞机通过获取由监视空域内其他飞机播发的ADS-B报文数据， 获得目标飞机的信息；由自身的机载设备获取到本机的信息。数据选 取主要选择目标飞机的识别号ID、目标飞机和本机的位置信息、目标 飞机和本机的速度信息。目标飞机的位置表示为P_i＝(x_i,y_i,z_i)，速度为 V_i＝(v_xi,v_yi,v_zi)，本机的位置表示为P_o＝(x_o,y_o,z_o)，速度为V_o＝(v_xo,v_yo,v_zo)。

对获取的目标飞机和本机的信息进行预处理，主要是计算目标飞 机相对于本机的位置、速度航向等信息，具体包括如下步骤：

S21，以本机为参考，对目标飞机进行坐标转换，得到相对位置表 示为：P_R＝(x_R,y_R,z_R)＝P_i-P_o＝(x_i-x_o,y_i-y_o,z_i-z_o)；此时，本机位于坐标原 点。

S22，以本机航向方向为y轴正方向方向，对目标飞机的速度进行 转换，得到相对速度表示为：V_R＝(v_Rx,v_Ry,v_Rz)＝V_i-V_o＝(v_xi-v_xo,v_yi-v_yo,v_zi-v_zo)。

S23，根据相对位置和相对速度计算目标飞机的水平相对航向和垂 直航向。

其中，水平相对航向是以相对坐标系的x轴正方向为基准的。根 据相对位置和相对速度计算目标飞机的水相对平航向，具体包括如下 步骤：

首先，获取目标飞机相对速度在x轴正方向和y轴正方向的分速 度v_Rx和v_Ry；

然后，判断v_Rx和v_Ry的方向，根据v_Rx和v_Ry的方向，确定目标飞机 的水平相对航向：

如果目标飞机的相对速度v_Rx＞0,v_Ry＞0,水平相对航向为： $\theta =arctan\left(\frac{v_{Ry}}{v_{Rx}}\right);$

如果目标飞机的相对速度v_Rx＜0,v_Ry＞0或者v_Rx＜0,v_Ry＜0,水平相对 航向为：$\theta =arctan\left(\frac{v_{Ry}}{v_{Rx}}\right)+\pi ;$

如果目标飞机的相对速度v_Rx＞0,v_Ry＜0,水平相对航向w为： $\theta =arctan\left(\frac{v_{Ry}}{v_{Rx}}\right)+2\pi .$

垂直航向是以相对坐标轴中z轴正方向为基准。根据相对位置和 相对速度计算目标飞机的垂直航向，具体包括如下步骤：

首先，获取目标飞机相对速度在z轴正方向的分速度v_Rz；

然后，判断v_Rz的方向，根据v_Rz的方向，确定目标飞机的垂直航 向：如果垂直相对速度(z轴正方向的分速度)v_Rz＞0，垂直航向为：

如果垂直相对速度v_Rz＜0，垂直航向为：

经过预处理得到目标飞机与本机的相对信息，其中，相对信息为： 其中，V_R＝(v_Rx，v_Ry，v_Rz) 为目标飞机的相对速度；P_R＝(x_R，y_R，z_R)为目标飞机的相对位置；θ_Ri为 目标飞机的水平相对航向；为目标飞机的垂直航向；将经过预处理 的数据输入SVM模型进行分类判别。

S3，将预处理得到的目标飞机与本机的相对信息输入SVM模型， 通过SVM模型对输入的相对信息进行分类，并根据分类设定预测值。

在将预处理得到的目标飞机与本机的相对信息输入SVM模型之 后，首先将数据进行过滤处理，将一些一定不会发生冲突的目标飞机 提前进行分类处理。

在本发明所提供的实施例中，为避免飞机与飞机发生物理接触， 设置一个环绕于飞机的圆柱形区域作为冲突保护区，如图3所示，该 圆柱形区域同时考虑了两架飞机导航设备的精度而产生的不确定性和 飞机本身的尺寸。当一架飞机的位置处于另一架飞机的冲突保护区内 时，则认为两架飞机发生冲突。当一架飞机的航迹将在一定时间后到 达另一架飞机的冲突保护区内，则认为存在潜在冲突，保护区半径设 置为528ft，高度200ft。根据冲突保护区的位置和大小，对数据进行 过滤处理，将一些一定不会发生冲突的目标飞机提前进行分类处理。 具体包括如下内容：

对于相对位置处于相对坐标系中的第一卦限x_R＞0,y_R＞0,z_R＞0的目 标飞机，如果判定为不冲突；

对于相对位置处于相对坐标系中的第二卦限x_R＜0,y_R＞0,z_R＞0的目 标飞机，如果判定为不冲突；

对于相对位置处于相对坐标系中的第三卦限x_R＜0,y_R＜0,z_R＞0的目 标飞机，如果判定为不冲突；

对于相对位置处于相对坐标系中的第四卦限x_R＞0,y_R＜0,z_R＞0的目 标飞机，如果判定为不冲突；

对于相对位置处于相对坐标系中的第五卦限x_R＞0,y_R＞0,z_R＜0的目 标飞机，如果判定为不冲突；

对于相对位置处于相对坐标系中的第六卦限x_R＜0,y_R＞0,z_R＜0的目 标飞机如果，判定为不冲突；

对于相对位置处于相对坐标系中的第七卦限x_R＜0,y_R＜0,z_R＜0的目 标飞机，如果判定为不冲突；

对于相对位置处于相对坐标系中的第八卦限x_R＞0,y_R＜0,z_R＜0的目 标飞机，如果判定为不冲突。

经过过滤处理之后，对过滤处理之后的数据进行归一化处理，使 数据符合SVM模型的数据处理范围，然后将其输入SVM模型，通过SVM 模型对输入的相对信息进行分类。对于所有的目标飞机，如果在t时 刻目标飞机为存在潜在冲突可能，则设定对于第i架飞机在t时刻的 预测值为P_t(T_i)＝1，如果目标在t时刻经过SVM分类检测不存在冲突可 能，则P_t(T_i)＝-1。

S4，参照前一段时间的预测结果，对预测值进行移动平均加权， 得到最终预测值，根据最终预测值判断目标飞机是否对本机产生冲突。

数据后期处理主要采用移动平均加权，考虑到对飞机的冲突检测 是一个连续的过程，在某个时间点对冲突进行探测，需要考虑前一段 时间的预测结果。在本发明所提供的实施例中，前一段时间为设定的 时间阈值，时间阈值的大小根据实际需要进行设定。参照前一段时间 的预测结果，移动加权平均的滑动窗口设为m，滑动加权系数 w＝{w_t-m+1,...,w_t-1,w_t}，则对于第i架飞机在t时刻经过移动加权平均后的 预测值为：

$F_t^i=\frac{\underset{j=t-m+1}{\overset{t}{\Sigma }}{w}_j·P_j\left(T_i\right)}{\underset{j=t-m+1}{\overset{t}{\Sigma }}{w}_j}$

其中，P_j(T_i)为根据分类设定的预测值；w_j为滑动加权系数。

设置判断阀值Threshold，如果则在t时刻对于此 目标飞机判定为存在冲突的可能，即目标飞机为冲突目标；否则，判 为非冲突目标。

综上所述，本发明所提供的基于SVM的低空空域通航飞机冲突检 测方法，通过选取核函数及其参数构建SVM模型；其次，获取目标飞 机和本机的信息，并对信息进行预处理，通过预处理得到目标飞机与 本机的相对信息；然后，将预处理得到的目标飞机与本机的相对信息 输入SVM模型，通过SVM模型对输入的相对信息进行分类，并根据分 类设定预测值；参照前一段时间的预测结果，对预测值进行移动平均 加权，得到最终预测值，根据最终预测值判断目标飞机是否对本机产 生冲突。该方法用于对相对较远距离的目标飞机进行冲突探测，可以 有效地检测飞机在低空空域的冲突，以增强低空空域飞行环境下飞行 员的交通态势感知能力，使得飞行员较早获知飞机发生的冲突和碰撞 的可能性，及时调整飞行方案，避免冲突发生。

上面对本发明所提供的基于SVM的低空空域通航飞机冲突检测方 法进行了详细的说明。对本领域的一般技术人员而言，在不背离本发 明实质精神的前提下对它所做的任何显而易见的改动，都将构成对本 发明专利权的侵犯，将承担相应的法律责任。