Wolfram Edge公司
- Raspberry Pi上的本地Wolfram语言编码，用于便携式独立模块
- 高度自动化的机器学习可实现快速、轻松的实施和准确的结果
- 与低级传感器和通信设备的内置兼容性
尽管航空技术取得了进步，但飞行员往往很难及时预测失速、旋转和其他危险情况，以避免发生致命事故。但在Wolfram语言、掌上电脑和传感器模块以及几次大胆飞行的帮助下，Mike Foale和他的女儿Jenna创建了太阳能飞行员护卫（SPG）：一个集成探测器，充当虚拟副驾驶员，提供早期预警，以帮助拯救生命。
Foale知道一些关于使用Wolfram语言解决复杂飞行问题的知识。作为一名天体物理学家和美国国家航空航天局（NASA）宇航员，Foale在太空工作了一年多，当时他正在和平号空间站与一架无人补给飞船发生碰撞。他用Mathematica解决了空间站失去姿态控制的问题，获得了（迄今为止）唯一能从太空呼叫Wolfram技术支持.
因此，当实验飞机协会（EAA）宣布举行竞赛，以发现飞机即将失控问题的解决方案时，Foale立即想到了Wolfram语言。
更人性化的方法
Foale的想法是使用“家庭内”行为（一个工程术语，用于表示预期或正常的行为）和“家庭外”行为（意外或令人担忧的行为）的概念，根据飞机显示的家庭外行为来确定飞机何时接近失控状态。然而，家庭外的因素取决于一长串的意外事件，预测危险的异常飞行行为需要复杂的分析方法。
Foales的理论认为，机器学习可以提供一种更人性化的方法。他们可以训练一个神经网络来识别那些危险的情况，就像一个开飞机的飞行员只会更快地识别那样，并发出语音命令来告诉飞行员要采取哪些纠正措施。这几秒钟的额外时间可以给飞行员足够的时间来防止事故发生。
在不到一个月的时间内从想法到原型
他们在Foale飞机的机翼上安装了一个带有传感器的树莓派飞机，记录了一系列飞行的数据，Foale试图重现各种常见情况。“让我们测量并记录一下在正常家庭条件下飞行时的参数。然后，让我们做一个失速，当我们接近失速时，让我们看看我们正在测量的所有参数发生了什么。当我们经过失速，我们会将那一刻标记为家庭外。”
基于这些飞行数据，他们创建了一个包含数千条规则的“超级列表”，以指示飞行员在任何特定的家庭外情况下应采取的行动。然后，他们将该列表输入到Wolfram语言函数Classify中。“几秒钟之内，Classify就宣布它已经学会了所有规则。机器学习不需要知道涉及的工程，只需要知道规则发生了变化。”
由于Classify使用内置的训练方法，用户只需提供参数和数据。由于这种速度，该团队能够在不到一个月的时间内生成失落控制预测器的原型。
“神经网络算法中有一些很好的魔力……”
获得铜牌及其他奖项
SPG在2017年EAA创始人创新奖比赛中获得铜牌。从那时起，该团队通过自动创建培训数据来改进系统。
该团队的新流程从使用FindClusters识别和删除大量家庭内航班数据开始。通过FindClusters再次运行这个简化的数据集，团队可以识别不同的家庭外行为组。然后，团队可以为每个数据集群分配适当的试点操作，而不是对数千个单独的数据点进行排序。
除了将训练时间从几天减少到几小时之外，这一改进的过程还使系统能够更精确地定义正常飞行和失控之间的界限，从而大大提高预测的速度和准确性，并减少SPG的误报数量。
作为下一步，该团队正在考虑使用时间索引训练数据来更好地检测家庭外行为的早期预警信号。
Foale称赞Wolfram语言强大的机器学习功能能够如此快速有效地开发SPG。从构思到原型到最终部署，软件一直是过程中最容易的部分。
