Sistema alternativo de orientación en aeronaves [recurso electrónico] / Luis Jovanny Placencia Mejia ; director, Daniel Hernández Balbuena ; codirector, José Manuel Ramírez Zárate
Tipo de material:![Texto](/opac-tmpl/lib/famfamfam/BK.png)
![Texto](/opac-tmpl/lib/famfamfam/LE.png)
Tipo de ítem | Biblioteca actual | Colección | Signatura | Copia número | Estado | Fecha de vencimiento | Código de barras |
---|---|---|---|---|---|---|---|
Tesis | Biblioteca Central Mexicali | Colección de Tesis | TL671.1 P53 2022 (Browse shelf(Abre debajo)) | 1 | Disponible | MXL123739 |
Navegando Biblioteca Central Mexicali Estantes, Código de colección: Colección de Tesis Cerrar el navegador de estanterías (Oculta el navegador de estanterías)
Maestría y Doctorado en Ciencias e Ingeniería
Tesis (Maestría)--Universidad Autónoma de Baja California, Facultad de Ingeniería, Mexicali, 2022.
Incluye referencias bibliográficas
Los sistemas de orientación en la navegación, tienen un papel importante. Es por ello, que se
emplean distintos dispositivos que nos permitan orientar tales como sensores inerciales, GPS,
por mencionar algunos. En conjunto con métodos como el filtro de Kalman, Cuaterniones y
Ángulos de Euler. Uno de los retos importantes de este enfoque es poder integrar algoritmos
de Machine Learning y Deep Learning que permitan estimar la orientación de una aeronave.
En este trabajo de tesis se busca poder determinar la orientación de una aeronave mediante
los Cuaterniones, que son datos sin procesar extraídos de una Unidad de Medición Inercial
(IMU), colocada dentro del avión. La aeronave fue montada en un túnel de viento subsónico,
y partiendo de los datos de Cuaterniones, se calculan los valores de Pitch, Roll y Yaw;
además de aplicarles un filtrado que atenúa el ruido en la aeronave. Esta señal de salida nos
sirve para entrenar los modelos de aprendizaje automático y aprendizaje profundo.
Se generaron algunos modelos de Machine Learning para regresión, tales como: Vecinos
cercanos (k-NN), Support Vector Machine (SVM, con Kernel lineal, RBF, Gaussian y
Polynomial). Y Deep Learning: perceptrón, y redes neuronales con algoritmos Bayesiano
regularización, Levengberg-Marquardt y Scaled conjuged gradient; los 3 algoritmos se
evaluaron con 4, 10 y 15 neuronas ocultas. Estas técnicas ofrecen un porcentaje de
efectividad arriba del 90% y al igual que coeficiente de determinación ajustado; a excepción
para el kernel de SVM – Polynomial que tuvo rendimiento inferior a los demás.
Los resultados presentados, demuestran que es posible determinar la orientación de una
aeronave por medio de las lecturas de Cuaterniones sin procesar, generando modelos de
predicción del ángulo de ataque de una aeronave incluso ante perturbaciones externas tales
como variaciones del flujo de aire.