تشخیص ناهنجاری در زمان واقعی در گلایدرهای زیر آب: ارزیابی تجربی

نویسندگان:

(1) روچو یانگ؛

(2) چاد لمبکه;

(3) فومین ژانگ;

(4) کاترین ادواردز.

چکیده و مقدمه

الگوریتم تشخیص ناهنجاری

ارزیابی تجربی

نتیجه گیری و مراجع

III. ارزیابی تجربی

ما الگوریتم تشخیص ناهنجاری را برای چهار استقرار گلایدر در سراسر اقیانوس ساحلی فلوریدا و جورجیا، ایالات متحده اعمال می کنیم. برای ارزیابی، ناهنجاری شناسایی شده توسط الگوریتم توسط داده‌های DBD گلایدر با وضوح بالا و یادداشت‌های خلبان اعتبار متقاطع می‌شود. به طور خاص، ما فرآیند تشخیص آنلاین را روی داده‌های SBD شبیه‌سازی می‌کنیم و نتیجه را با نتایج شناسایی‌شده از داده‌های DBD مقایسه می‌کنیم. برای مرجع، پارامترهای طراحی شده در جدول I ذکر شده است.

*آ. راه اندازی آزمایشی
*

جزئیات استقرار چهار استقرار گلایدر در جدول II به همراه مسیرهای Google Earth در شکل 2 نشان داده شده است. شایان ذکر است که USF-Sam تحت پشتیبانی GENioS Python به صورت آزمایشی اجرا می شود. [26] در زمان واقعی، و USF-Sam توسط الگوریتم تشخیص آنلاین برای گزارش هر گونه ناهنجاری احتمالی شبیه‌سازی می‌شود.

ب. آزمایشات در مقیاس بزرگ

آزمایش‌ها در مقیاس بزرگ، تشخیص ناهنجاری پسین را برای فایل‌های DBD با وضوح کامل که از گلایدر در ساحل دانلود می‌شوند، اعمال می‌کنند. برای راستی‌آزمایی، ناهنجاری شناسایی‌شده توسط الگوریتم با آنچه مستقیماً از داده‌های DBD پس از مأموریت مشاهده می‌شود با بالاترین میزان ممکن مقایسه می‌شود.

Source link