飞行训练中由于各种因素导致重着陆频繁发生,经常会给飞行学员安全以及飞机起落架带来威胁和损伤,并且判断方式单一容易出现漏判,所以本文对重着陆判断展开研究。依据目前的重着陆研究现状,试用智能诊断模型对飞行训练中的重着陆进行判断。重着陆智能诊断方法目前常用的方法是利用支持向量机模型进行智能诊断,运用的是接地时刻的QAR数据,而此次所用的Garmin-1000航电数据记录间隔比QAR数据长,所以本文提出利用长短时记忆神经网络模型进行智能诊断,从过程的角度出发对重着陆样本数据的特点进行学习,并与支持向量机的识别结果对比,整篇文章主要分为以下三个部分:第一:对飞行训练机场和仪表进近程序进行介绍,研究飞行训练中着陆阶段的特点和关键参数,并确定Cessna-172R机型的重着陆定义。其次导致重着陆发生的因素很多,本文依据着陆特点分别从下滑道、进场速度、拉平接地等三个方面进行定性分析,并从拉平至接地和接地至滑跑两个过程进行接地时的受力分析,得出判断重着陆的5个参数。第二:Garmin-1000航电数据在记录的过程中存在野值以及缺失的情况,本文依据飞参数据的特点利用基于多项式的最小二乘法进行拟合,并结合区间平均残差识别野值,识别结果良好。之后利用着陆曲线相似的判断方法对着陆阶段进行识别、提取,并依据接地时的受力情况对接地时刻判断。第三:利用支持向量机和长短时记忆神经网络分别从接地时刻和接地过程两个角度对重着陆进行智能识别,并且为排除支持向量机中模型系数对结果的影响,运用网格搜索的方法寻找合适的系数。对比两种模型的测试结果可以得出,以长短时记忆神经网络建立的重着陆识别模型要优于支持向量机,更适合判断Garmin-1000航电数据中的重着陆情况。