买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国航空综合技术研究所申请的专利基于多层融合识别模型的飞行员作业状态监测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116595358B 。

龙图腾网通过国家知识产权局官网在2026-01-30发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310578712.0，技术领域涉及：G06F18/2135；该发明授权基于多层融合识别模型的飞行员作业状态监测方法是由贾万琛;郭司南;丁霖;苗冲冲;任文明;王满玉;吴旭;安凯;孙国强;张睿明;佟佩声设计研发完成，并于2023-05-22向国家知识产权局提交的专利申请。

本基于多层融合识别模型的飞行员作业状态监测方法在说明书摘要公布了：本发明提供一种基于多层融合识别模型的飞行员作业状态监测方法，其包括S1、采集基于不同传感器的外周生理特征数据以及手腕加速度时序数据与手腕加速度特征集数据；S2、构建基于RBF核函数的SVM识别模型；S3、根据最优参数建立SVM识别模型；S4、构建基于CNN‑LSTM与中间层融合的操作负荷识别模型；S5、训练得到CNN‑LSTM操作负荷识别模型；S6、构建决策层动态加权融合模式；S7、利用训练完成的识别模型进行状态识别。本发明采用KPCA降维技术，通过输入多层融合模型能够充分感知飞行员在不同维度的状态信息，在作业状态监测方面具有较好的性能，可集成至新一代飞机座舱中，更好地提升人机协作水平。

本发明授权基于多层融合识别模型的飞行员作业状态监测方法在权利要求书中公布了：1.一种基于多层融合识别模型的飞行员作业状态监测方法，其特征在于：其包括以下步骤： S1、采集飞行员不同作业状态下的外周生理特征集数据、手腕加速度时序数据以及手腕加速度特征集数据，利用KPCA技术对外周生理特征集的数据进行降维处理； S2、构建基于RBF核函数的SVM脑力负荷识别模型，具体包括以下子步骤： S21、将步骤S1得到的降维处理后的外周生理特征集数据作为输入数据，并将输入数据设置为训练数据集： ， ； 其中，为单个样本，为对样本设定的状态类型；为样本空间，表示该样本空间属于n维欧式空间，表示状态类型向量； S22、构建基于RBF核函数的SVM脑力负荷识别模型： ； ； ； 其中，表示核函数，为最优化问题的解，称为惩罚参数，值越大对误分类的惩罚增大，值越小对误分类的惩罚越小； 其中，RBF核函数进一步表示为： ； 式中，为高斯核函数参数； S23、利用北方苍鹰优化算法对SVM识别模型的参数进行迭代，获得SVM识别模型的最优参数； S3、基于得到的最优参数设置SVM脑力负荷识别模型，并训练数据集训练SVM，得到训练完成的SVM脑力负荷识别模型； S4、构建基于CNN-LSTM与中间层融合的操作负荷识别模型，操作负荷识别模型由两路神经网络融合组成，将手腕加速度时序数据输入第一路神经网络，手腕加速度特征集数据输入第二路神经网络，第一路神经网络的连接结构为：S1、C1、R1、M1、C2、R2、M2、FL1、L1、L2、FL2；第二路神经网络的连接结构为：S2、C3、R3、M3、C4、R4、M3、FL3，之后对两路网络结构进行拼接融合，融合后的连接结构为：CN1、FC1、FC2、SF1、P1；其中，字母表示模块类型，数字表示模块序号；S表示输入层，C表示卷积层，R表示ReLU层，M表示最大池化层，FL表示Flatten层，L表示LSTM层，CN表示串联拼接层，FC表示全连接层，SF表示Softmax层，P表示分类输出层； S5、利用采集的数据训练基于CNN-LSTM与中间层融合的操作负荷识别模型，得到训练完成的CNN-LSTM操作负荷识别模型； S6、构建决策层动态加权融合模式，获得SVM脑力负荷识别模型输出的结果矢量，其各分矢量表示预测外周生理数据属于各标签的概率，提取CNN-LSTM操作负荷识别模型Softmax层输出的矢量，其各分矢量表示预测手腕加速度数据属于各标签的概率，使用线性组合方式，构建动态加权决策融合策略模型，动态加权决策融合策略模型包括飞行员作业特点权重、子分类器的分类性能系数权重以及生理信号质量权重，利用权重计算公式计算权重，基于权重计算结果对分类器输出的矢量进行加权计算，获得最终的概率计算结果矢量； 权重计算公式如下： P1=A1A1+A； =AA+A； =SS+1； =1S+1； =Z+P+Q3； =Z+P+Q3； 其中，定义SVM脑力负荷识别模型为模型1，CNN-LSTM操作负荷识别模型为模型2；式中，W表示模型1的权重，W表示模型2的权重；Z、Z分别表示飞行员作业中的脑力、操作负荷占比；P、P分别表示模型1与模型2的性能系数，A表示模型1的测试集准确率，A表示模型2的测试集准确率；Q、Q分别表示模型1与模型2的生理信号质量权重，S为PPG传感器的信号质量评估结果； S7、利用训练完成的识别模型进行状态识别，具体包括以下子步骤： S71、实时采集外周生理特征数据与手腕加速度数据，针对外周生理特征数据，利用步骤S1的方法对外周生理特征进行降维，将降维数据输入至步骤S3中训练完成的SVM脑力负荷识别模型中，获得输出的结果矢量； S72、针对手腕加速度数据，分别将手腕加速度时序数据以及手腕加速度特征集数据输入至步骤S5中训练完成的CNN-LSTM操作负荷识别模型中，获得输出的结果矢量； S73、利用步骤S6中的决策层动态加权融合模式对输出矢量进行处理，并选择概率最大的类别作为最终的作业状态分类结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国航空综合技术研究所，其通讯地址为：100028 北京市朝阳区东直门外京顺路7号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。