Support Vector Regression Application for the Flight Dynamics New Modelling of the UAS-S4
Notice bibliographique
Résumé
View Video Presentation: https://doi.org/10.2514/6.2022-2576.vid Having access to an Unmanned Aerial System (UAS) Flight Dynamics Model (FDM) enhances our ability to evaluate its controller performance in the early development phases, which boosts safety while reducing costs. With this aim, the flight tests are normally carried for a pre-established number of flight conditions. Then, mathematical methods are used to obtain the FDM for the entire flight envelope. For our UAS-S4 Ehecatl, we utilized 216 local FDMs corresponding to 216 trim flight conditions. The initial flight envelope data containing 216 local FDMs was then augmented using interpolation and extrapolation methodologies; the three closest neighbors of the supposed original operating point in the flight envelope were firstly obtained. Then, the centroid of the embedding local FDMs was computed. Lastly, the new FDM was generated through interpolation and extrapolation between the centroid and the original operating point. Following this procedure, the number of trimmed local FDMs was augmented up to 3,642. Relying on the augmented dataset, the Support Vector Machine methodology was used as the benchmarking regression algorithm due to its excellent ability when training samples can not be separated linearly. The trained Support Vector Regression model predicted the FDM for the entire flight envelope. For validation studies, the quality of predicted UAS-S4 FDM is evaluated based on the Root Locus diagram. The predicted eigenvalues closeness to the original eigenvalues, confirmed the high accuracy of our developed UAS-S4 FDM. The SVR prediction accuracy was evaluated in different flight conditions, for different number of neighbours, while a variety of kernel functions were also considered. Besides, the regression performance was analyzed based on the state variables step response in the closed-loop control architecture. By utilizing the developed UAS-S4 FDM instead of the initial one, the controller could provide 0.76 faster rise-time, 1.05 faster settling time, and 0.105% less over-shoot for the pitch angle. The UAS-S4 state variables step response properties validated that the developed flight envelope could provide more accurate FDM compared to the initial one for the Linear Quadratic Regulator.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».