基于深度高斯过程Kolmogorov-Arnold网络从稀疏机上数据重建航空电磁场三维分布

《Scientific Reports》：A hybrid artificial intelligence framework for three-dimensional electromagnetic field mapping using airborne measurements in general aviation

　　

摘要

随着航空系统电气化的不断推进以及自主航空技术的发展，对运行条件下电磁场（EMF）分布进行准确表征的需求日益增加。然而，由于机上观测数据通常稀疏、分布不规则，且在不同的飞行条件下采集，航空环境中的三维电磁场密集测量数据难以获得。本文提出了一种基于人工智能的框架，可从通用航空的真实机上测量数据中重建电磁场的电场分量三维分布。该研究使用了超过80小时的测量数据，数据采集涉及四种机型的运行活动，采用一种低成本、高灵敏度的传感平台，在1-8000 MHz频率范围内同步记录电场数据和地理空间数据。对地统计学和机器学习方法（包括克里金插值、Kolmogorov-Arnold网络和精确高斯过程）在三维场重建中的表现进行了评估。基于上述比较，我们开发了一种混合式深度高斯过程Kolmogorov-Arnold特征提取器（DGKAN），将非线性特征表示与概率空间建模及不确定性估计相结合。DGKAN取得了最高的预测精度，平均绝对误差为0.0381，均方误差为0.0071，相较于最强的基线模型，平均绝对误差降低了约27.6%。这些结果表明，将Kolmogorov-Arnold表示与概率高斯过程建模相结合，能够从稀疏的机上测量数据中准确重建三维电磁场分布。所提出的框架为通用航空中的电磁环境评估提供了一种数据驱动的方法，并为在运行飞行条件下进一步开发智能电磁场监测与预测方法奠定了基础。