CN115801110A - 一种基于机器学习的无线电选台优化方法 - Google Patents

一种基于机器学习的无线电选台优化方法 Download PDF

Info

Publication number
CN115801110A
CN115801110A CN202310064067.0A CN202310064067A CN115801110A CN 115801110 A CN115801110 A CN 115801110A CN 202310064067 A CN202310064067 A CN 202310064067A CN 115801110 A CN115801110 A CN 115801110A
Authority
CN
China
Prior art keywords
navigation
channel selection
value
waypoint
distance
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.)
Granted
Application number
CN202310064067.0A
Other languages
English (en)
Other versions
CN115801110B (zh
Inventor
张阳康
彭旭飞
雷雨
程子悦
宫珏
管宏旸
张浩文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Flight Automatic Control Research Institute of AVIC
Original Assignee
Xian Flight Automatic Control Research Institute of AVIC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Flight Automatic Control Research Institute of AVIC filed Critical Xian Flight Automatic Control Research Institute of AVIC
Priority to CN202310064067.0A priority Critical patent/CN115801110B/zh
Publication of CN115801110A publication Critical patent/CN115801110A/zh
Application granted granted Critical
Publication of CN115801110B publication Critical patent/CN115801110B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00Reducing energy consumption in communication networks
    • Y02D30/70Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Navigation (AREA)

Abstract

本发明属于无线电调谐技术领域,具体涉及一种基于机器学习的无线电选台优化方法。将机器学习方法引入到无线电调谐技术领域,以切换频率和信号质量为性能指标,综合考虑夹角、距离、ANP值三种选台逻辑,以三种选台逻辑的权重矢量为训练指标。在飞行航线上,利用飞行计划、导航数据库进行训练,得到优化后的权重组合,作为最终的训练结果。可实现选择的导航台具有较优的信号质量和持久度;较大程度降低机组人员的操作负担,提高了选台效率;通用性较强,可自适应于多种航线、多种导航台形式;实现了无线电调谐功能的自动化、智能化。

Description

一种基于机器学习的无线电选台优化方法
技术领域
本发明属于无线电调谐技术领域,尤其是涉及一种基于机器学习的无线电选台优化方法。
背景技术
在无线电调谐技术领域,无线电选台逻辑始终是一个关键的技术点。合理的无线电选台逻辑能够使得飞机在全航线保持较高的信号质量,同时具有较少的切换频率来减轻驾驶员的操作负担。
现有多种无线电选台逻辑,分别包括:选择导航台对与飞机夹角最接近90°的导航台、选择与飞机距离最近的导航台、选择ANP计算值最小的导航台等,上述每种选台逻辑侧重考虑导航台信号质量。针对导航台切换频率,有部分学者在选台逻辑算法中直接加入导航台切换的判断逻辑,尽可能减少导航台的切换次数。
上述现有技术侧重信号质量的选台逻辑中,容易忽视导航台的切换频率;引入导航台切换逻辑的判断,往往又会造成导航台信号质量的下降,难以做到信号质量与切换频率的兼顾。
发明内容
本发明的目的:提供一种基于机器学习的无线电选台优化方法,综合考虑导航台信号质量和切换频率,将机器学习方法引入到无线电调谐技术领域,以切换频率和信号质量为性能指标,综合考虑夹角、距离、ANP值三种选台逻辑,以三种选台逻辑的权重矢量为训练指标。在飞行航线上,利用飞行计划、导航数据库进行训练,得到优化后的权重组合,作为最终的训练结果。
本发明的技术方案:
为了实现上述发明目的,本发明实施例提供一种基于机器学习的无线电选台优化方法,包括如下步骤:
S1:获取飞行计划航路信息和导航台数据库信息;
S2:在首次选台过程中,从起始航路点开始,分别计算各航路点相对于全部导航台对的夹角、距离、ANP值;其中航路点相对于每一组导航台对的距离是指航路点与导航台对中的两个导航台直线距离相对较大的距离;
S3:对所述步骤S2计算得到的各航路点相对于全部导航台对的夹角、距离、ANP值分别进行归一化处理,得到每一个航路点相对于全部导航台对的夹角选台逻辑计算值、距离选台逻辑计算值、ANP值选台逻辑计算值;
S4:建立无线电选台函数F;
Figure SMS_1
其中,
Figure SMS_2
为距离选台逻辑计算值,
Figure SMS_3
为夹角选台逻辑计算值,
Figure SMS_4
为ANP值选台逻辑计算值;
Figure SMS_5
Figure SMS_6
Figure SMS_7
Figure SMS_8
对应的权重矢量;
S5:将所述步骤S3得到的各导航台的夹角选台逻辑计算值、距离选台逻辑计算值、ANP值选台逻辑计算值代入所述步骤S4中建立的无线电选台函数F,根据函数最大化原则,计算得到各航路点对应的最优导航台对;在首次选台过程中,采用初始化权重矢量进行计算;
S6:根据步骤S5得到的全部航路点和最优导航台对的对应数据组,得到整个飞行计划中导航台切换总次数,以及有效导航距离的最大值;
S7:将全部航路点和最优导航台对的对应数据组作为训练数据集,进行神经网络训练优化;将所述步骤S3中得到的所述夹角选台逻辑计算值、距离选台逻辑计算值、ANP值选台逻辑计算值,作为神经网络的输入值;将权重矢量
Figure SMS_9
作为神经网络的权重集;
S8:建立综合性能指标函数L:
Figure SMS_10
其中,
Figure SMS_11
为有效导航距离最大值,
Figure SMS_12
为航线全长,
Figure SMS_13
为导航台切换总次数,
Figure SMS_14
为航线上航路点总数;
S9:采用随机梯度下降法更新神经网络权重集,使得综合性能指标函数L最小,得到经过神经网络训练更新后的权重矢量,返回步骤S4,将更新后的权重矢量作为新的权重矢量;
S10:重复步骤S4-S9,直到神经网络收敛稳定。
在一个可能的实施例中,在所述步骤S1中,所述飞行计划航路信息包括航路点经度、纬度、高度;所述导航台数据库信息包括导航台名称、标识、经度、纬度、频率、海拔高度。
在一个可能的实施例中,在所述步骤S2中,根据下式(一)计算航路点相对于导航台对的夹角
Figure SMS_15
Figure SMS_16
式(一)
其中,
Figure SMS_17
为反余弦函数,求解角度值;
Figure SMS_18
为航路点经纬高度参数;
Figure SMS_19
为导航台对中的第一导航台的经纬高度参数,
Figure SMS_20
为导航台对中的第二导航台的经纬高度参数;
Figure SMS_21
表示航路点经纬高度参数与第一导航台经纬高度参数之差的2-范数;
Figure SMS_22
表示航路点经纬高度参数与第二导航台经纬高度参数之差的2-范数;
Figure SMS_23
表示取转置。
在一个可能的实施例中,在所述步骤S2中,根据下式(二)计算航路点相对于导航台对的距离
Figure SMS_24
:
Figure SMS_25
式(二)
其中,
Figure SMS_26
为最大值函数。
在一个可能的实施例中,在所述步骤S2中, 根据下式(三)计算航路点相对于导航台对的ANP值:
Figure SMS_27
式(三)
其中,ANP指的是飞机位置在95%概率内的误差范围,由概率范围公式
Figure SMS_28
=0.95,由此可得常数
Figure SMS_29
Figure SMS_30
表示航路点相对导航台的距离误差,且
Figure SMS_31
均为正态分布的随机变量;
Figure SMS_32
为导航台的测量均方误差;考虑两个导航台测量误差不相关;
Figure SMS_33
表示航路点相对于导航台对的夹角;
Figure SMS_34
Figure SMS_35
为求解平方根函数,
Figure SMS_36
为正弦函数。
在一个可能的实施例中,在所述步骤S3中,所述夹角选台逻辑计算值、距离选台逻辑计算值、ANP值选台逻辑计算值的归一化处理计算过程包括:
Figure SMS_37
Figure SMS_38
Figure SMS_39
其中,
Figure SMS_40
为当前航路点与所有导航台对距离的最大值;
Figure SMS_41
为当前航路点与所有导航台对夹角的最大值;
Figure SMS_42
为当前航路点与所有导航台对ANP计算值的最大值。
在一个可能的实施例中,在所述步骤S9中,采用随机梯度下降法更新神经网络权重集的过程具体包括:从所有航路点数据集中选取m个
Figure SMS_43
小批量样本,其中航路点
Figure SMS_44
对应最优导航台对为
Figure SMS_45
;计算梯度估计:
Figure SMS_46
,进而得到权重的更新策略:
Figure SMS_47
,其中
Figure SMS_48
为学习率;将更新后的权重集
Figure SMS_49
作为新的权重矢量。
在一个可能的实施例中,所述步骤S10中,神经网络收敛稳定的条件是前后3次神经网络权重矢量的误差在1e-2内。
本发明的优点:本发明通过神经网络优化无线电选台逻辑,可实现选择的导航台具有较优的信号质量和持久度;较大程度降低机组人员的操作负担,提高了选台效率;通用性较强,可自适应于多种航线、多种导航台形式;实现了无线电调谐功能的自动化、智能化。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单的介绍,显而易见,下面所描述的附图仅仅是本发明的一些实施例,对于本领域的技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明优选实施例的方法流程图;
图2是本发明优选实施例的机器学习算法的神经网络结构示意图;
图3A是本文明优选实施例的飞机与导航台对夹角示意图;
图3B是本文明优选实施例的飞机与导航台对距离计算示意图;
图3C是本文明优选实施例的飞机与导航台对ANP值计算示意图;
图4A是仅考虑夹角接近90°选取的最优导航台对结果;
图4B是仅考虑夹角接近90°选取的最优导航台对的编号变化曲线;
图5A是本文明优选实施例的最优导航台对结果;
图5B是本文明优选实施例的最优导航台对编号变化曲线。
具体实施方式
下面结合附图对本发明做进一步详细描述。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的例图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明一部分实施例,而不是全部实施例。基于本发明的实施例,本领域的普通技术人员在没有做出创造性劳动的前提下,所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
如图1所示,一种基于机器学习的无线电选台优化方法,包括如下步骤:
一种基于机器学习的无线电选台优化方法,包括如下步骤:
S1:获取北京首都机场-上海浦东机场航线的飞行计划航路信息和导航台数据库信息;
S2:在首次选台过程中,从起始航路点开始,分别计算其相对于全部导航台对的夹角、距离、ANP值,并分别建立数组存储计算得到的夹角、距离、ANP值;如图3A所示,根据下式(一)计算航路点相对于导航台对的夹角
Figure SMS_50
Figure SMS_51
式(一)
其中,
Figure SMS_52
为反余弦函数,求解角度值;
Figure SMS_53
为WGS84坐标系下航路点经纬高度参数;
Figure SMS_54
为WGS84坐标系下导航台对中的第一导航台的经纬高度参数,
Figure SMS_55
为WGS84坐标系下导航台对中的第二导航台的经纬高度参数;
Figure SMS_56
表示WGS84坐标系下航路点经纬高度参数与第一导航台经纬高度参数之差的2-范数;
Figure SMS_57
表示WGS84坐标系下航路点经纬高度参数与第二导航台经纬高度参数之差的2-范数;
Figure SMS_58
表示取转置;
如图3B所示,根据下式(二)计算航路点相对于导航台对的距离;
Figure SMS_59
式(二)
其中,
Figure SMS_60
为最大值函数;
如图3C所示,根据下式(三)计算航路点相对于导航台对的ANP值;
Figure SMS_61
式(三)
其中,ANP指的是飞机位置在95%概率内的误差范围,由概率范围公式
Figure SMS_63
=0.95,由此可得常数
Figure SMS_67
Figure SMS_69
表示航路点相对导航台的距离误差,且
Figure SMS_64
均为正态分布的随机变量;
Figure SMS_65
为导航台的测量均方误差;考虑两个导航台测量误差不相关;
Figure SMS_68
表示航路点相对于导航台的夹角;
Figure SMS_70
Figure SMS_62
为求解平方根函数,
Figure SMS_66
为正弦函数;
S3:对所述步骤S2计算得到的夹角、距离、ANP值分别进行归一化处理,分别利用夹角、距离、ANP值除各自数组中最大值,进行归一化;所述夹角选台逻辑计算值、距离选台逻辑计算值、ANP值选台逻辑计算值的归一化处理计算过程包括:
Figure SMS_71
Figure SMS_72
Figure SMS_73
其中,
Figure SMS_74
为当前航路点与所有导航台对距离的最大值;
Figure SMS_75
为当前航路点与所有导航台对夹角的最大值;
Figure SMS_76
为当前航路点与所有导航台对ANP计算值的最大值。得到夹角选台逻辑计算值、距离选台逻辑计算值、ANP值选台逻辑计算值;所述夹角选台逻辑计算值、距离选台逻辑计算值、ANP值选台逻辑计算值所在范围区间为0-1;
S4:建立无线电选台函数;
Figure SMS_77
其中,
Figure SMS_78
为归一化后的飞机与导航台距离,
Figure SMS_79
为归一化后的飞机与导航台夹角,
Figure SMS_80
为归一化后的ANP值;
Figure SMS_81
为对应的权重矢量,权重矢量的初始化采用随机初始化方法;
S5:将所述步骤S3得到的各导航台的夹角选台逻辑计算值、距离选台逻辑计算值、ANP值选台逻辑计算值代入所述步骤S4中建立的无线电选台函数F,根据函数最大化原则,计算得到各航路点对应的最优导航台对;在首次选台过程中,采用初始化权重矢量进行计算;
S6:根据步骤S5得到的全部航路点和最优导航台对的对应数据组,得到整个飞行计划中导航台切换总次数,以及有效导航距离的最大值;导航台切换指相邻航路点选取的导航台是否一致,不一致则标记为导航台切换1次;更新有效导航距离的最大值,有效导航距离最大值指同一导航台或同一导航台对能一直导航而不换台的最大飞行距离;
S7:将全部航路点和最优导航台对的对应数据组作为训练数据集,如图2所示,进行神经网络训练优化;将所述步骤S3中得到的所述夹角选台逻辑计算值、距离选台逻辑计算值、ANP值选台逻辑计算值,作为神经网络的输入值;将权重矢量
Figure SMS_82
作为神经网络的权重集;
S8:建立综合性能指标函数L:
Figure SMS_83
其中,
Figure SMS_84
为有效导航距离最大值,
Figure SMS_85
为航线全长,
Figure SMS_86
为导航台切换总次数,
Figure SMS_87
为航线上航路点总数;
S9:采用随机梯度下降法更新神经网络权重集,使得综合性能指标函数L最小,得到经过神经网络训练更新后的权重矢量,返回步骤S4,将更新后的权重矢量作为新的权重矢量;采用随机梯度下降法更新神经网络权重集的过程具体包括:从所有航路点数据集中选取m个
Figure SMS_89
小批量样本,其中航路点
Figure SMS_91
对应最优导航台对为
Figure SMS_93
; 计算梯度估计:
Figure SMS_90
,进而得到权重的更新策略:
Figure SMS_92
,其中
Figure SMS_94
为学习率;将更新后的权重集作为新的权重矢量;
Figure SMS_95
为求导符号;
Figure SMS_88
为求和符号。
S10:重复步骤S4-S9,直到神经网络收敛稳定,即前后3次权重集的误差在1e-2范围内。
图4A、图4B是仅考虑夹角接近90°时选取的最优导航台结果及编号变化曲线;图5A、图5B是利用本发明方法优化后的神经网络选取最优导航台的结果及编号变化曲线,可以看出整个航路上导航台切换总次数明显减少,有效导航距离最大值明显增大。
本发明的一种基于机器学习的无线电选台优化方法,面向飞行管理技术领域中综合导航功能模块下无线电调谐技术,是人工智能技术在无线电导航技术中的软件算法实现。所述的算法框架适用于飞行管理系统航路自动调谐,所述无线电选台优化方法研究支持DME/DME及DME/VOR导航台形式下的自动选台。所述的选台优化方法是综合考虑了导航台对与飞机夹角最接近90°、导航台对与飞机距离最近、ANP计算值最小。所述的机器学习算法用于对三种选台逻辑权重值的迭代更新,利用神经网络优化求解实现。

Claims (8)

1.一种基于机器学习的无线电选台优化方法,其特征在于,包括如下步骤:
S1:获取飞行计划航路信息和导航台数据库信息;
S2:在首次选台过程中,从起始航路点开始,分别计算各航路点相对于全部导航台对的夹角、距离、ANP值;其中航路点相对于每一组导航台对的距离是指航路点与导航台对中的两个导航台直线距离相对较大者的距离;
S3:对所述步骤S2计算得到的各航路点相对于全部导航台对的夹角、距离、ANP值分别进行归一化处理,得到每一个航路点相对于全部导航台对的夹角选台逻辑计算值、距离选台逻辑计算值、ANP值选台逻辑计算值;
S4:建立无线电选台函数F;
Figure QLYQS_1
其中,
Figure QLYQS_2
为距离选台逻辑计算值,
Figure QLYQS_3
为夹角选台逻辑计算值,
Figure QLYQS_4
为ANP值选台逻辑计算值;
Figure QLYQS_5
Figure QLYQS_6
Figure QLYQS_7
Figure QLYQS_8
对应的权重矢量;
S5:将所述步骤S3得到的各导航台的夹角选台逻辑计算值、距离选台逻辑计算值、ANP值选台逻辑计算值代入所述步骤S4中建立的无线电选台函数F,根据函数最大化原则,计算得到各航路点对应的最优导航台对;在首次选台过程中,采用初始化权重矢量进行计算;
S6:根据步骤S5得到的全部航路点和最优导航台对的对应数据组,得到整个飞行计划中导航台切换总次数,以及有效导航距离的最大值;
S7:将全部航路点和最优导航台对的对应数据组作为训练数据集,进行神经网络训练优化;将所述步骤S3中得到的所述夹角选台逻辑计算值、距离选台逻辑计算值、ANP值选台逻辑计算值,作为神经网络的输入值;将权重矢量
Figure QLYQS_9
作为神经网络的权重集;
S8:建立综合性能指标函数L:
Figure QLYQS_10
其中,
Figure QLYQS_11
为有效导航距离最大值,
Figure QLYQS_12
为航线全长,
Figure QLYQS_13
为导航台切换总次数,
Figure QLYQS_14
为航线上航路点总数;
S9:采用随机梯度下降法更新神经网络权重集,使得综合性能指标函数L最小,得到经过神经网络训练更新后的权重矢量,返回步骤S4,将更新后的权重矢量作为新的权重矢量;
S10:重复步骤S4-S9,直到神经网络收敛稳定。
2.根据权利要求1所述的一种基于机器学习的无线电选台优化方法,其特征在于,在所述步骤S1中,所述飞行计划航路信息包括航路点经度、纬度、高度;所述导航台数据库信息包括导航台名称、标识、经度、纬度、频率、海拔高度。
3.根据权利要求2所述的一种基于机器学习的无线电选台优化方法,其特征在于,在所述步骤S2中,根据下式(一)计算航路点相对于导航台对的夹角
Figure QLYQS_15
Figure QLYQS_16
式(一)
其中,
Figure QLYQS_17
为反余弦函数,求解角度值;
Figure QLYQS_18
为航路点经纬高度参数;
Figure QLYQS_19
为导航台对中的第一导航台的经纬高度参数,
Figure QLYQS_20
为导航台对中的第二导航台的经纬高度参数;
Figure QLYQS_21
表示航路点经纬高度参数与第一导航台经纬高度参数之差的2-范数;
Figure QLYQS_22
表示航路点经纬高度参数与第二导航台经纬高度参数之差的2-范数;
Figure QLYQS_23
表示取转置。
4.根据权利要求3所述的一种基于机器学习的无线电选台优化方法,其特征在于,在所述步骤S2中,根据下式(二)计算航路点相对于导航台对的距离
Figure QLYQS_24
:
Figure QLYQS_25
式(二)
其中,
Figure QLYQS_26
为最大值函数。
5.根据权利要求4所述的一种基于机器学习的无线电选台优化方法,其特征在于,在所述步骤S2中, 根据下式(三)计算航路点相对于导航台对的ANP值:
Figure QLYQS_27
式(三)
其中,ANP指的是飞机位置在95%概率内的误差范围,由概率范围公式
Figure QLYQS_28
=0.95,由此可得常数
Figure QLYQS_29
Figure QLYQS_30
表示航路点相对导航台的距离误差,且
Figure QLYQS_31
均为正态分布的随机变量;
Figure QLYQS_32
为导航台的测量均方误差;考虑两个导航台测量误差不相关;
Figure QLYQS_33
表示航路点相对于导航台对的夹角;
Figure QLYQS_34
Figure QLYQS_35
为求解平方根函数,
Figure QLYQS_36
为正弦函数。
6.根据权利要求5所述的一种基于机器学习的无线电选台优化方法,其特征在于,在所述步骤S3中,所述夹角选台逻辑计算值、距离选台逻辑计算值、ANP值选台逻辑计算值的归一化处理计算过程包括:
Figure QLYQS_37
Figure QLYQS_38
Figure QLYQS_39
其中,
Figure QLYQS_40
为当前航路点与所有导航台对距离的最大值;
Figure QLYQS_41
为当前航路点与所有导航台对夹角的最大值;
Figure QLYQS_42
为当前航路点与所有导航台对ANP计算值的最大值。
7.根据权利要求6所述的一种基于机器学习的无线电选台优化方法,其特征在于,在所述步骤S9中,采用随机梯度下降法更新神经网络权重集的过程具体包括:从所有航路点数据集中选取m个
Figure QLYQS_43
小批量样本,其中航路点
Figure QLYQS_44
对应最优导航台对为
Figure QLYQS_45
;计算梯度估计:
Figure QLYQS_46
,进而得到权重的更新策略:
Figure QLYQS_47
,其中
Figure QLYQS_48
为学习率;将更新后的权重集
Figure QLYQS_49
作为新的权重矢量。
8.根据权利要求7所述的一种基于机器学习的无线电选台优化方法,其特征在于,所述步骤S10中,神经网络收敛稳定的条件是前后3次神经网络权重矢量的误差在1e-2内。
CN202310064067.0A 2023-02-06 2023-02-06 一种基于机器学习的无线电选台优化方法 Active CN115801110B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310064067.0A CN115801110B (zh) 2023-02-06 2023-02-06 一种基于机器学习的无线电选台优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310064067.0A CN115801110B (zh) 2023-02-06 2023-02-06 一种基于机器学习的无线电选台优化方法

Publications (2)

Publication Number Publication Date
CN115801110A true CN115801110A (zh) 2023-03-14
CN115801110B CN115801110B (zh) 2023-07-18

Family

ID=85429872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310064067.0A Active CN115801110B (zh) 2023-02-06 2023-02-06 一种基于机器学习的无线电选台优化方法

Country Status (1)

Country Link
CN (1) CN115801110B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160210867A1 (en) * 2015-01-16 2016-07-21 Thales Navigation aid method based on meteorological conditions
KR101801325B1 (ko) * 2016-09-05 2017-11-28 재단법인대구경북과학기술원 가상 채널 기반의 레이더 장치 및 그것을 이용한 가상 채널 생성 방법
CN110703777A (zh) * 2019-09-25 2020-01-17 江苏大学 一种基于北斗和视觉的联合收获机组合导航方法及导航系统
US20200105147A1 (en) * 2018-10-02 2020-04-02 The Boeing Company Vertical flightpath optimization
CN113465603A (zh) * 2021-05-31 2021-10-01 西南电子技术研究所(中国电子科技集团公司第十研究所) 塔康导航自动选台方法
CN113784410A (zh) * 2021-09-24 2021-12-10 吉林大学 基于强化学习td3算法的异构无线网络垂直切换方法
CN114779820A (zh) * 2022-05-25 2022-07-22 河南科技大学 一种带有智能决策的多目的地无人机实时航迹规划方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160210867A1 (en) * 2015-01-16 2016-07-21 Thales Navigation aid method based on meteorological conditions
KR101801325B1 (ko) * 2016-09-05 2017-11-28 재단법인대구경북과학기술원 가상 채널 기반의 레이더 장치 및 그것을 이용한 가상 채널 생성 방법
US20200105147A1 (en) * 2018-10-02 2020-04-02 The Boeing Company Vertical flightpath optimization
CN110703777A (zh) * 2019-09-25 2020-01-17 江苏大学 一种基于北斗和视觉的联合收获机组合导航方法及导航系统
CN113465603A (zh) * 2021-05-31 2021-10-01 西南电子技术研究所(中国电子科技集团公司第十研究所) 塔康导航自动选台方法
CN113784410A (zh) * 2021-09-24 2021-12-10 吉林大学 基于强化学习td3算法的异构无线网络垂直切换方法
CN114779820A (zh) * 2022-05-25 2022-07-22 河南科技大学 一种带有智能决策的多目的地无人机实时航迹规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIAOLINGHU: "Cluster Grouping and Power Control For Angle-Domain MmWave MIMO NOMA Systems" *
李书宇;: "基于DME/DME误差椭圆的ANP算法" *

Also Published As

Publication number Publication date
CN115801110B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN102426019B (zh) 一种无人机景象匹配辅助导航方法及系统
CN108253987B (zh) 一种基于a*算法的无人机轨迹规划方法、设备及存储设备
CN103889051B (zh) 基于ap id过滤和卡尔曼滤波的室内wlan指纹定位方法
CN109324337A (zh) 无人飞行器的航线生成及定位方法、装置及无人飞行器
CN109168177B (zh) 基于软采信令的经纬度回填方法
CN105701090A (zh) 一种飞行管理系统的模拟装置
CN103743402B (zh) 一种基于地形信息量的水下智能自适应地形匹配方法
CN103439731A (zh) 基于无迹卡尔曼滤波的gps/ins组合导航方法
CN110532665B (zh) 一种固定航线任务下的移动对象动态轨迹预测方法
CN109000651B (zh) 一种路径规划方法及路径规划装置
CN111695299A (zh) 一种中尺度涡轨迹预测方法
CN105701552A (zh) 一种飞行航路垂直剖面的计算方法
US20230388812A1 (en) Learning method, wireless quality estimation method, learning device, wireless quality estimation device, and program
CN112819050B (zh) 知识蒸馏和图像处理方法、装置、电子设备和存储介质
CN103607772A (zh) 一种基于lmbp神经网络的泰勒定位算法
CN105046046A (zh) 一种集合卡尔曼滤波局地化方法
CN109855623A (zh) 基于Legendre多项式和BP神经网络的地磁模型在线逼近方法
CN114399652B (zh) 基于雷达图智能匹配的多指标体系geo卫星轨位选取方法
CN109445462B (zh) 一种非确定环境下的无人机鲁棒路径规划方法
CN114660561A (zh) Ais与雷达的航迹关联方法及装置
CN114445641A (zh) 图像识别模型的训练方法、训练装置和训练网络
CN115801110A (zh) 一种基于机器学习的无线电选台优化方法
CN111385868A (zh) 一种车辆定位方法、系统、装置和存储介质
US20210063603A1 (en) Distributed computing system and method for generating atmospheric wind forecasts
CN104833359A (zh) 一种基于离散马尔科夫特征序列模型的星图模式识别方法

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
GR01 Patent grant
GR01 Patent grant