基于深度神经网络的多传感器空中交通监控数据的新协会方法
Joaquin Vico Navarro1, Juan Vicente Balbastre Tejedor2, Juan Antonio Vila Carbó1
1Instituto Universitario de Automática e Informática Industrial, Universitat Politècnica de València, Camí de Vera s/n, 46022 Valencia, Spain.
Sensors (Basel, Switzerland)
|February 13, 2025
概括
这项研究引入了一种新的机器学习算法,用于空中交通监控数据协会. 多传感器智能数据协会 (M-SIOTA) 算法提高了所有飞机类型的跟踪精度,包括高度机动的飞机类型.
科学领域:
- 航空航天工程 航空航天工程
- 人工智能的人工智能
- 数据科学数据科学数据科学
背景情况:
- 空中交通服务依赖于安全和效率的监控系统.
- 国际民航组织 (ICAO) 要求对这些系统进行性能监测.
- 当前的数据关联方法与复杂的飞行动态作斗争.
研究的目的:
- 开发一个先进的数据关联算法,用于多传感器监控.
- 克服现有技术的局限性,以高机动性为目标.
- 为了实现可靠的数据处理,而不依赖飞机动态模型.
主要方法:
- 实现多传感器智能数据协会 (M-SIOTA) 算法.
- 使用深度神经网络 (DNN) 进行智能数据关联.
- 在各种传感器组合的各种监控数据集上进行培训和验证.
主要成果:
- M-SIOTA算法显示了数据关联性能的提高.
- 在不同飞行阶段有效处理机遇交通数据.
- 成功应用于各种类别的飞机和空域结构.
结论:
- 基于DNN的M-SIOTA为多传感器数据协会提供了一个创新的解决方案.
- 这种方法增强了监控系统性能监测.
- 该算法适用于广泛的空中交通场景.
