Aeromagnetic attitude compensation for uninhabited aircraft systems without high-altitude calibration patterns using hybrid recurrent neural networks
Notice bibliographique
Résumé
Abstract Since the 1950s, Tolles-Lawson-based aeromagnetic compensation methods have been used to separate an aircraft's magnetic signal from signal associated with ground geologic and cultural features. This is done by performing a high-altitude figure-of-merit (FOM) flight and fitting the band-pass-filtered magnetic data to determine compensation parameters. This paper describes a supervised hybrid recurrent neural network (HRNN) algorithm trained on low-altitude survey data to perform aeromagnetic compensation. The proposed HRNN attitude compensation method can be employed for aeromagnetic surveys where traditional FOM and compensation are not possible. It has particular relevance for surveying via uninhabited aircraft systems (UAS). Firstly, the HRNN was tested on data from a fixed-wing airplane survey, and the results were compared to hardware-based compensation results. The standard deviation of the difference between the two methods for magnetic attitude correction (MAC) was 0.1 nT for the training region and 0.4 nT for the application region, respectively. Secondly, a UAS FOM flight at the highest permitted altitude in Canada, 120 m above ground level, showed similar improvement ratios for software-based least squares (LS) and the proposed HRNN algorithm of 3.5 and 2.6, respectively. The percent change and deviation in differences in MACs from LS to HRNN was 0.0% and 0.9 nT across small-box loops and –2.7% and 0.4 nT across large-box loops. Finally, LS and the proposed HRNN algorithm were applied to a 50 m altitude UAS data set for which no FOM flight was possible. LS did not successfully model aircraft noise, whereas the HRNN demonstrated effective removal of the magnetic signal due to aircraft attitude variations. The modeled HRNN MAC had a standard deviation of 2.4 nT.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».