度量损失函数、扇区复杂度评估方法及系统
阅读说明：本技术 度量损失函数、扇区复杂度评估方法及系统 (Measurement loss function, sector complexity evaluation method and system ) 是由 陈海燕 张兵 袁立罡 侯夏晔 贾亦真 于 2021-08-10 设计创作，主要内容包括：本发明属于空中交通管制的空域态势评估技术领域,具体涉及一种度量损失函数、扇区复杂度评估方法及系统,其中扇区复杂度评估方法包括：对空域扇区的扇区动态交通数据进行扇区运行复杂度等级标注；构造空域扇区的多通道空中交通场景图像数据,并根据扇区运行复杂度等级标注构建扇区动态交通图像库；构建度量损失函数；根据多通道空中交通场景图像数据和度量损失函数训练网络模型；以及根据训练后的网络模型进行扇区运行复杂度评估,实现了使用深度度量学习技术从原始图像空中学习到语义特征嵌入空间的非线性映射,使得在嵌入空间中语义相似样本的嵌入向量更加接近,而语义不同的样本被彼此分开,从而实现更准确的扇区运行复杂度评估。(The invention belongs to the technical field of airspace situation evaluation of air traffic control, and particularly relates to a method and a system for evaluating a measurement loss function and sector complexity, wherein the method for evaluating the sector complexity comprises the following steps: carrying out sector operation complexity grade marking on sector dynamic traffic data of the empty domain sector; constructing multi-channel air traffic scene image data of an airspace sector, and constructing a sector dynamic traffic image library according to sector operation complexity level marking; constructing a measurement loss function; training a network model according to the multi-channel air traffic scene image data and the measurement loss function; and sector operation complexity evaluation is carried out according to the trained network model, so that nonlinear mapping from original image air learning to semantic feature embedding space by using a depth measurement learning technology is realized, embedding vectors of semantic similar samples in the embedding space are closer, and samples with different semantics are separated from each other, so that more accurate sector operation complexity evaluation is realized.)
技术领域
本发明属于空中交通管制的空域态势评估技术领域，具体涉及一种度量损失函数、扇区复杂度评估方法及系统。
背景技术
空中交通管理系统(ATMS)中，一个空域被划分为若干扇区作为基本管制单位。空中交通管制员(ATCos)实时监控每个扇区内的航班运行轨迹并向飞行员发出管控指令，以避免拥塞、冲突、航班延误等状况的发生。近年来随着国内航空运输业的飞速发展，空中交通状况变得愈加复杂，有限的空域资源和剧增的空中交通量，导致了管制员经常处于高密度、超负荷的工作状态。因此，如何科学准确地评估扇区运行复杂度是被广泛研究的问题之一。为了评估空中交通的复杂度，研究者们通过综合多个紧密相关的因素来产生更全面的度量指标，结合机器学习技术来对空中交通复杂程度进行分类。2021年，谢等人首次提出了一种扇区运行场景的图像表示法，进而结合深度学习技术在特征提取方面的优势，提出了一种基于深度卷积神经网络(DCNN)的扇区运行复杂度评估方法，解决了基于机器学习方法中手工制作特征集的缺陷。
从现有的研究中可以看出，对于扇区运行复杂度评估问题，大多数的研究是通过分析扇区运行状态信息，并构建与扇区运行复杂度相关的特征集，最后使用一些分类方法来实现对扇区复杂度的分类。基于机器学习的方法是根据一些先验知识来手工构建特征集，而基于深度学习的方法则采用深度卷积神经网络来自动提取相关的深层特征。然而，对于大多数基于相似性思想的分类方法而言，忽略数据样本之间自身的相似性信息，仅仅考虑构建更合适的相关特征集来训练扇区复杂度分类模型是远远不够的。这也是目前扇区复杂度评估方法准确度不高的原因之一。
现有技术只考虑构建更全面的扇区运行复杂度特征，虽然深度学习算法能够从图像数据中自动提取到更加复杂抽象的深层特征，但这对后续分类模型的分类准确度的提升是有限的。
因此，基于上述问题需要设计一种新的度量损失函数、扇区复杂度评估方法及系统。
发明内容
本发明的目的是提供一种度量损失函数、扇区复杂度评估方法及系统。
为了解决上述技术问题，本发明提供了一种度量损失函数，包括：
从每个类别的空中交通图像中选择一个代理作为锚点样本p；
将批量中所有的正样本拉到边界α-m以内，将所有的负样本推到边界α以外，使正负样本集之间保持间隔m；
排序代理锚损失的公式为：
Lm(x,p)＝(1-y)[α-d(x,p)]++y[d(x,p)-(α-m)]+；
其中，x为对应于图像的嵌入；p为一个代理；d(x,p)为嵌入x与代理锚点p的余弦距离；[·]+为铰链函数；仅当x和p的类别相同时，y＝1，否则y＝0；
排序代理锚损失即为度量损失函数。
第二方面，本发明还提供一种基于动态空中交通图像和深度度量学习的扇区复杂度评估方法，包括：
对空域扇区的扇区动态交通数据进行扇区运行复杂度等级标注；
构造空域扇区的多通道空中交通场景图像数据，并根据扇区运行复杂度等级标注构建扇区动态交通图像库；
构建度量损失函数；
根据多通道空中交通场景图像数据和度量损失函数训练网络模型；以及
根据训练后的网络模型进行扇区运行复杂度评估。
进一步，所述对空域扇区的扇区动态交通数据进行扇区运行复杂度等级标注的方法包括：
从目标空域扇区的原始空中交通运行数据库中获取数据，根据预设时间粒度分时段构成目标空域扇区的扇区动态交通数据集；
根据预设时间段对扇区动态交通数据集进行划分，并对各时间段对应的扇区动态交通数据进行扇区运行复杂度等级标注。
进一步，所述构造空域扇区的多通道空中交通场景图像数据，并根据扇区运行复杂度等级标注构建扇区动态交通图像库的方法包括：
根据MTSI数据表示方法和扇区运行复杂度等级标注，将目标空域扇区的动态交通场景信息转化为空中交通场景多通道图像；
根据各时段扇区动态交通数据生成对应时段的高度历史航迹图像通道、速度历史航迹图像通道和冲突预测航迹图像通道，并构建多通道空中交通场景图像；
将各时段内生成的多通道空中交通场景图像与对应的扇区运行复杂度等级标注相关联，获取扇区动态交通图像数据库，并将扇区动态交通图像数据库划分为训练数据集和测试数据集。
进一步，所述构建度量损失函数的方法包括：
从每个类别的空中交通图像中选择一个代理作为锚点样本p；
将批量中所有的正样本拉到边界α-m以内，将所有的负样本推到边界α以外，使正负样本集之间保持间隔m；
排序代理锚损失的公式为：
Lm(x,p)＝(1-y)[α-d(x,p)]++y[d(x,p)-(α-m)]+；
其中，x为对应于图像的嵌入；p为一个代理；d(x,p)为嵌入x与代理锚点p的余弦距离；[·]+为铰链函数；仅当x和p的类别相同时，y＝1，否则y＝0；
排序代理锚损失的总损失为：
其中，P为所有代理的集合；P+为该批中数据的正代理集合；对于每个代理p，嵌入向量X被分成两组，为p的正嵌入向量集合，为p的负嵌入向量集合，并且
对于每一个代理锚点p，根据wxp＝exp(T(α-d(x,p))),对负样本进行加权；
其中，T为控制负样本加权程度的参数；
将排序代理锚损失作为损失函数，在网络模型训练过程中指导网络模型的迭代优化。
进一步，所述根据多通道空中交通场景图像数据和度量损失函数训练网络模型的方法包括：
对训练数据集进行预处理，将训练数据集中图像的像素值进行标准化处理，在训练过程中，通过水平翻转和随机裁剪对输入图像进行数据增强；
将预处理后的训练数据集输入到网络模型中进行训练，将排序代理锚损失作为损失函数，通过优化器不断迭代优化目标损失函数，以对网络模型进行训练获取最佳网络模型。
进一步，所述根据训练后的网络模型进行扇区运行复杂度评估的方法包括：
对测试集数据进行标准化处理和中心裁剪；
将测试集数据中预处理好的图像输入到最佳网络模型中，获取测试数据的具有语义相似性的嵌入向量；
将具有语义相似性的嵌入向量作为后续1-NN分类算法的输入，进行扇区运行复杂度的分类，完成目标空域扇区运行复杂度评估。
第三方面，本发明还提供一种基于动态空中交通图像和深度度量学习的扇区复杂度评估系统，包括：
标注模块，对空域扇区的扇区动态交通数据进行扇区运行复杂度等级标注；
数据库模块，构造空域扇区的多通道空中交通场景图像数据，并根据扇区运行复杂度等级标注构建扇区动态交通图像库；
损失函数模块，构建度量损失函数；
网络模型训练模块，根据多通道空中交通场景图像数据和度量损失函数训练网络模型；以及
复杂度评估模块，根据训练后的网络模型进行扇区运行复杂度评估。
本发明的有益效果是，本发明通过对空域扇区的扇区动态交通数据进行扇区运行复杂度等级标注；构造空域扇区的多通道空中交通场景图像数据，并根据扇区运行复杂度等级标注构建扇区动态交通图像库；构建度量损失函数；根据多通道空中交通场景图像数据和度量损失函数训练网络模型；以及根据训练后的网络模型进行扇区运行复杂度评估，实现了使用深度度量学习技术从原始图像空中学习到语义特征嵌入空间的非线性映射，使得在嵌入空间中语义相似样本的嵌入向量更加接近，而语义不同的样本被彼此分开，从而实现更准确的扇区运行复杂度评估。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明
具体实施方式
或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明所涉及的基于动态空中交通图像和深度度量学习的扇区复杂度评估方法的流程图；
图2为本发明所涉及的排序代理损失示意图；
图3是本发明所涉及的基于动态空中交通图像和深度度量学习的扇区复杂度评估系统的原理框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本实施例1提供了一种度量损失函数，包括：从每个类别的空中交通图像中选择一个代理作为锚点样本p；将批量中所有的正样本(与代理锚点p类别相同的样本)拉到边界α-m以内，将所有的负样本(与代理锚点p类别不同的样本)推到边界α以外，使正负样本集之间保持间隔m；
排序代理锚损失的公式为：
Lm(x,p)＝(1-y)[α-d(x,p)]++y[d(x,p)-(α-m)]+；
其中，x为对应于图像的嵌入；p为一个代理；d(x,p)为嵌入x与代理锚点p的余弦距离；[·]+为铰链函数；仅当x和p的类别相同时，y＝1，否则y＝0；排序代理锚损失即为度量损失函数；构建了用于深度度量学习的一种新的度量损失函数，即排序代理锚损失，使用深度度量学习技术从原始图像空中学习到语义特征嵌入空间的非线性映射，使得在嵌入空间中语义相似样本的嵌入向量更加接近，而语义不同的样本被彼此分开，从而实现更准确的扇区运行复杂度评估。
实施例2
图1是本发明所涉及的基于动态空中交通图像和深度度量学习的扇区复杂度评估方法的流程图。
如图1所示，在实施例1的基础上，本实施例2还提供一种基于动态空中交通图像和深度度量学习的扇区复杂度评估方法，包括：对空域扇区的扇区动态交通数据进行扇区运行复杂度等级标注；构造空域扇区的多通道空中交通场景图像数据，并根据扇区运行复杂度等级标注构建扇区动态交通图像库；构建度量损失函数；根据多通道空中交通场景图像数据和度量损失函数训练网络模型；以及根据训练后的网络模型进行扇区运行复杂度评估，实现了使用深度度量学习技术从原始图像空中学习到语义特征嵌入空间的非线性映射，使得在嵌入空间中语义相似样本的嵌入向量更加接近，而语义不同的样本被彼此分开，从而实现更准确的扇区运行复杂度评估。
在本实施例中，所述度量损失函数采用实施例1中的度量损失函数。
在本实施例中，所述对空域扇区的扇区动态交通数据进行扇区运行复杂度等级标注的方法包括：从目标空域扇区的原始空中交通运行数据库中获取数据，根据预设时间粒度分时段从原始数据中提取扇区动态交通数据构成目标空域扇区的扇区动态交通数据集；根据预设时间段对扇区动态交通数据集进行划分，并对各时间段对应的扇区动态交通数据进行扇区运行复杂度等级标注；提取的扇区动态交通数据主要包括扇区内航空器的经纬度信息以及航空器的飞行高度、速度和航向信息；根据预设时间段对扇区动态交通数据集进行划分，并对各时间段对应的扇区动态交通数据进行扇区运行复杂度等级标注，具体地选择每一分钟时段的扇区动态交通数据为一条样本，由专业的空中交通管制员进行扇区运行复杂度等级标注，将扇区复杂度标注为5个不同的等级(1-5级)，数字越大表示目标空域扇区的复杂度越高。
在本实施例中，所述构造空域扇区的多通道空中交通场景图像数据，并根据扇区运行复杂度等级标注构建扇区动态交通图像库的方法包括：根据MTSI数据表示方法和扇区运行复杂度等级标注，将目标空域扇区的动态交通场景信息转化为空中交通场景多通道图像；根据各时段扇区动态交通数据航空器经纬度为坐标，将目标空域扇区映射到矩形网格中，并将各时段内扇区动态交通数据中的航空器高度运行信息填充到对应网格位置作为像素值，以生成对应时段的高度历史航迹图像通道，同理，将各时段内扇区动态交通数据中的航空器速度运行信息填充到新的矩形网格中，生成对应时段的速度历史航迹图像通道。根据各时段内航空器最后一个航迹点的经纬度、速度和航向，预测航空器在3分钟内的航迹轨迹，并将预测航迹轨迹映射到对应新的矩形网格中，生成冲突预测航迹图像通道；根据航空器的高度历史航迹图像通道、速度历史航迹图像通道和冲突预测航迹图像通道合成三通道的空中交通场景图像数据，图像初始大小设置为173*173*3，并与对应的扇区运行复杂度等级标注相关联，得到扇区动态交通图像数据库，并以7:3的比例将扇区动态交通图像数据库划分为训练数据集和测试数据集。
图2为本发明所涉及的排序代理损失示意图。
在本实施例中，所述构建度量损失函数的方法包括：设计用于深度度量学习的一种新的度量损失函数，即排序代理锚损失；为了更好地度量多通道空中交通场景图像数据之间的相似性，本实施例根据代理锚损失函数(PAL)和排序列表损失函数(RLL)的优势，设计了一种基于代理锚的排序列表损失函数(RPAL)；
如图2所示，图中每个形状代表一个类别，中心的圆P表示该类的一个代理锚点，排序代理锚损失的目的是以代理锚点P为中心，从每个类别的空中交通图像中选择一个代理作为锚点样本p；
将批量中所有的正样本(与代理锚点p类别相同的样本)拉到边界α-m以内，将所有的负样本(与代理锚点p类别不同的样本)推到边界α以外，使正负样本集之间保持间隔m；
排序代理锚损失的公式为：
Lm(x,p)＝(1-y)[α-d(x,p)]++y[d(x,p)-(α-m)]+ 公式(1)；
其中，x为对应于图像的嵌入；p为一个代理；d(x,p)为嵌入x与代理锚点p的余弦距离；[·]+为铰链函数；仅当x和p的类别相同时(yx＝yp时)，y＝1，否则y＝0；
通过公式(1)来对非平凡样本对进行挖掘，即违反了式中的约束具有非零损失的数据点，以实现快速的收敛；按照代理锚损失中的标准代理分配设置，为每一个类分配一个代理，并参照了排序列表损失函数的形式，则排序代理锚损失的总损失为：
其中，P为所有代理的集合；P+为该批中数据的正代理集合；对于每个代理p，嵌入向量X被分成两组，为p的正嵌入向量集合，Xp -为p的负嵌入向量集合，并且
对于每一个代理锚点p，为了更好地利用存在的大量非平凡负样本，参照排序列表损失中设置的负样本权重，根据每对负样本违反约束的程度，根据wxp＝exp(T(α-d(x,p))),对负样本进行加权；
其中，T为控制负样本加权程度的参数，当T＝0时，它平等地对待所有非平凡的反例，如果T＝+∞，它将成为最难挖掘的反例；将排序代理锚损失作为损失函数，在网络模型训练过程中指导网络模型的迭代优化。
在本实施例中，所述根据多通道空中交通场景图像数据和度量损失函数训练网络模型的方法包括：使用Pytorch框架中的torchvision扩展工具对训练数据集进行预处理，将训练数据集中图像的像素值进行标准化处理，在训练过程中，通过水平翻转和随机裁剪对输入图像进行数据增强，并将调整图像大小为224*224*3；采用在ImageNet数据集上预训练且进行了批标准化的GoogleNet V2作为嵌入网络模型，根据嵌入向量的维度，对最后一层全连接层的大小进行修改，并用L_2标准化对最后的输出进行归一化处理；将预处理后的训练数据集输入到GoogleNet V2网络模型中进行80代训练，初始学习率设置为10-4，使用AdamW优化器，权重衰减率设置为10-4，且在训练时使用随机采样策略对每一批的输入图像进行采样；训练过程中，将排序代理锚损失作为损失函数，通过AdamW优化器不断迭代优化目标损失函数，以对网络模型进行训练获取最佳网络模型；对于排序代理锚损失中代理点的选择，按照代理锚损失中的设置，为每个类指定一个代理，并使用正态分布初始化代理，以确保它们均匀分布在单位超球体上，对于排序代理锚损失中几个重要的超参数取值设置为α＝1.4，m＝0.4，T＝20。
在本实施例中，所述根据训练后的网络模型进行扇区运行复杂度评估的方法包括：对测试集数据进行标准化处理和中心裁剪；将测试集数据中预处理好的图像输入到最佳网络模型中，获取测试数据的具有语义相似性的嵌入向量；将具有语义相似性的嵌入向量作为后续1-NN分类算法的输入，进行扇区运行复杂度的分类，完成目标空域扇区运行复杂度评估，实现更准确的扇区运行复杂度评估。
实施例3
图3是本发明所涉及的基于动态空中交通图像和深度度量学习的扇区复杂度评估系统的原理框图。
如图3所示，在实施例2的基础上，本实施例3还提供一种基于动态空中交通图像和深度度量学习的扇区复杂度评估系统，包括：标注模块，对空域扇区的扇区动态交通数据进行扇区运行复杂度等级标注；数据库模块，构造空域扇区的多通道空中交通场景图像数据，并根据扇区运行复杂度等级标注构建扇区动态交通图像库；损失函数模块，构建度量损失函数；网络模型训练模块，根据多通道空中交通场景图像数据和度量损失函数训练网络模型；以及复杂度评估模块，根据训练后的网络模型进行扇区运行复杂度评估。
在本实施例中，各模块的具体功能方法在实施例2中已经详细描述，在本实施例中不再赘述。
综上所述，本发明通过对空域扇区的扇区动态交通数据进行扇区运行复杂度等级标注；构造空域扇区的多通道空中交通场景图像数据，并根据扇区运行复杂度等级标注构建扇区动态交通图像库；构建度量损失函数；根据多通道空中交通场景图像数据和度量损失函数训练网络模型；以及根据训练后的网络模型进行扇区运行复杂度评估，实现了使用深度度量学习技术从原始图像空中学习到语义特征嵌入空间的非线性映射，使得在嵌入空间中语义相似样本的嵌入向量更加接近，而语义不同的样本被彼此分开，从而实现更准确的扇区运行复杂度评估。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：基于大数据的任务处理方法、装置、设备及存储介质