基于氣象大數(shù)據(jù)的無人機航線規(guī)劃研究與應(yīng)用
發(fā)布時間：2020-12-08 01:44
無人機技術(shù)近年來在我國發(fā)展迅速,無論是民用還是軍用各種無人機層出不窮,隨之而來的無人機航線規(guī)劃的研究變得迫在眉睫。隨著無人機技術(shù)的不斷發(fā)展,以及各種傳感器的不斷應(yīng)用,我們獲得的數(shù)據(jù)維度不斷升高,數(shù)據(jù)的量不斷擴大,傳統(tǒng)的數(shù)據(jù)處理方法變得越來越捉襟見肘。同時隨著大數(shù)據(jù)時代的到來以及相關(guān)大數(shù)據(jù)技術(shù)的飛速發(fā)展,各行各業(yè)對大規(guī)模高緯度數(shù)據(jù)的存儲和分析能力不斷攀升。借助大數(shù)據(jù)的相關(guān)技術(shù)對危險預(yù)測方面的數(shù)據(jù)進行更全面的采集、存儲、分析和挖掘。可以更深入的了解威脅的變化規(guī)律,使將來的預(yù)測變得更快更準,促進科技的進步和生產(chǎn)力的發(fā)展。針對天氣數(shù)據(jù)的數(shù)據(jù)量大傳統(tǒng)方法無法處理的特點,本文主要研究構(gòu)建Spark大數(shù)據(jù)處理平臺。利用大數(shù)據(jù)平臺進行數(shù)據(jù)的預(yù)處理,提取有效特征和天氣預(yù)測模型的構(gòu)建。本課題的實驗數(shù)據(jù)是英國氣象局提供的每天的天氣的十個模型的預(yù)測數(shù)據(jù)。在構(gòu)建天氣預(yù)測模型時,先用常用預(yù)測模型進行預(yù)測并優(yōu)化出最優(yōu)的模型參數(shù)。選取各模型的F1值作對比,然后根據(jù)天氣數(shù)據(jù)的特點在各時段選擇F1值最高的模型作為該時段的預(yù)測模型,最后多個模型進行結(jié)果匯總成為最終的天氣預(yù)測數(shù)據(jù)集。在無人機路徑規(guī)劃方面,根據(jù)預(yù)測的天氣數(shù)據(jù)以...
【文章來源】：北京工業(yè)大學(xué)北京市 211工程院校
【文章頁數(shù)】：66 頁
【學(xué)位級別】：碩士
【部分圖文】：
二維中值濾波器偽代碼Figure2-4Two-dimensionalmedianfilterpseudocode
圖 3-2 各模型 F1 分數(shù)對比圖Figure 3-2 F1 score comparison chart of each model該圖的縱坐標代表 F1 分數(shù)，我們的目的是在準確率在較高范圍內(nèi)時，召回率越高越好。可以看出召回率有明顯的時間特征，在 4～8 時各預(yù)測模型的召回率都比較高（保持在 93%以上），在第 9 時的時候召回率，都明顯降低，在 15 時的時候各模型召回率達到最低。為了得到總體更高的召回率，我選擇在各個時間段召回率最高的模型作為預(yù)測模型。通過在不同的時間段運用不同的模型和特征進而組合得到我們的最終模型。其中的 logDataCount5 是一種投票法，因為原始的數(shù)據(jù)對于每個點都有 10 個模型的預(yù)測數(shù)據(jù)，而這些模型的預(yù)測數(shù)據(jù)也不盡相同。有時風(fēng)力會在臨界點附近徘徊，有的模型數(shù)據(jù)會在臨界點之上有的會在臨界點之下，我們采用哪種方式呢，一種比較簡單的方法就是采用投票的方式統(tǒng)計在臨界點之上的模型有幾個，在這里我們選擇以 5 票顯示危險就認為這是危險點。在最初我也無法確定幾票比較好，于是我們用把投票數(shù)為 4、5、6 得到的召回率畫在同一幅圖上如圖 3-3 所示。
圖 3 -3 投票模型 F1 分數(shù)對比圖Figure 3-3 Voting model F1 score comparison chart由圖上可以看出投 5 票在 8 個小時所得的 F1 較高，在后面幾個小時 F1 有所下降。但從各模型的對比圖也能看出投票方法也就在前 8 時表現(xiàn)比其他模型更優(yōu)秀，所以決定在最終的模型上的投票模型部分選擇投 5 票的模型。而 L1logisticAllFeuturelog 指的是使用經(jīng)過我們的特征提取后得到的全部特征數(shù)據(jù)然后用 LogisticRegression 模型進行預(yù)測，懲罰函數(shù)用的是 L1。xgbLogData 就是XGBoost 進行二分類預(yù)測。meanLogData 就是用原始的 10 個特征的均值作為預(yù)測結(jié)果進行二分類后得到的日志。我們訓(xùn)練多個預(yù)測模型然后把每個模型調(diào)整到最優(yōu)的參數(shù)，然后把這些模型的預(yù)測進行測試，進而計算出他們的 F1 值，在比較他們在各時段的 F1 值，在各時段尋找到 F1 值最高的模型，作為模型的預(yù)測模型的一部分，從圖 3-2 可以看出當時間在 3,4,5,6,7,8,17,18,19,20 的時候都是meanLogData 的 F1 值最高，在 11,12,13,14 時的時候是投票法最高，在 9 時和 15時是 L1Logistic 的 F1 值最高，在 10，16 時是 XGboost 的 F1 值最高，這樣我們可以據(jù)此構(gòu)造出我們的最終的融合模型如圖 3-4 所示。
本文編號：2904235
【文章來源】：北京工業(yè)大學(xué)北京市 211工程院校
【文章頁數(shù)】：66 頁
【學(xué)位級別】：碩士
【部分圖文】：
二維中值濾波器偽代碼Figure2-4Two-dimensionalmedianfilterpseudocode
圖 3-2 各模型 F1 分數(shù)對比圖Figure 3-2 F1 score comparison chart of each model該圖的縱坐標代表 F1 分數(shù)，我們的目的是在準確率在較高范圍內(nèi)時，召回率越高越好。可以看出召回率有明顯的時間特征，在 4～8 時各預(yù)測模型的召回率都比較高（保持在 93%以上），在第 9 時的時候召回率，都明顯降低，在 15 時的時候各模型召回率達到最低。為了得到總體更高的召回率，我選擇在各個時間段召回率最高的模型作為預(yù)測模型。通過在不同的時間段運用不同的模型和特征進而組合得到我們的最終模型。其中的 logDataCount5 是一種投票法，因為原始的數(shù)據(jù)對于每個點都有 10 個模型的預(yù)測數(shù)據(jù)，而這些模型的預(yù)測數(shù)據(jù)也不盡相同。有時風(fēng)力會在臨界點附近徘徊，有的模型數(shù)據(jù)會在臨界點之上有的會在臨界點之下，我們采用哪種方式呢，一種比較簡單的方法就是采用投票的方式統(tǒng)計在臨界點之上的模型有幾個，在這里我們選擇以 5 票顯示危險就認為這是危險點。在最初我也無法確定幾票比較好，于是我們用把投票數(shù)為 4、5、6 得到的召回率畫在同一幅圖上如圖 3-3 所示。
圖 3 -3 投票模型 F1 分數(shù)對比圖Figure 3-3 Voting model F1 score comparison chart由圖上可以看出投 5 票在 8 個小時所得的 F1 較高，在后面幾個小時 F1 有所下降。但從各模型的對比圖也能看出投票方法也就在前 8 時表現(xiàn)比其他模型更優(yōu)秀，所以決定在最終的模型上的投票模型部分選擇投 5 票的模型。而 L1logisticAllFeuturelog 指的是使用經(jīng)過我們的特征提取后得到的全部特征數(shù)據(jù)然后用 LogisticRegression 模型進行預(yù)測，懲罰函數(shù)用的是 L1。xgbLogData 就是XGBoost 進行二分類預(yù)測。meanLogData 就是用原始的 10 個特征的均值作為預(yù)測結(jié)果進行二分類后得到的日志。我們訓(xùn)練多個預(yù)測模型然后把每個模型調(diào)整到最優(yōu)的參數(shù)，然后把這些模型的預(yù)測進行測試，進而計算出他們的 F1 值，在比較他們在各時段的 F1 值，在各時段尋找到 F1 值最高的模型，作為模型的預(yù)測模型的一部分，從圖 3-2 可以看出當時間在 3,4,5,6,7,8,17,18,19,20 的時候都是meanLogData 的 F1 值最高，在 11,12,13,14 時的時候是投票法最高，在 9 時和 15時是 L1Logistic 的 F1 值最高，在 10，16 時是 XGboost 的 F1 值最高，這樣我們可以據(jù)此構(gòu)造出我們的最終的融合模型如圖 3-4 所示。
本文編號：2904235
本文鏈接：http://sikaile.net/kejilunwen/hangkongsky/2904235.html
最近更新
教材專著
