基于语谱图的管制员疲劳检测方法

管制员作为空中交通管制的参与者,检测其工作状态对飞行的安全与正常有着重要意义。针对管制员工作过程中不同状态下的陆空通话记录,提出一种基于管制员语谱图的疲劳检测方法,通过对采集到的正常与疲劳两种状态下的陆空通话数据进行数据分割及预处理,采用傅里叶变换进行语音信号特征可视化,获得管制员语谱图;针对管制员语谱图数据搭建ConvNeXt模型,对模型进行训练学习不同状态下管制员陆空通话语谱图特征;通过实验得出所提方法对管制员疲劳状态检测准确率达97.1%,验证了方法的有效性,可以为管制员工作安排提供参考依据。     

空管系统中WGS-84与BJ-54坐标转换

阐述了我国地理坐标系统与世界大地坐标系统的差别.由于航空器机载导航设备均是基于WGS-84坐标系的基础上开发应用的,而我国目前所采用的基准坐标系是BJ-54坐标系,因此出现了影响航行系统安全的现象,主要表现为:航空器飞行航迹偏差大;航空器在边界移交点出现位置跳跃.随着我国RVSM改造升级后垂直间隔由600 m缩小到300 m,从而对飞行器的定位点精度要求更加准确.提出在军民航系统中应用坐标转换,能够统一坐标系统并且其精度能够满足当前飞行安全要求.     

语音识别在空中交通管制中的应用挑战与发展

研究一种安全可靠的管制语音识别系统对于推进空管自动化进程、降低管制人员负荷、提升安全效能至关重要。对管制语音识别技术发展所面临的挑战进行了详细介绍,测试科大讯飞、腾讯云、阿里云、上海麦图这4家公司的商用语音识别系统。结果表明,在前3家通用领域的商用ASR系统中,科大讯飞识别效果最好,CER为25.36%。相比之下,由于麦图的产品是基于ATC数据训练,具有最佳性能,其CER为15.02%。此外,设计了实验来探究人工设计的语音特征和基于自监督预训练策略提取的特征之间的优缺点。结果表明,后者有利于提升识别系统识别准确率和鲁棒性,但存在推理速度慢和部署难度大的问题。最后,总结了研究进展并进行了未来展望。     

基于CNN-LSTM-attention模型航迹预测研究

以航迹预测方法作为切入点,重庆-广州航路航空器记录的ADS-B数据作为研究内容,提出了一种融合注意力机制的长时序航迹预测方法(CNN-LSTM-attention)。研究运用一维卷积神经网络对航迹数据多维特征进行提取,并将经纬度、高度、速度、航向等的多维特征向量构造成时序形式作为LSTM网络输入,通过赋予LSTM网络隐含层的权重占比并区别不同时序点隐藏层信息对未来航迹预测的影响程度来达到优化预测模型的作用。构建好的CNN-LSTM-attention模型采用Adam优化算法进行训练,LSTM和CNN-LSTM作为实验对比模型,将决定系数R²作为模型评价标准来衡量航迹预测模型的准确性。实验结果表明加入注意力机制的神经网络预测模型CNN+LSTM+attention(卷积神经网络-长短期记忆网络-注意力机制)的方法相较于其他两种,其预测精确性更高。