CN115563769A - 一种面向事件的航天器飞行性能曲线分析方法 - Google Patents
一种面向事件的航天器飞行性能曲线分析方法 Download PDFInfo
- Publication number
- CN115563769A CN115563769A CN202211213420.9A CN202211213420A CN115563769A CN 115563769 A CN115563769 A CN 115563769A CN 202211213420 A CN202211213420 A CN 202211213420A CN 115563769 A CN115563769 A CN 115563769A
- Authority
- CN
- China
- Prior art keywords
- attitude
- data
- curve
- analysis
- flight
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种面向事件的航天器飞行性能曲线分析方法,能够实现对复杂特性时间序列数据的特征分析和判定、异常检测等辅助判读功能。本发明适用于航天器姿态控制过程中遥测曲线变化异常检测方法,为复杂过程曲线智能辅助判读提供支持,面向航天器姿态曲线的多模态、非周期性、不易辨识等特点,采用航天器姿控变化曲线异常检测方法,设计数据筛查的复合条件语义表达形式,以及姿控数据筛查原则,便于精准开展全飞行过程的姿控数据筛查、量化分析和异常检测工作。
Description
技术领域
本发明涉及航天器时间序列数据特征技术领域,具体涉及一种面向事件的航天器飞行性能曲线分析方法。
背景技术
飞行姿态数据是卫星飞行任务的关键业务数据,是评价航天器飞行指标的最直接参考,其过程变化属性使得其量化分析和评估都较为困难。鉴于月球无人取样返回飞行任务的特点和难度,使得全过程的姿态机动数据分析和常态化监测都无法遵循一种既定规律来实践。因此,亟需一种可以满足月球探测器全过程姿态数据自主分析和监测的方法,提升测试的智能化水平,满足以月球无人取样返回飞行任务为代表的智能装备试验数据分析需求,更好促进未来智能装备的测试数据分析环境构建、数据智能化分析技术发展。但是针对表征航天器姿态特性的时间序列数据的在不同模式下周期性、平稳性、趋势性特点,现有工具无法为该类型遥测曲线判读提供有效智能辅助。
发明内容
有鉴于此,本发明提出了一种面向事件的航天器飞行性能曲线分析方法,能够实现对复杂特性时间序列数据的特征分析和判定、异常检测等辅助判读功能。
为实现上述目的,本发明的技术方案为:
本发明的一种面向事件的航天器飞行性能曲线分析方法,包括如下步骤:
步骤1,根据先验知识代入,设计月球探测器姿态特性曲线飞行全程条件约束集,构建可控的、可分段评估的时间序列数据集;
步骤2,设计月球探测器飞行姿态曲线的形态特征分步检测策略;
步骤3,根据姿态机动过程中“正在调姿但未到位”阶段数据,采用相似性分析方法,判定姿态调整形态是否标称曲线一致;
步骤4,根据姿态机动过程中“姿态偏置到位并保持”、“姿态回调到位并保持”阶段数据,采用包络分析和趋势性分析相结合的方式对姿态调整到位后平稳属性进行判定;
步骤5,根据长期稳定飞行状态下姿态曲线,采用趋势分析、包络分析和同比振幅的周期性分析相结合方式对姿态平稳属性进行判定。;
步骤6,对短期和长期稳态的姿态曲线,开展离群点数据的检测分析。
其中,所述步骤1包括如下步骤:
步骤1-1,根据月球探测器全周期飞行特征,构建稳定飞行稳态和触发态下数据自动抓取的约束模型,稳态表征探测器沿着设计轨道保持目标姿态稳定飞行;触发态表征探测器在姿态机动、降轨、落月和起飞关键事件触发下飞行;
步骤1-2设计数据筛查的复合条件语义表达形式,支持月球探测器全过程多模式下飞行数据的筛查策略,具体如下:
复合判读条件语义表达形式为[G:K002>1,C:D004_0=>1,D:-10],其中C为条件项,G为前提项,D为延时项;所述条件项可为遥测或遥控指令的表达式;可快速粗略的判断是否存在约束条件下的测试过程,条件项不能为空;通过上述条件项筛选后的时间范围还必须满足前提项条件,决定该被约束姿态数据的起始或终止时刻,前提项不是必须,可为空;所述延时项可实现对条件项、前提项联合确定的时间范围内,通过微调设定起始时间或-终止时间的提前或延后N个遥测周期;采用复合条件语义表达形式,以及数据抓取条件模型,筛查、抓取目标阶段数据,再进一步开展数据分析工作。
其中,所述步骤1中,包括如下步骤:
步骤2-1,由步骤1得到的目标阶段数据,根据当前姿态曲线状态、三轴姿态变化事件对曲线属性特征进行筛查分类,由各类别曲线数据,对应选择适宜的特征评价策略,如表2所示;
表2不同特征数据的评价策略
步骤2-2,根据步骤2-1中不同阶段姿态数据的属性,设计基于事件触发的姿态变化曲线的正常和异常判定策略,具体如下:
根据步骤2-1对姿态机动过程细化,分为姿态偏置到位并保持、姿态回调角度并保持、正在调姿但未到位共三个阶段;采用相似性分析、包络分析、离群点异常检测方法,开展分段过程性能评价和异常筛查,分段过程性能评价表如表3所示;
表3分段过程性能评价
步骤2-3,根据步骤2-1中不同阶段姿态数据的属性,设计稳定状态下姿态曲线的判定策略;采用包络分析、异常检测、移动平均趋势性检测方式,开展长期稳态下指标监控以及对该平稳属性的判定策略。
其中,所述步骤3中,采用动态时间规整方法来计算待测时序数据与标称数据的距离差异,量化确定待测飞行曲线中机动过程姿态曲线与标称曲线的相似性。
其中,所述步骤4中,姿态曲线包络分析为:采用3-Sigma方法,计算姿态数据分布在的3σ范围(μ–3σ,μ+3σ)内99.73%的为正常数据的幅值范围,其中σ代表标准差,μ代表均值;
姿态曲线的趋势性分析为:采用移动平均算法提取曲线的基线,将基线数据与姿态曲线包络分析中包络分析均值μ进行比较,观察基线数据趋势。
有益效果:
1、本发明适用于航天器姿态控制过程中遥测曲线变化异常检测方法,为复杂过程曲线智能辅助判读提供支持,面向航天器姿态曲线的多模态、非周期性、不易辨识等特点,采用航天器姿控变化曲线异常检测方法,设计数据筛查的复合条件语义表达形式,以及姿控数据筛查原则,便于精准开展全飞行过程的姿控数据筛查、量化分析和异常检测工作。
2、本发明从飞行指标、曲线形貌、趋势性分析、稳态数据离群点检测等方面入手,设计了姿态曲线的异常检测策略和实施方法,可作为过程曲线数据测试智能化判读分析的参考,为全面推行测试智能化能力提升打下基础。
3、本发明适用于航天器姿态控制过程中遥测曲线变化异常检测方法,为复杂过程曲线智能辅助判读提供支持,适应性强,准确度高。
附图说明
图1为本发明方法流程图。
图2为姿态调整触发态和稳定态的实例示意图。
图3为本发明实施例中标称曲线数据。
图4为本发明实施例中异常曲线数据。
图5为本发明实施例中DTW寻优匹配后得到的曲线差异效果图。
图6为本发明实施例中稳态曲线数据离群检测示意图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明提出了一种面向事件的航天器飞行性能曲线分析方法,能够实现对复杂特性时间序列数据的特征分析和判定、异常检测等辅助判读功能。具体实现流程如图1所示,包括如下步骤:
步骤1,根据先验知识代入,设计月球探测器姿态特性曲线飞行全程条件约束集,构建可控的、可分段评估的时间序列数据集;具体包括如下步骤:
步骤1-1,根据月球探测器全周期飞行特征,构建不同飞行状态下数据自动抓取的约束模型,具体如下:
根据月球探测器全程飞行状态,可分为稳定飞行稳态和触发态两种,稳态表征探测器沿着设计轨道保持目标姿态稳定飞行;触发态表征探测器在姿态机动、降轨、落月和起飞等关键事件触发下飞行。姿态调整触发态和稳定态的实例如图2所示,两种状态对应飞行性能总体评价方法不同,精准抓取目标阶段数据的条件模型也不同,如表1所示。
表1稳定飞行稳态和触发态对应飞行性能总体评价方法和条件模型
步骤1-2设计数据筛查的复合条件语义表达形式,支持月球探测器全过程多模式下飞行数据的筛查策略。具体如下:
复合判读条件语义表达形式为[G:K002>1,C:D004_0=>1,D:-10]。其中C为条件项,G为前提项,D为延时项。所述条件项可为遥测或遥控指令的表达式;可快速粗略的判断是否存在约束条件下的测试过程。条件项不能为空,基本表达形式包括:
所述前提项可实现精确判断与定位。通过上述条件项筛选后的时间范围,还必须满足此前提项条件,决定该被约束姿态数据的起始或终止时刻。前提项不是必须,可为空。它的表达式主要为:
所述延时项可实现对条件项、前提项联合确定的时间范围内,通过微调设定起始时间或-终止时间的提前或延后N个遥测周期,便于分析和显示,具体为:
采用复合条件语义表达形式,以及步骤1-1中数据抓取条件模型,可以筛查、抓取目标阶段数据,再进一步开展数据分析工作。
步骤2,设计月球探测器飞行姿态曲线的形态特征分步检测策略,具体为:
步骤2-1,由步骤1得到的目标阶段数据,根据当前姿态曲线状态、三轴姿态变化事件对曲线属性特征进行筛查分类。由各类别曲线数据,对应选择适宜的特征评价策略,如表2所示;
表2不同特征数据的评价策略
步骤2-2,根据步骤2-1中不同阶段姿态数据的属性,设计基于事件触发的姿态变化曲线的正常和异常判定策略,具体如下:
根据步骤2-1对姿态机动过程细化,分为姿态偏置到位并保持、姿态回调角度并保持、正在调姿但未到位共三个阶段。各阶段曲线形态特征是不一致的,因此采用的评价方法和评价目标也是不一致的。通常采用相似性分析、包络分析、离群点异常检测方法,开展分段过程性能评价和异常筛查,分段过程性能评价表如表3所示。
表3分段过程性能评价
步骤2-3,根据步骤2-1中不同阶段姿态数据的属性,设计稳定状态下姿态曲线的判定策略;采用包络分析、异常检测、移动平均趋势性等检测方式,开展长期稳态(姿态数据保持长期平稳状态)下指标监控以及对该平稳属性的判定策略。
步骤3,根据步骤2-2中姿态机动过程中“正在调姿但未到位”阶段数据,采用相似性分析方法,判定姿态调整形态是否和标称曲线一致。本发明实施例中标称曲线数据如图3所示。
具体地,与标称曲线的形态相似性分析。采用动态时间规整(Dynamic TimeWarping)方法来计算待测时序数据与标称数据的距离差异,量化确定待测飞行曲线中机动过程姿态曲线与标称曲线的相似性。
假设标称数据与待测数据间序分别为X=(x1,x2,...,xm)和Y=(y1,y2,...,ym),提出了相似性的计算方法。计算两者的相似性度量函数:
D(i,j)=d(xi,yj)
其中d(xi,yj)是xi,yj之间的距离。D(i,j)定义如下:
D(1,1)=d(1,1)
D(m,1)=d(m,1)+D(m-1,1)
D(1,n)=d(1,n)+D(1,n-1)
D(m,n)=d(m,n)+min{D(m-1,n),D(m-1,n-1),D(m,n-1)}
定义向量W为规整路径向量:
D(1,n)=d(1,n)+D(1,n-1)
W=(w1,…wt,…wT)
其中wT=D(i,j),wT是规整路径W上的第T个元素,表示xi与yj建立的对应关系。
图4异常曲线数据模拟了在时间轴和幅值两个维度上与标称曲线数据都存在差异,通过DTW方法计算异常曲线与标准曲线的距离差异,效果图如5所示。
步骤4,根据步骤2-2中姿态机动过程中“姿态偏置到位并保持”、“姿态回调到位并保持”阶段数据,采用包络分析和趋势性分析相结合的方式对姿态调整到位后平稳属性进行判定。具体包括如下步骤:
步骤4-1,姿态曲线包络分析:采用3-Sigma方法,计算姿态数据分布在的3σ范围(μ–3σ,μ+3σ)内99.73%的为正常数据的幅值范围,其中σ代表标准差,μ代表均值。姿态曲线包络分析可计算出姿态调整到位后姿态保持的偏差。
步骤4-2,姿态曲线的趋势性分析:采用移动平均算法提取曲线的基线,将基线数据与步骤4-1中包络分析均值μ进行比较,观察基线数据趋势。姿态曲线趋势性分析可判断出姿态保持性能基线的趋势。
步骤5,根据步骤2-3中长期稳定飞行状态下姿态曲线,采用趋势分析、包络分析和同比振幅的周期性分析相结合方式对姿态平稳属性进行判定。包括如下步骤:
步骤5-1,姿态曲线的包络分析:判断长期平稳飞行中姿态保持的偏差。具体过程与步骤4-1一致;
步骤5-2,姿态曲线的趋势分析:判断长期平稳飞行中姿态保持性能基线的趋势,具体过程与步骤4-2一致;
步骤5-3,姿态曲线的同比振幅分析:将步骤2-3中长期稳定飞行状态下姿态曲线开展同比振幅分析。具体如下式所示,判断长期平稳飞行中姿态保持过程的控制精度差异性:
步骤6,对短期和长期稳态的姿态曲线,开展离群点数据的检测分析,包括步骤2-2中姿态机动过程中“姿态偏置到位并保持”、“姿态回调到位并保持”阶段数据,以及步骤2-3中长期稳定飞行状态下姿态曲线。这两类数据分别代表了姿态机动、姿态保持中出现的短期稳态和长期稳态数据。离群点数据的计算对在轨飞行中稳态数据智能、快速诊断分析非常重要,过程如下:
将姿态曲线在飞行过程中所有稳态数据进行分组,计算各分组的最大值、最小值、极值包络,采用基于相对密度的离群点检测方法,通过比较数据的密度与它的邻域中平均密度来检测离散点。局部邻域密度定义如下公式:
其中|N(x,k)|是不包含x的k-最近邻域集合,|N(x,k)|是该集合的大小,y是一个最近邻,相对密度为:
簇内靠近核心点的对象相对密度接近于1,而处于簇的边缘是簇的外面对象的相对可能性较大。定义相对密度为OF2(x,k)=relative density(x,k),对相关曲线进行实例分析,如图6所示。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种面向事件的航天器飞行性能曲线分析方法,其特征在于,包括如下步骤:
步骤1,根据先验知识代入,设计月球探测器姿态特性曲线飞行全程条件约束集,构建可控的、可分段评估的时间序列数据集;
步骤2,设计月球探测器飞行姿态曲线的形态特征分步检测策略;
步骤3,根据姿态机动过程中“正在调姿但未到位”阶段数据,采用相似性分析方法,判定姿态调整形态是否标称曲线一致;
步骤4,根据姿态机动过程中“姿态偏置到位并保持”、“姿态回调到位并保持”阶段数据,采用包络分析和趋势性分析相结合的方式对姿态调整到位后平稳属性进行判定;
步骤5,根据长期稳定飞行状态下姿态曲线,采用趋势分析、包络分析和同比振幅的周期性分析相结合方式对姿态平稳属性进行判定。;
步骤6,对短期和长期稳态的姿态曲线,开展离群点数据的检测分析。
2.如权利要求1所述的方法,其特征在于,所述步骤1包括如下步骤:
步骤1-1,根据月球探测器全周期飞行特征,构建稳定飞行稳态和触发态下数据自动抓取的约束模型,稳态表征探测器沿着设计轨道保持目标姿态稳定飞行;触发态表征探测器在姿态机动、降轨、落月和起飞关键事件触发下飞行;
步骤1-2设计数据筛查的复合条件语义表达形式,支持月球探测器全过程多模式下飞行数据的筛查策略,具体如下:
复合判读条件语义表达形式为[G:K002>1,C:D004_0=>1,D:-10],其中C为条件项,G为前提项,D为延时项;所述条件项可为遥测或遥控指令的表达式;可快速粗略的判断是否存在约束条件下的测试过程,条件项不能为空;通过上述条件项筛选后的时间范围还必须满足前提项条件,决定该被约束姿态数据的起始或终止时刻,前提项不是必须,可为空;所述延时项可实现对条件项、前提项联合确定的时间范围内,通过微调设定起始时间或-终止时间的提前或延后N个遥测周期;采用复合条件语义表达形式,以及数据抓取条件模型,筛查、抓取目标阶段数据,再进一步开展数据分析工作。
3.如权利要求1或2所述的方法,其特征在于,所述步骤1中,包括如下步骤:
步骤2-1,由步骤1得到的目标阶段数据,根据当前姿态曲线状态、三轴姿态变化事件对曲线属性特征进行筛查分类,由各类别曲线数据,对应选择适宜的特征评价策略,如表2所示;
表2不同特征数据的评价策略
步骤2-2,根据步骤2-1中不同阶段姿态数据的属性,设计基于事件触发的姿态变化曲线的正常和异常判定策略,具体如下:
根据步骤2-1对姿态机动过程细化,分为姿态偏置到位并保持、姿态回调角度并保持、正在调姿但未到位共三个阶段;采用相似性分析、包络分析、离群点异常检测方法,开展分段过程性能评价和异常筛查,分段过程性能评价表如表3所示;
表3分段过程性能评价
步骤2-3,根据步骤2-1中不同阶段姿态数据的属性,设计稳定状态下姿态曲线的判定策略;采用包络分析、异常检测、移动平均趋势性检测方式,开展长期稳态下指标监控以及对该平稳属性的判定策略。
4.如权利要求3所述的方法,其特征在于,所述步骤3中,采用动态时间规整方法来计算待测时序数据与标称数据的距离差异,量化确定待测飞行曲线中机动过程姿态曲线与标称曲线的相似性。
5.如权利要求1、2或4所述的方法,其特征在于,所述步骤4中,姿态曲线包络分析为:采用3-Sigma方法,计算姿态数据分布在的3σ范围(μ–3σ,μ+3σ)内99.73%的为正常数据的幅值范围,其中σ代表标准差,μ代表均值;
姿态曲线的趋势性分析为:采用移动平均算法提取曲线的基线,将基线数据与姿态曲线包络分析中包络分析均值μ进行比较,观察基线数据趋势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211213420.9A CN115563769A (zh) | 2022-09-30 | 2022-09-30 | 一种面向事件的航天器飞行性能曲线分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211213420.9A CN115563769A (zh) | 2022-09-30 | 2022-09-30 | 一种面向事件的航天器飞行性能曲线分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115563769A true CN115563769A (zh) | 2023-01-03 |
Family
ID=84744852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211213420.9A Pending CN115563769A (zh) | 2022-09-30 | 2022-09-30 | 一种面向事件的航天器飞行性能曲线分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115563769A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116401103A (zh) * | 2023-06-08 | 2023-07-07 | 北京飞安航空科技有限公司 | 一种飞行员便携式电子图囊的数据安全管理系统 |
CN117073769A (zh) * | 2023-10-17 | 2023-11-17 | 中交第一航务工程局有限公司 | 一种全漂浮状态下船体姿态的检测装置 |
CN117786375A (zh) * | 2023-12-01 | 2024-03-29 | 中国民用航空飞行学院 | 一种仪表飞行模式下指引跟随飞行操纵品质评估方法 |
CN117932445A (zh) * | 2024-03-25 | 2024-04-26 | 西安航科创星电子科技有限公司 | 高稳定性的htcc氧化铝陶瓷制备参数异常识别方法 |
CN117932445B (zh) * | 2024-03-25 | 2024-05-31 | 西安航科创星电子科技有限公司 | 高稳定性的htcc氧化铝陶瓷制备参数异常识别方法 |
-
2022
- 2022-09-30 CN CN202211213420.9A patent/CN115563769A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116401103A (zh) * | 2023-06-08 | 2023-07-07 | 北京飞安航空科技有限公司 | 一种飞行员便携式电子图囊的数据安全管理系统 |
CN116401103B (zh) * | 2023-06-08 | 2023-07-28 | 北京飞安航空科技有限公司 | 一种飞行员便携式电子图囊的数据安全管理系统 |
CN117073769A (zh) * | 2023-10-17 | 2023-11-17 | 中交第一航务工程局有限公司 | 一种全漂浮状态下船体姿态的检测装置 |
CN117786375A (zh) * | 2023-12-01 | 2024-03-29 | 中国民用航空飞行学院 | 一种仪表飞行模式下指引跟随飞行操纵品质评估方法 |
CN117932445A (zh) * | 2024-03-25 | 2024-04-26 | 西安航科创星电子科技有限公司 | 高稳定性的htcc氧化铝陶瓷制备参数异常识别方法 |
CN117932445B (zh) * | 2024-03-25 | 2024-05-31 | 西安航科创星电子科技有限公司 | 高稳定性的htcc氧化铝陶瓷制备参数异常识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115563769A (zh) | 一种面向事件的航天器飞行性能曲线分析方法 | |
Zhu et al. | PhaseNet: a deep-neural-network-based seismic arrival-time picking method | |
Cochran et al. | Earthquake early warning ShakeAlert system: Testing and certification platform | |
CN111652427B (zh) | 一种基于数据挖掘分析的航班到达时刻预测方法及系统 | |
CN103080954B (zh) | 用于分析飞行器飞行期间所记录的飞行数据的方法和系统 | |
US8855852B2 (en) | Method and system for monitoring a structure | |
US8736679B2 (en) | Avionic display testing system | |
US6363333B1 (en) | Method of classifying statistical dependency of a measurable series of statistical values | |
CN104062687B (zh) | 一种空地一体的地磁场联合观测方法及系统 | |
CN107463161A (zh) | 预测飞行器中的故障的方法和系统以及监控系统 | |
CN110533095B (zh) | 一种基于改进随机森林的航班飞行风险行为识别方法 | |
US10592636B2 (en) | Methods and systems for flight data based parameter tuning and deployment | |
JP2004501354A (ja) | 宇宙気象予報方法及びシステム | |
Manson et al. | Long-term stability of normal condition data for novelty detection | |
Montaruli et al. | A software suite for orbit determination in Space Surveillance and Tracking applications | |
Hrastovec et al. | Machine learning model for aircraft performances | |
Raley et al. | Orbitoutlook: autonomous verification and validation of non-traditional data for improved space situational awareness | |
Hanifa et al. | Detection of unstable approaches in flight track with recurrent neural network | |
Kerr et al. | RECONFIGURE FP7 project preliminary results and contributions | |
US11741113B2 (en) | Measurement guide device and simulation computing device used therefor | |
Ryan et al. | Review of trajectory accuracy methodology and comparison of error measurement metrics | |
Christopher et al. | Feature selection techniques for prediction of warning level in aircraft accidents | |
Ge et al. | Gray System-Based Identification and Pre-Culling of Outliers Applied to Magnetic Sensor in Aeromagnetic Compensation | |
Simon et al. | Enhancing the diagnostic performance of condition based maintenance through the fusion of sensor with maintenance data | |
Castaldo et al. | The M3T process for IRST systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |