000 | 03232nam a22002657a 4500 | ||
---|---|---|---|
003 | MX-MeUAM | ||
005 | 20221020073643.0 | ||
008 | 170131s2022 mx ||||fo||d| 00| 0 spa d | ||
040 |
_cMX-MeUAM _bspa |
||
050 | 0 |
_aTL671.1 _bP53 2022 |
|
100 | 1 |
_aPlacencia Mejia, Luis Jovanny _927834 |
|
245 | 1 | 0 |
_aSistema alternativo de orientación en aeronaves _h[recurso electrónico] / _cLuis Jovanny Placencia Mejia ; director, Daniel Hernández Balbuena ; codirector, José Manuel Ramírez Zárate |
260 |
_aMexicali, Baja California, _c2022 |
||
300 |
_a1 recurso en línea, 98 p. ; _bil. col., gráficas, fots. |
||
500 | _aMaestría y Doctorado en Ciencias e Ingeniería | ||
502 | _aTesis (Maestría)--Universidad Autónoma de Baja California, Facultad de Ingeniería, Mexicali, 2022. | ||
504 | _aIncluye referencias bibliográficas | ||
520 | _aLos 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. | ||
650 | 7 |
_aAeronaves _vTesis y disertaciones académicas _2lemb _xAeronavegabilidad |
|
700 | 1 |
_aHernández Balbuena, Daniel _916400 _edir. |
|
700 | 1 |
_aRamírez Zárate, José Manuel _916399 _ecodir. |
|
710 | 2 |
_aUniversidad Autónoma de Baja California. _bFacultad de Ingeniería _93324 |
|
856 | 4 |
_uhttps://drive.google.com/file/d/1yFwpj0U2XLCzbX2O8uCxfa9Z_AILKNRr/view?usp=sharing _zTesis Digital |
|
942 | _cTESIS | ||
999 |
_c251494 _d251493 |