Data-driven classification of CH-146 manoeuvres using MEMS-IMU sensor system
Notice bibliographique
Résumé
This paper describes the use of a low-cost standalone MEMS-IMU (micro-electromechanical system - inertial measurement unit) sensor system developed by the National Research Council Canada (NRC) for manoeuvre recognition in helicopters. The system records accelerations, angular rotation rates, magnetic flux, altitude, location and velocity through its IMU and GPS. The MEMS-IMU system was flown on the Bell 412 CH-146 Griffon helicopter in a series of scripted flights consisting of 60 manoeuvres and regimes from the helicopter's usage spectrum. A flight log recorded by passengers with detailed start and stop times and identification of the manoeuvres during flight was key information in the development of manoeuvre recognition models. Statistical tests to analyze the data diversity between each flight showed significant variability of the parameters from flight to flight. Because of this variability and because there was significant imbalance in the distribution of data for the individual manoeuvres, a pooled stratified sampling scheme was used to construct a representative training set for developing data-driven models. Different subsets of the MEMSIMU measurements were explored to exclude GPS and/or magnetometer readings. Even with the different subsets, the classifier results using stratified sampling show that very high overall classification accuracy can be obtained using the measurements from the standalone MEMS-IMU sensor system.
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 ».