Resumen

Junto con la rápida mejora de la industria de la aviación, la densidad de vuelo también aumenta con el aumento de la demanda de vuelo, lo que conduce directamente a la influencia cada vez más prominente de los vórtices de estela en la seguridad del vuelo y el control de la aviación. En este trabajo, proponemos un nuevo marco conjunto -un marco de aprendizaje profundo- basado en información de fusión multisensor para abordar la detección e identificación de vórtices de estela en la fase cercana a la Tierra. Mediante el establecimiento de múltiples lidares Doppler en áreas de vuelo cercanas a la Tierra en diferentes aeropuertos, se captura un gran número de datos precisos del campo de viento para la detección de vórtices de estela. Mientras tanto, el radar de vigilancia del aeropuerto se utiliza para localizar el vórtice de estela. En el marco del aprendizaje profundo, se ha empleado un modelo CNN-LSTM de extremo a extremo para identificar el vórtice de estela del avión a partir de los datos detectados por el lidar Doppler y el radar de vigilancia del aeropuerto. Las variables que incluyen la matriz del campo de viento, la matriz de posicionamiento y la secuencia de varianza se utilizan como entradas para el canal CNN y el canal LSTM. La información de identificación y localización del vórtice de estela en la imagen del campo de viento será emitida por el marco. Los experimentos demuestran que el marco conjunto basado en un multisensor posee una mayor capacidad para capturar características locales y de secuencia que el modelo CNN o LSTM tradicional.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:radar de vigilancia de aeropuertos, marco de aprendizaje profundo, vórtice de estela, modelo lstm, datos precisos del campo de viento, áreas de vuelo terrestre, vórtice de estela de avión, lidar doppler múltiple, información de fusión multisensor, nuevo marco conjunto.
• Keywords:airport surveillance radar, deep learning framework, wake vortex, lstm model, accurate wind field data, earth flight areas, airplane wake vortex, multiple doppler lidar, multisensor fusion information, new joint framework