Transfer Learning for Hypersonic Vehicle Trajectory Prediction
Notice bibliographique
Résumé
Hypersonic glide vehicles (HGVs) introduce challenges in terms of predicting their future flight behavior because they fly at high speeds and maneuver during flight. Furthermore, there are limited examples of actual HGV flights, which impedes the development of prediction methods that model HGV trajectories. In this paper, we investigate transfer learning for HGV trajectory prediction to evaluate how stochastic grammars trained on a limited number of HGV trajectories perform on new, unseen HGV trajectories. Our analysis includes two datasets containing HGV trajectories that exhibit different maneuvers. One dataset contains trajectories that exhibit vertical maneuvers, which are behaviors related to changes in altitude. The second dataset exhibits both horizontal and vertical maneuvers, where horizontal maneuvers refer to changes in crossrange and downrange. The vertical dataset is also significantly smaller than the second dataset (i.e., the dataset that exhibits horizontal and vertical maneuvers). We develop a prediction method using the smaller, less complicated dataset to model HGV trajectories. Specifically, we use an unsupervised machine learning method based on stochastic grammars. Then, we demonstrate that the learned model can be used to predict HGV behavior and engageability for trajectories from the larger, more complicated dataset. Our results show that transfer learning improves prediction performance (even on unseen trajectory maneuvers) and can be used in limited data scenarios.
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 | 0,000 | 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 ».