Исследования показывают, что новая модель машинного обучения значительно улучшает предсказания нарушений в formations дронов, используя кросс-энтропию как меру дезорганизации. Ученые протестировали шесть методов машинного обучения, чтобы минимизировать дезорганизацию и повысить стабильность флота беспилотников. Лучшая модель достигла коэффициента детерминации (R²) 83,3%, что является значительным улучшением по сравнению с базовым значением 54%.
Используя алгоритм CatBoost, исследователи смогли не только повысить точность предсказаний, но и обеспечить объяснимость модели, что позволяет операторам лучше понимать, как параметры, такие как размер и расстояние между дронами, влияют на уровень нарушений. Это особенно важно для успешного выполнения наблюдательных и сенсорных миссий.
Включение производных переменных в модель сыграло ключевую роль в улучшении ее производительности, так как они захватывают нелинейности, которые не отражены в базовых параметрах. Это исследование предлагает практические инструменты для управления формированиями дронов в условиях потенциальных нарушений.
- Модель CatBoost показала наилучшие результаты с R² 83,3%.
- Включение производных переменных значительно улучшило предсказательную способность.
- Метод SHAP повысил объяснимость модели, помогая операторам принимать обоснованные решения.