CN116453157A - 一种基于bdtw与序列对齐的飞行任务识别方法及装置 - Google Patents

Abstract

本发明提供一种基于BDTW(Blocked Dynamic Time Warping)与序列对齐的飞行任务识别方法及装置，所述方法包括：获取飞行员在飞行模拟器实验中的手部感兴趣区域(Areas of Interest,AOI)序列，对数据编码，并进行预处理；使用已有的带标签手部感兴趣区域序列数据作为训练数据，实验数据用作测试；使用分块动态规整算法BDTW对每种任务下的训练样本进行迭代对齐处理，获取参考序列，组成模板库；使用BDTW对测试数据和模板库中每种类型的参考序列分别进行对齐，计算相似度，根据生成最大相似度时选择的参考序列获取测试数据的识别结果。本发明基于BDTW与序列对齐的飞行任务识别方法，解决了噪声对飞行任务识别的干扰问题。

Description

一种基于BDTW与序列对齐的飞行任务识别方法及装置

技术领域

本发明涉及航空飞行技术领域，具体地，涉及一种基于BDTW与序列对齐的飞行任务识别方法及装置。

背景技术

人为因素逐渐成为导致航空事故发生的主要原因。在飞行过程中出现异常时，飞行员需要按照检查单处理一系列复杂的操作，任何发生在此过程中的操作失误，都可能导致一场严重的航空事故。防止人为差错的一个有效方法就是根据飞行员的行为总结错误经验，避免重复错误。同一飞行任务的标准操作程序是确定的，人为差错发生在飞行员未能执行操作程序中的所有操作时。

行为数据记录了飞行员在飞行过程中手部的感兴趣区域(AOI)，它是一种稀疏时间序列，序列中的非零值表示飞行员执行的操作，非零值的重复次数表示操作行为持续的时间。同一类型飞行任务的操作程序相同，其AOI序列包含一种有序、离散分布的子序列，飞行任务识别的基础问题就是AOI序列的相似性度量。DTW算法因为其防止时移影响的特性，已经成为一种流行的相似性度量方法。BDTW是一种基于编码序列改进后的DTW算法，它利用行为AOI序列的稀疏性特点，解决了传统DTW时间复杂度高的问题。然而，由于AOI序列提取过程中的误判以及飞行员的行为习惯等因素，将会导致一些与操作程序无关的噪声，这会导致AOI序列的相似性度量失真。

发明内容

针对现有技术中的缺陷，本发明的目的在于提供一种基于BDTW与序列对齐的飞行任务识别方法及装置，通过序列对齐过程提取参考数据，根据参考数据与被测数据的相似度进行飞行任务识别，解决了噪声对飞行任务识别的干扰问题。

为解决上述问题，本发明的技术方案为：

一种基于BDTW与序列对齐的飞行任务识别方法，包括以下步骤：

获取飞行员在飞行模拟器实验中的手部感兴趣区域序列，对数据编码，并进行预处理；

使用已有的带标签手部感兴趣区域序列数据作为训练数据，实验数据用作测试；

使用分块动态规整算法BDTW对每种任务下的训练样本进行迭代对齐处理，获取参考序列，组成模板库；

使用BDTW对测试数据和模板库中每种类型的参考序列分别进行对齐，计算相似度，根据生成最大相似度时选择的参考序列获取测试数据的识别结果。

优选地，所述获取飞行员在飞行模拟器实验中的手部感兴趣区域序列，对数据编码，并进行预处理的步骤具体包括：

设飞行员手部感兴趣区域序列为X_raw＝{x1₁，x1₂，…，x1_l1，x2₁，x2₂，…，x2_l2，…，xk₁，xk₂，…，xk_lk}，k表示值重复子序列的数量，xj是序列中的值，由整数表示，标示飞行员手的AOI，j∈[1,k]，j表示第几个子序列，{xj₁，xj₂，…，xj_lj}表示原始感兴趣区域序列中一段连续的值重复子序列，lj表示值重复子序列的总长度，xj的下标表示该元素位于子序列的第几位；

针对原始序列进行编码处理，将序列中所有连续重复的子序列{xj₁，xj₂，…，xj_lj}，转换成编码形式(xj，lj)，再按照先后次序组装成一个二维的编码序列

X_encoded＝{(x1，l1)，(x2，l2)，…，(xk，lk)；

通过遍历编码数据去除原始序列中存在的噪声。

优选地，所述通过遍历编码数据去除原始序列中存在的噪声的步骤具体包括：

以集群形式存在的非零同值的子序列，设置阈值T1，如果一个值为零的子序列(0，l0)长度l0＜T1，且与其相邻的两个子序列(xa，la)，(xb，lb)具有相同的非零值即xa＝xb，则合并这三个子序列为(xa，la+l0+lb)；

不以集群的形式存在且长度过小的非零子序列，设置阈值T2，将长度lc＜T2的非零子序列（xc，lc)的值置为零，处理结果为(0，lc)。

优选地，所述使用已有的带标签手部感兴趣区域序列数据作为训练数据，实验数据用作测试的步骤中，需确保训练数据的准确性，即应当包含完整的操作程序。

优选地，所述使用分块动态规整算法BDTW对每种任务下的训练样本进行迭代对齐处理，获取参考序列，组成模板库的步骤具体包括：

通过BDTW方法执行序列对齐过程，序列对齐过程需要满足单调性、边界匹配、连续性和最优匹配原则，计算最优对齐路径；

迭代对齐以提取数据中的共同操作，进一步构建只包含飞行员操作信息的干净序列作为参考数据的模板库。

优选地，所述通过BDTW方法执行序列对齐过程，序列对齐过程需要满足单调性、边界匹配、连续性和最优匹配原则，计算最优对齐路径的步骤具体包括：

将两个编码序列X_encoded＝{x₁，x₂，…，x_m}和Y_encoded＝{y₁，y₂，…，y_n}所有元素的两两之间的匹配情况列成一个m×n的匹配矩阵，匹配矩阵中位置为(i，j)的元素D_i，j表示第一个序列中的第i个元素x_i＝(xi，li)和第二个序列的第j个元素y_j＝(yj，lj)的距离，计算公式为：D_i，j＝(x_i[0]-y_j[0])²；

单调性要求两个编码序列中的元素必须按照从先到后的顺序对齐，连续性要求编码序列中的每个元素都要有匹配对象，如果路径的上一个匹配是D_i，j，则当前匹配只能是D_i+1，j、D_i，j+1、D_i+1，j+1的其一；

边界匹配要求两个编码序列的第一个元素必须相互匹配，最后一个元素必须相互匹配，即最优匹配路径必须以匹配D_0，0开始，以匹配D_m，n结束；

最优匹配原则要求当前匹配D_i，j的上一个匹配只能是Di-1，j，Di，j-1，Di-1，j-1中，到达Di，j时距离最小的情况，为此计算出一个m×n的累积距离矩阵d，矩阵元素d_i，j表示匹配矩阵的第(0，0)个元素到第(i，j)个元素的最小累积距离，计算过程为：

d_0，0＝0

top＝d_i-1，j+x_i[1]*D_i，j

diagonal＝d_i-1，j-1+max(x_i[1]，y_j[1])*D_i，j

left＝d_i，j-1+y_i[1]*D_i，j

d_i，j＝min(top，diagonal，left)

根据得到的累积距离矩阵d，从d_m，n开始回溯，直到终点d_0，0，可以获得最优对齐路径，回溯方法为：

优选地，所述迭代对齐以提取数据中的共同操作，进一步构建只包含飞行员操作信息的干净序列作为参考数据的模板库的步骤具体包括：

从一个类型的飞行任务的训练样本中随机选取两个编码序列，使用BDTW进行对齐，提取最优对齐路径；

提取路径中有相同AOI值的匹配对，对于那些同时匹配多个元素的元素，取与其时间戳相差最小的元素组成匹配对；

对上一步选取的匹配对，求两两之间起始时间戳的平均值以及持续时间的平均值，组成一个时间长度等于最优对齐路径时间长度的序列；

从剩余的训练样本中随机选取一个序列与上一步产生的中间输出序列对齐，重复该过程，直至用完最后一个训练样本，输出该类型飞行任务的参考数据；

继续从其他飞行任务的训练样本中提取参考数据，构建一个模板库。

优选地，所述使用BDTW对测试数据和模板库中每种类型的参考序列分别进行对齐，计算相似度，根据生成最大相似度时选择的参考序列获取测试数据的识别结果的步骤具体包括：

相似度Similarity是测试数据的分类依据，由参考数据中的非零元素数n_ref和距离为零的匹配对个数n_mch求得，值域为[0,1]，定义为：

分别计算被测数据与模板库中所有类型数据的相似度，取最大值时所选择的模板类型即测试数据所属的飞行任务类型，识别完毕。

进一步地，本发明还提供一种基于BDTW与序列对齐的飞行任务识别装置，所述装置包括处理器以及用于存储所述处理器的可执行指令的存储器，所述处理器配置为经由执行所述可执行指令来执行如上所述的基于BDTW与序列对齐的飞行任务识别方法。

与现有技术相比，本发明将稀疏时间序列识别领域的BDTW算法应用到飞行员手部感兴趣区域序列的识别中，消除了序列在时间轴上的偏移，避免了飞行员执行一步操作程序花费时间不同对相似性度量的影响，改善了传统DTW存在的时间复杂度过高的问题。并且本发明还针对原始感兴趣区域序列进行BDTW匹配存在的异常值干扰问题，提出了提取参考数据的迭代对齐方法，构建出参考数据的模板库，通过参考数据和被测数据的序列对齐和相似度的计算来实现对后者的识别，使得识别结果更加精确。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明实施例提供的基于BDTW与序列对齐的飞行任务识别方法流程框图；

图2为本发明实施例提供的基于BDTW与序列对齐的飞行任务识别方法详细流程图；

图3为本发明实施例提供的BDTW算法原理结构示意图；

图4为本发明实施例提供的预处理示意图；

图5为本发明实施例提供的平均序列生成过程示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

具体地，本发明提供一种基于BDTW与序列对齐的飞行任务识别方法，如图1和图2所示，所述方法包括以下步骤：

S1：获取飞行员在飞行模拟器实验中的手部感兴趣区域序列，对数据编码，并进行预处理；

具体地，采用如下步骤，将原始感兴趣区域(AOI)序列转换成待识别数据：

S11：设飞行员手部AOI序列为X_raw＝{x1₁，x1₂，…，x1_l1，x2₁，x2₂，…，x2_l2，…，xk₁，xk₂，…xk_lk}，设飞行员手部感兴趣区域序列为X_raw＝{x1₁，x1₂，…，x1_l1，x2₁，x2₂，…，x2_l2，…，xk₁，xk₂，…xk_lk}，k表示值重复子序列的数量，xj是序列中的值，由整数表示，标示飞行员手的AOI，j∈[1,k]，j表示第几个子序列，{xj₁，xj₂，…，xj_lj}表示原始AOI序列中一段连续的值重复子序列，lj表示值重复子序列的总长度，xj的下标表示该元素位于子序列的第几位，对应关系如下表1所示。

表1

在表1中，手部AOI序列中的元素表示某时刻飞行员手部所在的驾驶舱区域，驾驶舱区域分为：FCP、PF的FMS、左边告警、PM的FMS、右边告警、油门杆、ECAM、顶部板，由序列元素1-8表示，同时用0表示手不在器件上的情况。

S12：针对原始序列进行编码处理，将序列中所有连续重复的子序列{xj₁，xj₂，…，xj_lj}，转换成编码形式(xj，lj)，再按照先后次序组装成一个二维的编码序列

X_encoded＝{(x1，l1)，(x2，l2)，…，(xk，lk)}。

S13：通过遍历编码数据去除原始序列中存在的噪声。

考虑到原始视频数据转换为AOI数据过程存在的误差造成的噪声，噪声子序列的lj值较小，其表示的时间范围远小于执行一次操作消耗的时间。如图4所示的原始序列中存在两种形式的噪声，通过遍历编码数据去除，具体步骤如下：

S131：以集群形式存在的非零同值的子序列，即这些子序列之间以较短的零值子序列间隔，表示一个连续的操作动作，如图3所示，设置阈值T1，如果一个值为零的子序列(0，l0)长度l0＜T1，且与其相邻的两个子序列(xa，la)，(xb，lb)具有相同的非零值即xa＝xb，则合并这三个子序列为(xa，la+l0+lb)。

S132：不以集群的形式存在且长度过小的非零子序列，往往由AOI数据提取过程的误识别造成，设置阈值T2，将长度lc＜T2的非零子序列(xc，lc)的值置为零，处理结果为(0，lc)。

S2：使用已有的带标签手部感兴趣区域序列数据作为训练数据，实验数据用作测试；

具体地，在所述步骤S2中，应确保训练数据的准确性，即应当包含完整的操作程序。

S3：使用分块动态规整算法BDTW对每种任务下的训练样本进行迭代对齐处理，获取参考序列，组成模板库；

具体地，所述步骤S3包括如下步骤：

S31：通过BDTW方法执行序列对齐过程，需要满足单调性、边界匹配、连续性和最优匹配原则，由此计算最优对齐路径，具体包括以下步骤：

S311：将两个编码序列X_encoded＝{x₁，x₂，…，x_m}和Y_encoded＝{y₁，y₂，…，y_n所有元素的两两之间的匹配情况列成一个m×n的匹配矩阵，匹配矩阵中位置为(i，j)的元素D_i，j表示第一个序列中的第i个元素x_i＝(xi，li)和第二个序列的第j个元素y_j＝(yj，lj)的距离，计算公式为：D_i，j＝(x_i[0]-y_j[0])²；

S312：单调性要求两个编码序列中的元素必须按照从先到后的顺序对齐，连续性要求编码序列中的每个元素都要有匹配对象，如果路径的上一个匹配是D_i，j，则当前匹配只能是D_i+1，j、D_i，j+1、D_i+1，j+1的其一；

S313：边界匹配要求两个编码序列的第一个元素必须相互匹配，最后一个元素必须相互匹配，即最优匹配路径必须以匹配D_0，0开始，以匹配D_m，n结束；

S314：最优匹配原则要求当前匹配Di,j的上一个匹配只能是Di-1,j,Di,j-1,Di-1,j-1中，到达Di,j时距离最小的情况，为此计算出一个m×n的累积距离矩阵d，矩阵元素d_i，j表示匹配矩阵的第(0，0)个元素到第(i，j)个元素的最小累积距离，计算过程如下：

d_0，0＝0

top＝d_i-1，j+x_i[1]*D_i，j

diagonal＝d_i-1，j-1+max(x_i[1]，y_j[1])*D_i，j

left＝d_i，j-1+y_i[1]*D_i，j

d_i，j＝min(top，diagonal，left)

位于匹配矩阵左上两边的元素D_0，*和D_*，0不会同时存在top、diagonal、left三种情况，此时在计算过程中只需考虑存在的情况，特别地，(0，0)处的最小累积距离d_0，0值为0，d_m，n的值表示两个序列最优对齐下的累积距离。

S315：如图3所示，根据S314中得到的累积距离矩阵d，从d_m，n开始回溯，直到终点d_0，0，可以获得最优对齐路径，回溯方法如下：

S32：迭代对齐以提取数据中的共同操作，进一步构建只包含飞行员操作信息的干净序列作为参考数据的模板库，只需要小容量的训练样本，具体步骤如下：

S321：从一个类型的飞行任务的训练样本中随机选取两个编码序列X_t＝{x₁，x₂，…，x_m}和Y_t＝{y₁，y₂，…，y_n}，使用BDTW方法进行对齐，提取最优对齐路径上的匹配对{x_i，y_j}，得到规整后的序列X_t和Y_t，X_t和Y_t的长度值等于匹配对的数量；

S322：提取路径中有相同AOI值的匹配对，对于那些同时匹配多个元素的元素，取与其时间戳相差最小的元素组成匹配对；

S323：对上一步每个匹配对{x_i，y_j}，求两两之间起始时间戳的平均值：以及持续时间的平均值：/>得到子序列/>根据求得的平均时间戳，用零序列(0，t)填充，t由子序列的起始时间戳决定，组成一个时间长度等于最优对齐路径时间长度∑x_i[1](或∑y_j[1])的平均序列；

如图5所示，图5以解码后的一维序列的形式展现了序列取平均的过程，输出序列包含了两个输入序列的共同操作信息。

S324：从剩余的训练样本中随机选取一个序列与上一步产生的中间输出序列对齐，重复该过程，直至用完最后一个训练样本，输出该类型飞行任务的参考数据；

S325：继续从其他飞行任务的训练样本中提取参考数据，构建一个模板库。

S4：使用BDTW对测试数据和模板库中每种类型的参考序列分别进行对齐，计算相似度，根据生成最大相似度时选择的参考序列获取测试数据的识别结果。

具体地，所述步骤S4包括如下步骤：

S41：相似度(Similarity)是测试数据的分类依据，由参考数据中的非零元素数n_ref和距离为零的匹配对个数n_mch求得，值域为[0,1]，定义为：

S42、分别计算被测数据与模板库中所有类型数据的相似度，取最大值时所选择的模板类型即测试数据所属的飞行任务类型，识别完毕。

与现有技术相比，本发明将稀疏时间序列识别领域的BDTW算法应用到飞行员手部AOI序列的识别中，消除了序列在时间轴上的偏移，避免了飞行员执行一步操作程序花费时间不同对相似性度量的影响，改善了传统DTW存在的时间复杂度过高的问题。并且本发明还针对原始AOI序列进行BDTW匹配存在的异常值干扰问题，提出了提取参考数据的迭代对齐方法，构建出参考数据的模板库，通过参考数据和被测数据的序列对齐和相似度的计算来实现对后者的识别，使得识别结果更加精确。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (9)

1.一种基于BDTW与序列对齐的飞行任务识别方法，其特征在于，所述方法包括以下步骤：

获取飞行员在飞行模拟器实验中的手部感兴趣区域序列，对数据编码，并进行预处理；

使用已有的带标签手部感兴趣区域序列数据作为训练数据，实验数据用作测试；

使用分块动态规整算法BDTW对每种任务下的训练样本进行迭代对齐处理，获取参考序列，组成模板库；

使用BDTW对测试数据和模板库中每种类型的参考序列分别进行对齐，计算相似度，根据生成最大相似度时选择的参考序列获取测试数据的识别结果。

2.根据权利要求1所述的基于BDTW与序列对齐的飞行任务识别方法，其特征在于，所述获取飞行员在飞行模拟器实验中的手部感兴趣区域序列，对数据编码，并进行预处理的步骤具体包括：

设飞行员手部感兴趣区域序列为X_raw＝{x1₁，x1₂，…，x1_l1，x2₁，x2₂，…，x2_l2，xk₁，xk₂，…，xk_lk}，k表示值重复子序列的数量，xj是序列中的值，由整数表示，标示飞行员手的AOI，j∈[1,k]，j表示第几个子序列，{xj₁，xj₂，…，xj_lj}表示原始感兴趣区域序列中一段连续的值重复子序列，lj表示值重复子序列的总长度，xj的下标表示该元素位于子序列的第几位；

针对原始序列进行编码处理，将序列中所有连续重复的子序列{xj₁，xj₂，…，xj_lj}，转换成编码形式(xj，lj)，再按照先后次序组装成一个二维的编码序列X_encoded＝{(x1，l1)，(x2，l2)，…(xk，lk)}；

通过遍历编码数据去除原始序列中存在的噪声。

3.根据权利要求2所述的基于BDTW与序列对齐的飞行任务识别方法，其特征在于，所述通过遍历编码数据去除原始序列中存在的噪声的步骤具体包括：

以集群形式存在的非零同值的子序列，设置阈值T1，如果一个值为零的子序列(0，l0)长度l0＜T1，且与其相邻的两个子序列(xa，la)，(xb，lb)具有相同的非零值即xa＝xb，则合并这三个子序列为(xa，la+l0+lb)；

不以集群的形式存在且长度过小的非零子序列，设置阈值T2，将长度lc＜T2的非零子序列(xc，lc)的值置为零，处理结果为(0，lc)。

4.根据权利要求1所述的基于BDTW与序列对齐的飞行任务识别方法，其特征在于，所述使用已有的带标签手部感兴趣区域序列数据作为训练数据，实验数据用作测试的步骤中，需确保训练数据的准确性，即应当包含完整的操作程序。

5.根据权利要求1所述的基于BDTW与序列对齐的飞行任务识别方法，其特征在于，所述使用分块动态规整算法BDTW对每种任务下的训练样本进行迭代对齐处理，获取参考序列，组成模板库的步骤具体包括：

通过BDTW方法执行序列对齐过程，序列对齐过程需要满足单调性、边界匹配、连续性和最优匹配原则，计算最优对齐路径；

迭代对齐以提取数据中的共同操作，进一步构建只包含飞行员操作信息的干净序列作为参考数据的模板库。

6.根据权利要求5所述的基于BDTW与序列对齐的飞行任务识别方法，其特征在于，所述通过BDTW方法执行序列对齐过程，序列对齐过程需要满足单调性、边界匹配、连续性和最优匹配原则，计算最优对齐路径的步骤具体包括：

将两个编码序列X_encoded＝{x₁，x₂，…，x_m}和Y_encoded＝{y₁，y₂，…，y_n}所有元素的两两之间的匹配情况列成一个m×n的匹配矩阵，匹配矩阵中位置为(i，j)的元素D_i，j表示第一个序列中的第i个元素x_i＝(xi，li)和第二个序列的第j个元素y_j＝(yj，lj)的距离，计算公式为：D_i，j＝(x_i[0]-y_j[0])²；

单调性要求两个编码序列中的元素必须按照从先到后的顺序对齐，连续性要求编码序列中的每个元素都要有匹配对象，如果路径的上一个匹配是D_i，j，则当前匹配只能是D_i+1，j、D_i，j+1、D_i+1，j+1的其一；

边界匹配要求两个编码序列的第一个元素必须相互匹配，最后一个元素必须相互匹配，即最优匹配路径必须以匹配D_0，0开始，以匹配D_m，n结束；

最优匹配原则要求当前匹配Di，j的上一个匹配只能是Di-1，j，Di，j-1，Di-1，j-1中，到达Di，j时距离最小的情况，为此计算出一个m×n的累积距离矩阵d，矩阵元素d_i，j表示匹配矩阵的第(0，0)个元素到第(i，j)个元素的最小累积距离，计算过程为：

d_0，0＝0

top＝d_i-1，j+x_i[1]*D_i，j

diagonal＝d_i-1，j-1+max(x_i[1]，y_j[1])*D_i，j

left＝d_i，j-1+y_i[1]*D_i，j

d_i，j＝min(top，diagonal，left)

根据得到的累积距离矩阵d，从d_m，n开始回溯，直到终点d_0，0，可以获得最优对齐路径，回溯方法为：

7.根据权利要求5所述的基于BDTW与序列对齐的飞行任务识别方法，其特征在于，所述迭代对齐以提取数据中的共同操作，进一步构建只包含飞行员操作信息的干净序列作为参考数据的模板库的步骤具体包括：

从一个类型的飞行任务的训练样本中随机选取两个编码序列，使用BDTW进行对齐，提取最优对齐路径；

提取路径中有相同AOI值的匹配对，对于那些同时匹配多个元素的元素，取与其时间戳相差最小的元素组成匹配对；

对上一步选取的匹配对，求两两之间起始时间戳的平均值以及持续时间的平均值，组成一个时间长度等于最优对齐路径时间长度的序列；

从剩余的训练样本中随机选取一个序列与上一步产生的中间输出序列对齐，重复该过程，直至用完最后一个训练样本，输出该类型飞行任务的参考数据；

继续从其他飞行任务的训练样本中提取参考数据，构建一个模板库。

8.根据权利要求1所述的基于BDTW与序列对齐的飞行任务识别方法，其特征在于，所述使用BDTW对测试数据和模板库中每种类型的参考序列分别进行对齐，计算相似度，根据生成最大相似度时选择的参考序列获取测试数据的识别结果的步骤具体包括：

相似度Similarity是测试数据的分类依据，由参考数据中的非零元素数n_ref和距离为零的匹配对个数n_mch求得，值域为[0,1]，定义为：

分别计算被测数据与模板库中所有类型数据的相似度，取最大值时所选择的模板类型即测试数据所属的飞行任务类型，识别完毕。

9.一种基于BDTW与序列对齐的飞行任务识别装置，其特征在于，所述装置包括处理器以及用于存储所述处理器的可执行指令的存储器，所述处理器配置为经由执行所述可执行指令来执行如权利要求1至8中任意一项所述的基于BDTW与序列对齐的飞行任务识别方法。