现代航空电子技术:多模式数字航电系统

需积分: 10 0 下载量 82 浏览量 更新于2024-07-19 收藏 4.94MB PDF 举报
"Multi-Modal Digital Avionics for Commercial Applications" 现代航空飞行甲板配备了一套高科技的航空电子设备,通常被称为驾驶舱自动化。这套自动化系统包括显示器、控制器和计算机,旨在支持机组人员在驾驶和导航飞机的同时,监控其各种系统。这篇由Seagull Technology, Inc.提交给NASA Glenn Research Center的报告,主要探讨了多模态数字航空电子设备在商业应用中的应用。 报告的作者们首先感谢NASA和项目联络官员Monty Andro在整个项目期间提供的有益反馈,以及Smiths Industries的Mike McMahon和Mike Olinger,他们提供了关于航空运输架构、飞行管理系统设计以及航空电子设备开发和认证的信息。Lora Hoetger女士对报告的编辑、格式化和Word处理给予了大量帮助。 报告的主要内容分为几个部分: 1. 引言: - 背景:介绍了航空电子技术的发展背景,可能涉及早期飞行甲板的技术演进,以及自动化如何改善飞行安全性和效率。 - 文档焦点:明确了报告的重点是多模态数字航空电子设备在商业飞机上的应用和潜在优势。 - 文档内容与组织:概述了报告将探讨的主题和章节结构。 2. 顺序或同时航空电子设备操作: 这一部分可能详细讨论了航空电子设备的不同工作模式,包括如何按照预定顺序执行任务(顺序操作)和如何同时处理多个任务(同时操作),这两种方式在航空电子系统中的优缺点。 3. 多模态数据融合: 讨论了如何整合来自不同传感器和系统的数据,以提供更全面、准确的飞行信息,提高飞行员决策能力。 4. 人机交互界面(HMI)设计: 可能涵盖了驾驶舱界面的设计原则,如何通过优化显示信息和控制布局来提高飞行员的工作效率和安全性。 5. 系统架构与集成: 描述了多模态数字航空电子设备的系统架构,包括硬件和软件的组成,以及它们如何协同工作以实现高效和可靠的飞行操作。 6. 安全性与认证: 讨论了航空电子设备的安全标准和认证过程,确保这些设备符合行业规范,能够承受极端环境并保证飞行安全。 7. 商业应用案例: 提供了一些实际应用示例,展示多模态数字航空电子设备如何在商业航班中提升性能和经济效益。 8. 未来趋势与挑战: 阐述了该领域未来可能的发展方向,如更高级的人工智能集成、物联网技术的应用,以及面临的挑战,如数据安全、系统复杂性增加等。 通过对这些主题的深入研究,报告旨在为航空电子设备的进一步发展和改进提供理论依据和技术指导,以促进航空业的持续进步和创新。
2018-11-27 上传
基于对抗的跨媒体检索Cross-modal retrieval aims to enable flexible retrieval experience across different modalities (e.g., texts vs. images). The core of crossmodal retrieval research is to learn a common subspace where the items of different modalities can be directly compared to each other. In this paper, we present a novel Adversarial Cross-Modal Retrieval (ACMR) method, which seeks an effective common subspace based on adversarial learning. Adversarial learning is implemented as an interplay between two processes. The first process, a feature projector, tries to generate a modality-invariant representation in the common subspace and to confuse the other process, modality classifier, which tries to discriminate between different modalities based on the generated representation. We further impose triplet constraints on the feature projector in order to minimize the gap among the representations of all items from different modalities with same semantic labels, while maximizing the distances among semantically different images and texts. Through the joint exploitation of the above, the underlying cross-modal semantic structure of multimedia data is better preserved when this data is projected into the common subspace. Comprehensive experimental results on four widely used benchmark datasets show that the proposed ACMR method is superior in learning effective subspace representation and that it significantly outperforms the state-of-the-art cross-modal retrieval methods.