用于飞行阶段识别的自组织映射最小监督拓扑投影
机器学习
2024-02-20 v1 神经与进化计算
摘要
识别飞行阶段在通用航空领域非常重要，因为了解从飞机飞行数据记录器收集的数据属于哪个飞行阶段，有助于更有效地检测安全或危险事件。用于飞行阶段识别的通用航空飞行数据通常是每秒数据，规模庞大且类别不平衡。手动标记数据成本高昂，且训练分类模型通常面临类别不平衡问题。本研究探讨了一种用于最小监督自组织映射的新方法，该方法利用 SOM U-matrix 中的最近邻多数投票进行类别估计。结果表明，每类仅需 30 个标记数据点，所提出的方法即可达到或超越利用完整标记数据文件的朴素 SOM 方法。此外，最小监督 SOM 对飞行阶段数据的类别不平衡具有更强的鲁棒性。这些结果突出了有效飞行阶段识别所需的数据量之少。
引用
@article{arxiv.2402.11185,
title = {Minimally Supervised Topological Projections of Self-Organizing Maps for Phase of Flight Identification},
author = {Zimeng Lyu and Pujan Thapa and Travis Desell},
journal= {arXiv preprint arXiv:2402.11185},
year = {2024}
}