CC BY
56
АВИАЦИОННАЯ И РАКЕТНО-КОСМИЧЕСКАЯ ТЕХНИКА
10.36724/2409-5419-2020-12-5-4-13
ИДЕНТИФИКАЦИЯ КОСМИЧЕСКИХ ОБЪЕКТОВ НА ОСНОВЕ ИНТЕГРАЦИИ ДАННЫХ ОТ РАЗЛИЧНЫХ СИСТЕМ НАБЛЮДЕНИЯ И НЕЧЕТКОГО ВЫВОДА
ЗИМОВЕЦ Алена Игоревна1
ЗОТКИН
Максим Юрьевич2
ХОМОНЕНКО Анатолий Дмитриевич3
ЯКОВЛЕВ
Евгений Леонидович4
Сведения об авторах:
адъюнкт Военно-космической академии имени А.Ф. Можайского, г. Санкт-Петербург, Россия, zlm_alenka@rambler.ru
2к.т.н., преподаватель Военно-космической академии имени А.Ф. Можайского, г. Санкт-Петербург, Россия, max053@yandex.ru
3д.т.н, заведующий кафедрой Петербургского государственного университета путей сообщения Императора Александра 1;профессор Военно-космической академии имени А.Ф. Можайского, г. Санкт-Петербург, Россия, khomon@mall.ru
4к.т.н., преподаватель Военно-космической академии имени А.Ф.Можайского, г. Санкт-Петербург, Россия, evgen-1932@yandex.ru
АННОТАЦИЯ
Для систем мониторинга околоземного космического пространства одной из важнейших является задача распознавания космических объектов, включающая в себя подзадачи классификации космических объектов по типу (космический аппарат), ракета-носитель, элементы запуска или функционирования космических аппаратов, фрагменты разрушения и т.д.) и его идентификации (государственной принадлежности, целевого назначения, степени опасности, функционального состояния и т.д.). Целью работы является решение задачи повышения оперативности и точности идентификации различных космических объектов на основе интеграции данных, получаемых от радиолокационных, радиотехнических, оптико-электронных и перспективных квантово-оптических (лазерно-оптических) средств и обработки их с помощью алгоритмов нечеткого вывода и/или с помощью нейронных сетей и нечеткого вывода. Рассмотрены отечественные и зарубежные средства мониторинга околоземного космического пространства, приведены их основные технические характеристики и сравнение. Решение этой задачи обосновано важными народно-хозяйственными и экологическими целями, так как большую часть космических объектов на орбите Земли составляет космический мусор. Для решения задачи предложена база правил для нечеткого вывода наиболее подходящего варианта идентификации различных космических объектов для заданных условий обстановки и погодных условий, состава средств контроля космического пространства. Кроме того, проведено обучение нечеткой нейронной сети в редакторе АЫР!$ с помощью данных информационно-аналитических отчетов многоканального мониторингового телескопа ММТ-9, приведена структура сгенерированной нечеткой нейронной сети. На основе сравнения показано, что классификация космических объектов с помощью нейронных сетей и нечеткого вывода осуществляется точнее, чем с нечетким выводом на основе алгоритма Мамдани, но требует длительного обучения. Показано, что на основе интеграции данных от различных источников обеспечивается повышение оперативности идентификации космических объектов с сохранением необходимой точности распознавания. Сделаны выводы о целесообразности использования функции принадлежности, приводятся результаты численных расчетов и результаты моделирования в среде Мв^вЬ.
КЛЮЧЕВЫЕ СЛОВА: интеграция данных от различных источников; контроль космического пространства, база правил нечеткого вывода; алгоритм Мамдани; нечеткая нейронная сеть; классификация и идентификация космических объектов.
Для цитирования: Зимовец А.И., Зоткин М.Ю., Хомоненко А.Д., Яковлев Е.Л. Идентификация космических объектов на основе интеграции данных от различных систем наблюдения и нечеткого вывода // Наукоемкие технологии в космических исследованиях Земли. 2020. Т. 12. № 5. С. 4-13. doi: 10.36724/2409-5419-2020-12-5-4-13
Уо! 12 N0 5-2020, Н&ЕЗ ЕЕЗЕЛЕСН АУ!АТ!ОМ, БРАБЕ-РОСКЕТ HARDWARE
Введение
Необходимость контроля и мониторинга околоземного космического пространства (ОКП) обусловлена важными военными и народно-хозяйственными целями. Всесторонний анализ состояния и перспектив по созданию электронного каталога объектов ОКП проведен в статье [1]. Для систем мониторинга ОКП одной из важнейших является задача распознавания космических объектов, включающая в себя подзадачи классификации КО по типу (КА, РН, элементы запуска или функционирования КА, фрагмент разрушения и т.д.) и его идентификации (государственной принадлежности, целевого назначения, степени опасности, функционального состояния и т.д.). Своевременное обнаружение искусственных спутников земли, представляющих опасность для окружающей среды и космических объектов, определение национальной принадлежности таких КА, их функционального состояния и других характеристик, позволяет повысить безопасность космических полетов, а также обеспечить сохранность благополучной экологической и политической обстановки.
Распознаванием и сопровождением информации о космических объектах занимается система контроля космического пространства (СККП), включающая в себя оптико-электронные, радиолокационные и лазерно-оптические средства распознавания, ряд гражданских организаций, таких как Пущинская радиоастрономическая обсерватория Астрокосмического центра ФИАН им. Лебедева, Институт прикладной математики имени Келдыша РАН и другие. При этом возникает проблема разнородности и неполноты информации о КО, которая связана с необходимостью обработки большого объема зачастую повторяющейся и противоречивой информации о космических объектах из различных источников.
Существующие подходы к распознаванию космических объектов не позволяют обеспечить в полной мере достаточную оперативность классификации и идентификации космических объектов с надлежащей точностью. В основном это обусловлено тем, что точность измерения параметров распознаваемых космических объектов сильно зависит от наличия помех, определяемых погодными условиями и другими факторами, например, такими как высота орбиты, угол наклонения и другие. Отсюда неизбежно возникает нечеткость определения измеряемых параметров распознаваемых космических объектов.
Предлагаемый подход основан на применении математического аппарата нечеткого вывода [2-4], искусственных нейронных сетей [6-8] и интеграции информации о космических объектах из различных источников [9,10]. Нечеткий вывод, например, с помощью алгоритмов Мамдани, Ларсена, Такаги-Сугено в сравнении с нейронными сетями более прост по числу правил и имеет наглядный семантический смысл правил.
С другой стороны, использование нейронной сети на основе обучения позволяет выполнить проверку адекватности решения, получаемого с помощью алгоритмов нечеткого вывода. Кроме того, оно позволяет соотносить разнородную информацию (такую как параметры блеска КО, лазерно-оптические и радиолокационные параметры), дополняя, таким образом, недостающие параметры, можно улучшить количественные и качественные показатели.
Интеграция данных из различных источников
на основе нечеткого вывода
В системе контроля космического пространства основными источниками данных являются: оптико-электронные, радиолокационные и квантово-оптические средства распознавания. Они обладают различными характеристиками точности и дальности измерений [11-15]. При этом названные характеристики в случае применения оптико-электронных средств сильно зависят погодных условий их применения. С учетом отмеченного для обеспечения высоких характеристик оперативности и точности представляется целесообразным для отбора информации о контролируемых космических объектах использовать алгоритмы нечеткого вывода (Мамдани, Ларсена, Такаги-Сугено и др.) [2,3] и нейронные сети [4,6,8,9].
Схема интеграции данных при решении задач идентификации и распознавании использовании космических объектов на основе алгоритмов нечеткого вывода и/или нечеткой нейронной сети приведена на рис. 1.
Рис. 1. Схема интеграции данных при идентификации и распознавании КО
При интеграции данных в интересах идентификации и распознавания космических объектов естественно учитывать технические характеристики используемых средств контроля космического пространства, погодные условия и удаленность наблюдаемых космических объектов. Основные технические характеристики современных СККП
Источники данных
Интеграция данных на основе базы правил н алгоритмов нечеткого вывода или нечеткой нейронной сети
Новые данные об объекте
Идентификация н распознавание нового объекта или актуализация данных об известном объекте
рассматриваются в [i3-i5]. В частности, Европейская радиолокационная система некогерентного рассеяния «Еискат-ЗД» (EISCAT—European Incoherent Scatter Radars) на севере Скандинавии, предназначена для изучения полярной ионосферы Земли, а также решения задач контроля космического пространства, позволит осуществлять непрерывный контроль области низких околоземных орбит с распознаванием и каталогизацией КО в близком к реальному масштабу времени. Предполагается, что она будет способна обнаруживать КО искусственного происхождения размером от i,5-2 см на дальности до i000 км [i5].
Двухдиапазонная (дм-/см-диапазоны) моноимпульсная РЛС «Тира» (TIRA — Tracking Imaging Radar) на радиолокационном посту Института физики высоких частот и радиолокационной техники Общества Фраунгофера (Fraunhofer-FHR — Fraunhofer Institute for High Frequency Physics and Radar Techniques) в i0 км южнее г. Бонн, Германия). РЛС «Тира» позволяет обнаруживать воздушные цели диаметром более 0,2 (2) м на орбитах высотой до i 000 (40 тыс.) км, измерять угломестные и азимутальные параметры КО, а также доплеровскую скорость и определять параметры их орбит в реальном масштабе времени [13—15].
Европейское космическое агентство (ЕКА) с 2009 года реализует программу создания европейской системы контроля космического пространства (ЕвроККП) в рамках программы «Ситуационная осведомленность в космосе» — ССАП (SSAP — Space Situational Awareness Programme). Основной целью ССАП является обеспечение независимого контроля и использования космического пространства странами Европы путем сбора и предоставления заинтересованным потребителям своевременной и качественной ин-
Входные
формации о состоянии космической обстановки и прогнозе ее развития. ЕКА для наблюдения за областями средних околоземных (2000-33800 км) и геосинхронных (3380037800 км) орбит задействует наземные оптико-электронные и квантово-оптические разведывательно-информационные средства, которые функционально разделены на обзорные и измерительные [16].
Роботизированный телескоп «Цимлат» (ZIMLAT — Zimmerwald Laser and Astrometric Telescope) обсерватории Циммервальд астрономического института Бернского университета (Швейцария); представляет собой автоматический квантово-электронный комплекс, решающий задачи астрометрии КО естественного и искусственного происхождения, а также измерения дальности до КА на высоте 300-23000 км в режиме станции лазерной дальнометрии [16].
Распознавание КО на основе аппарата
нечеткого вывода
Для решения поставленной задачи введем набор из 7 входных лингвистических переменных (ЛП), указанных в табл. 1. Результатом служит выходная лингвистическая переменная RESULT (табл. 2), значения которой определяют предполагаемый класс КО.
При построении системы принято решение о использовании алгоритма нечеткого вывода Мамдани, как наиболее часто используемого и имеющего наглядное представление базы правил. Алгоритм Мамдани предложен одним из первых и описывается следующим образом [3]:
Правило 1: ЕСЛИ Xj есть Ап И x2 есть А12 И Х3 есть А13 И x4 есть А14 ТО y есть Bp
Таблица 1
еские переменные
Смысл ЛП Название ЛП Термы ЛП
Очень низкая Низкая Средняя Высокая Очень высокая
1 Средний приведенный блеск ОЭ Shine Ai >l A2 8-5 A3 6-2 A4 3--1 A5 <0
2 Эквивалентная площадь рассеяния, м2 ESS Bi <0,2 B2 0,1-3 B3 >2
3 Высота перигея, км HP Ci <350 C2 300-500 C3 400-1000 C4 800-10000 C5 >10000
4 Высота апогея, км HA Di <350 D2 300-500 D3 400-1000 D4 800-10000 D5 >10000
5 Наклонение орбиты, ° OI Ei <40 E2 30-80 E3 60-120 E4 120-170 E5 <160
6 Периодичность изменения блеска, с PCS Fi <150 F2 100-200 F3 >300
l Период обращения, мин OP Gi <90 G2 70-250 G3 >200
Выходная лингвистическая переменная
Таблица 2
Смысл ЛП Название ЛП Термы ЛП
1 Класс КО RESULT Y1 ДЗЗ <8 Y2 Фрагмент разрушения 6-16 Y3 Мобильная связь 14-26 Y4 Интернет OneWeb 24-36 Y5 Интернет Starlink 34-46 Y6 КО неизвестного типа 44-56
Правило 2: ЕСЛИ X! есть А21 И х2 есть А22 И х есть А23 И х4 есть А24 ТО у есть В2.
Для нахождения степени истинности условий каждого из правил нечетких продукций используются парные нечеткие логические операции. Правила, степень истинности условий которых отлична от нуля, считаются активными.
Активизация подзаключений в нечетких правилах продукций выполняется с помощью тш-активизации по формуле
m' (y) = min{c, m (y)}
(1)
причем, для сокращения времени вывода учитываются только активные правила.
Дефаззификация выходных переменных выполняется с использованием метода центра тяжести или метода центра площади.
При заданных предпосылках, обозначениях лингвистических переменных и значениях термов приведем для примера несколько правил для принятия решения о принадлежности КО к заданным классам в зависимости от исходных данных. Правила сформулированы на основе данных глобальных каталогов [16] и анализа фотометрической информации по космическим объектам на околоземных орбитах:
R1: Если Shine есть A5 И ESS есть B3 И HP есть C5 И HA есть D5 И OI есть E1 И PCS есть F1 И OP есть G3T) RESULTS: есть Y2;
Рис. 2. Построение функции принадлежности выходной лингвистической переменной
R2: Если Shine есть A3 И ESS есть B1 И HP есть C3 И HA есть D3 И OI есть E3 И PCS есть F3 И OP есть G2 То RESULTS: есть Y3;
R3: Если Shine есть A3 И ESS есть B1 И HP есть C3 И HA есть D3 И OI есть E2 И PCS есть F3 И OP есть G3 То RESULTS есть Y5.
Правила R1, R2, R3 описывают соответственно классы КО — фрагменты разрушения, аппараты мобильной связи и аппараты интернета StarLink.
Для построения предлагаемой системы нечеткого вывода использовалось 7 входных лингвистических переменных с различным числом функций принадлежности у каждой. В базе правил нельзя разместить больше вариантов правил, чем произведение числа функций принадлежности всех входных переменных. Для данной системы максимально возможное количество составляет 16875, однако для адекватной работы обычно достаточно двух — трех правил на каждый класс. Всего при построении базы правил использовано 20 правил.
При проведении численных расчетов для примера нами для простоты использовались треугольная (trimf) и трапецеидальная (trapmf) функции принадлежности нечетких множеств [3]. Использование других видов функций принадлежности (гауссовой, двойной гауссовой, обобщенная колоколообразной, сигмоидальной и других), на наш взгляд, целесообразно при наличии экспертных оценок и необходимости повышения точности нечеткого вывода.
Распознавание КО на основе
аппарата нечетких нейронных сетей
В общем случае космические объекты в различные моменты времени с определенной долей вероятности находятся в той или иной точке в пространстве. Если задавать характеристики и стратегии движения КО в виде интервалов возможных значений, результатом будет множество параметров движения и маневров. Следует учитывать и тот факт, что от длительного пребывания в косми-
ческом пространстве меняются механические, оптические и другие свойства материалов космических аппаратов, что с течением времени может повлиять на точность распознавания КО.
Для моделирования рассматриваемого примера использовался графический редактор адаптивных сетей ANFIS (Adaptive Neuro-Fuzzy Inference System) среды MATLAB. ANFIS-редактор позволяет автоматически сгенерировать из экспериментальных данных нечеткую нейронную сеть [17]. Функции принадлежности синтезированных систем настроены (обучены) так, чтобы минимизировать отклонения между результатами нечеткого моделирования и экспериментальными данными. Экспериментальные данные и результаты моделирования выводятся в виде множества точек в двумерном пространстве. По оси абсцисс откладывается порядковый номер строчки в выборки, по оси ординат — значение выходной переменной для данной строчки
Смоделированная система нечеткого вывода содержит семь лингвистических переменных с тремя или пятью термами (в соответствии с таблицей 1), 16875 правил нечетких продукций и одну выходную переменную. Для обучения нейронной сети задается гибридный метод (см. [21]), представляющий собой комбинацию метода наименьших квадратов и метода убывания обратного градиента, уровень ошибки обучения — 0, количество циклов обучения — 3. Результаты моделирования представлены на рис. 3-5. В табл.3 представлен фрагмент обучающей выборки для нечеткой нейронной сети, которая состоит из семи входных переменных и одной выходной: in1 — звездная величина КО (Shine); in2 — эффективная площадь рассеивания (ESS); in3 — перигей (HP); in4 — апогей (HA); in5 — угол наклонения (OI); in6 — периодичность блеска КО (PCS); in7 — период обращения КО (OP); out — классификация КО по типу применения.
1 raining Date (ооо)
б ■coco О ООО О
4 ОООООО
5
5
а ОООООО ОО
г ООООО ООО
10 20 30 40 50 data sel Index 60
Рис. 3. Загрузка обучающих данных в редактор нейро-нечеткой системы ANFIS
Уо! 12 N0 5-2020, Н&ЕЗ ЕЕЗЕЛЕСН АУ!АТ!ОМ, БРАБЕ-РОСКЕТ HARDWARE
Фрагмент обучающей выборки для модели гибридной сети
Таблица 3
т1 т2 т3 т4 т5 т6 т7 ой
5,4 0 777 779 86,39 0 100,4 Iridшm
9 0 651 1260 45,26 1,1 104,17 F/DEB
2,2 0,02 472 34766 7,95 19,18 616,58 F/DEB
7,8 0,08 736 824 99,07 0 100,45 F/DEB
6,5 0,05 787 790 98,72 0 100,63 F/DEB
6,1 0 776 779 86,4 0 100,4 Iridium
5,2 0 9154 36161 22,41 3,42 820,64 F/DEB
7,2 0,04 1246 1301 90,3 0 111,02 F/DEB
5,1 0 8679 36460 22,39 0,51 816,9 F/DEB
7,9 0 1023 1052 87,8 0 105,93 OneWeb
7,7 0 987 1015 87,78 0 105,14 OneWeb
6,9 0 987 1014 87,77 0 105,13 OneWeb
¡при! 1пригт? т|е 0и1рЛГт
Рис. 4. Структура сгенерированной системы нечеткого вывода
Рис. 5. График зависимости ошибок обучения от числа циклов обучения
В связи с этим предлагается дополнительно использовать математический аппарат нечетких искусственных нейронных сетей. Преимущества использования нейронных сетей заключаются в следующем:
1. Свойство ассоциативности, позволяющее обрабатывать множество КО и оперировать образами ситуаций моделирования, а не их отдельными описаниями;
2. Способность к обучению, которая дает возможность получать устойчивые решения по результатам имитационного моделирования прикладных задач в реальном масштабе времени.
Сравнение результатов распознавания КО
на основе нечеткого вывода и нейро-нечетких
сетей в среде MatLab
Результаты сравнительного анализа использования алгоритма нечеткого вывода Мамдани и нейро-нечеткой сети представлены в табл. 4.
Для проверки адекватности моделей использовались данные, не входившие в обучающую выборку. Анализ показывает, что классификация КО с помощью нейро-нечетких сетей осуществляется точнее, чем с нечетким выводом на основе алгоритма Мамдани, но требует дли-
тельного обучения. В свою очередь, нечеткий вывод намного проще по числу используемых правил и более понятен семантический смысл правил.
Заключение
В статье рассмотрены задачи, поставленные перед системой контроля космического пространства, представлены система нечетких правил и структура нечеткой нейронной сети для распознавания космических объектов. Проведено их сравнение. В настоящее время на распознавание КО может уйти до нескольких суток, что может быть неприемлемо. Предложенный подход к решению задач идентификации и распознавания КО на основе интеграции данных и алгоритмов нечеткого вывода позволяет заметно повысить оперативность и результативность этого процесса. Потенциальная степень повышения характеристик оперативности идентификации и распознавания КО существенно зависит от погодных условий, и может изменяться в разы.
Литература
1. Груздев С. С., Журкин И.Г., Орлов П. Ю., Панкин А.В. Анализ состояния и перспектив по созданию электронного каталога объектов околоземного космического пространства //
Результаты сравнения способов классификации КО
Таблица 4
Способ классификации Точность классификации Число правил
Алгоритм Мамдани 0.78 20
Нейро-нечеткая сеть 0.93 16875
Современные проблемы дистанционного зондирования земли из космоса. 2016. Т. 13. № 6. С. 51-59.
2. Дороженко А. И. Модели информационных систем на основе теории нечетких множеств // Вестник Ростовского Государственного экономического университета (РИНХ). 2007. № 1 (23). С. 76-82.
3. Манжула В. Г., Федяшов Д. С. Нейронные сети Кохо-нена и нечеткие нейронные сети в интеллектуальном анализе данных // Фундаментальные исследования. 2011. № 4. С. 108-115.
4. Парамонов И. Ю., Смагин В. А., Косых Н.Е., Хомо-ненко А. Д. Методы и модели исследования сложных систем и обработки больших данных. Монография. СПб: Лань, 2020. 236 с.
5. Хомоненко А. Д., Яковлев Е. Л. Обоснование архитектуры сверточной нейронной сети для автономного распознавания объектов на изображениях бортовой вычислительной системой // Наукоемкие технологии в космических исследованиях Земли. 2018. Т. 10. № 6. С. 86-93.
6. Пророк В. Я., Шаймухаметов Ш. И. Моделировани е движения маневрирующих летательных аппаратов на основе нечетких искусственных нейронных сетей // Труды Военно-космической академии имени А. Ф. Можайского. 2017. № 656. С. 18-24.
7. Сухарева М.А., Виниченко М.В. Построение экспертных систем с применением технологий искусственного интеллекта как системы поддержки принятия управленческих решений // Новое поколение. 2019. № 20. С. 77-83.
8. Янаева М.В., Синченко Е. В. Нечеткие нейронные сети в интеллектуальном анализе данных // Научные труды КубГТУ. 2016. № 15. С. 80-93.
9. Лепешкин С. А., Мишуков О. А. Особенности совместной обработки разноспектральных изображений в автоматизированных системах дистанционного зондирования распреде-
лённых объектов // Труды Военно-космической академии имени А. Ф. Можайского. 2018. № 664. С. 131-140.
10. Khomonenko A. D., Plyaskin S. P., Zimovets A. /.About complex objects defining via integration of data from various sources // MMISR2019 Models and methods of information systems research workshop in the flame of the Betancourt International Engineering Forum, 2020. Pp.46-51.
11. Дятлов В. Основные направления развития наземных опто-электронных средств контроля космического пространства США // Зарубежное военное обозрение. 2006. № 1. С. 50-55.
12. Дятлов В. Основные направления развития наземных опто-электронных средств контроля космического пространства США // Зарубежное военное обозрение. 2006. № 2. С. 30-35.
13. Пак Я., Хабаров Е., Калинин М. Наземные радиолокационные средства системы контроля космического пространства // Зарубежное военное обозрение. 2017. № 6. С. 50-60.
14. Пак Я., Хабаров Е., Калинин М. Наземные оптико-электронные и квантово-оптические средства европейской системы контроля космического пространства // Зарубежное военное обозрение. 2016. № 8. С. 63-70.
15. Пак Я., Хабаров Е., Калинин М. Наземные оптико-электронные и квантово-оптические средства европейской системы контроля космического пространства // Зарубежное военное обозрение. 2016. № 9. С. 69-74.
16. Информационно-аналитические отчеты «Многоканальный мониторинговый телескоп ММТ. Результаты анализа фотометрической информации по космическим объектам на околоземных орбитах». URL: http://mmt9.ru (дата обращения 27.08.2020).
17. Jyh-Shing Roger Jang. ANFIS: Adaptive Network-Based Fuzzy Inference System // IEEE Transactions on Systems, Man, and Cybernetics. 1993. Vol. 23. No. 3. Pp. 665-685.
АВИАЦИОННАЯ И РАКЕТНО-КОСМИЧЕСКАЯ ТЕХНИКА
IDENTIFICATION OF SPACE OBJECT BASED ON INTEGRATION OF DATA FROM VARIOUS SOURCES AND FUZZY INFERENCE
ALENA I. ZIMOVETS
St-Petersburg, Russia, zlm_alenka@rambler.ru
MAXIM Y. ZOTKIN
St-Petersburg, Russia, max053@yandex.ru
ANATOLY D. KHOMONENKO
St-Petersburg, Russia, khomonenko@pgups.ru
EUGENIY L. YAKOVLEV
St-Petersburg, Russia, evgen-1932@yandex.ru
KEYWORDS: integration data from various sources; space control; fuzzy inference rule base; fuzzy neural network; classification and identification of space object.
ABSTRACT
For monitoring near-earth space, one of the most important tasks of recognizing space objects, which includes subtasks of classification of space objects by type (spacecraft, launch vehicle, elements of launching or functioning of spacecraft, fragments of destruction, etc.) and its identification (nationality, intended purpose, degree of danger, functional state, etc.). The aim of the work is to solve the problem of increasing the efficiency and accuracy of various space objects based on the integration of data obtained from radar, radio engineering, optoelectronic and promising quantum-optical (laser-optical) means and processing them using algorithms of fuzzy inference and / or with using neural networks and fuzzy inference. Domestic and foreign means of monitoring near-earth space are considered, their technical characteristics and comparison are presented. The solution to this problem is justified by important national economic and environmental goals, since most of the space objects in the Earth's orbit are space debris. To solve the problem, a rule base is proposed for fuzzy conclusions of the most appropriate approach for determining various types of objects for given conditions and the composition of space control facilities. In addition, a fuzzy neural network was trained in the ANFIS editor using information and analytical reports from that multi-channel monitoring telescope MMT-9, the structure of the generated fuzzy neural network is shown. Based on the comparison, it is shown that the classification of space objects using neural networks and odd inference is more accurate than with fuzzy inference based on the Mamdani algorithm, but requires long training. It is shown that on the basis of increasing the efficiency of using the modern capabilities of space objects with high recognition accuracy. Conclusions are made about the results of using the use functions, numerical calculations and models in the Matlab environment are presented.
REFERENCES
1. Gruzdev S. S., Zhurkin I. G., Orlov P. Yu., Pankin A. V. Analis sostoy-aniya i perspectiv po sozdaniyu elektronnogo kataloga ob'ectov okolozemnogo kosmicheskogo prostranstva [Analysis of the current state and prospects for the development of a digital catalog of object in the near-space]. Sovremennye problemy distancionnogo zond-irovaniya Zemly iz kosmosa. 2016. Vol. 13. No. 6. Pp.51-59. (In Rus)
2. Dorozhenko A. I . Modeli informacionnyh system na osnove teorii nechetkih mnozhestv. Vestnik Rostovskogo gosudarstvennogo eco-nomicheskogo universiteta. 2007. No.1 (23). Pp.76-82. (In Rus)
3. Manzhula V. G., Fedyashov D. S. Neironnye sety Kohonena i nech-etkie neironnye sety v intellectualnom analise dannyh [Kohonen neural networks and fuzzy neural networks in data mining]. Fundamental-nye issledovaniya. 2011. No. 4. Pp. 108-115. (In Rus)
4. Paramonov I. Yu., Smagin V. A., Kosyh N. E., Khomonenko A. D. Meto-dy i modeli issledovaniya slozhnyh system I obrabotki bolshih dannyh. Monograph [Models and methods for the study of complex system and big data processing] Sankt-Petersburg: Lan, 2020. 236 p. (In Rus)
5. Khomonenko A. D., Yakovlev E. L. The rationale for the architecture of the convolutional neural network for object recognition on images on-board computer system. H&ES Research. 2018. Vol. 10. No. 6. Pp. 86-93. (In Rus)
6. Prorok V. Ya., Shaimuhametov Sh. I. Modelirovanie dvizheniya vanevriruyushih letatelnyj apparatov na osnove nechetkih iskusst-vennyh neironnyh setey [Simulation of mameuvering aircraft movement based on fuzzy artificial neural networks]. Trudy VKA imeni A.F. Mozhaiskogo. 2017. No. 656. Pp. 18-24. (In Rus)
7. Suhareva M. A., Vinixhenko M. V. Postroenie ekspertnyh system s primeneniem tehnologii iskustvennogointellekta kak sistemy podder-zhki prinyatiya upravlencheskih reshenii [Building expert systems using artificial intelligence technologies as a management decision support
system]. Novoe pokolenie [New generation] 2019. No. 20. Pp.77-83.
8. Yanaeva M. V., Sinchenko E. V. Nechetkie neironnye sety v intellectu-alnom analize dannyh [Fuzzy neural netwirks in data mining]. Nauch-nye Trudy KubGTU. 2016. No. 15. Pp. 80-93. (In Rus)
9. Lepeshkin S. A., Mishukov O. A. Osobennosty sovmesnoj obrbotki raznospectralnyh izobrazhenii v avtomatizirovannyh systemah dis-tancionnogo zondirovaniya Zemli [Features of joint processing of multispectral images in automated remote sensing systems for distributed objects]. Trudy VKA imeni A.F. Mozhaiskogo. 2018. No. 664. Pp. 31-140. (In Rus)
10. Khomonenko A. D., Plyaskin S. P., Zimovets A. I. About complex objects defining via integration of data from various sources. MMISR2019 Models and methods of information systems research workshop in the flame of the Betancourt International Engineering Forum, 2020. Pp. 46-51. (In Rus)
11. Dyatlov V. Osnovnye naoravleniya razvitiya nazemnyh opto-elec-tronnyh sredstv kontrolya kosmocheskogo prostranstva USA [The main directions of development of ground-based optoelectronic space control systems in the United States]. Zarubezhnoe voennoe obozrenie. 2006. No. 1. Pp. 50-55. (In Rus)
12. Dyatlov V. Osnovnye naoravleniya razvitiya nazemnyh opto-elec-tronnyh sredstv kontrolya kosmocheskogo prostranstva USA [The main directions of development of ground-based optoelectronic space control systems in the United States]. Zarubezhnoe voennoe obozrenie. 2006. No. 2. Pp. 30-35. (In Rus)
13. Pak Ya., Khabarov E., Kalinin M. Nazemnye radiolokacionnye sred-stva sistemy controlya kosmicheskogo prostranstva [Ground-based
radar facilities of the space control system]. Zarubezhnoe voennoe obozrenie. 2017. No. 6. Pp. 50-60. (In Rus)
14. Pak Ya., Khabarov E., Kalinin M. Nazemnye opto-electronnye i qwantovo-opticheskie sredstva evropeiskoi sistemy kontrolya kosmicheskogo prostranstva [Ground-based optoelectronic and quantum optical devices of the European space monitoring system]. Zarubezhnoe voennoe obozrenie. 2016. No. 8. Pp. 63-70. (In Rus)
15. Pak Ya., Khabarov E., Kalinin M. Nazemnye opto-electronnye i qwantovo-opticheskie sredstva evropeiskoi sistemy kontrolya kos-micheskogo prostranstva [Ground-based optoelectronic and quantum optical devices of the European space monitoring system]. Zarubezhnoe voennoe obozrenie. 2016. No. 9. Pp. 69-74. (In Rus)
16. Informational and analytical reports "Multy-channel monitoring telescope MMT". URL: http://mmt9.ru (date of access 27.08.2020). (In Rus)
17. Jyh-Shing Roger Jang. ANFIS: Adaptive Network-Based Fuzzy Inference System. IEEE Transactions on Systems, Man, and Cybernetics. 1993. Vol. 23. No. 3. Pp. 665-685.
INFORMATION ABOUT AUTHORS:
Zimovets A.I., postgraduate student of the Mozhaisky Military Space Academy;
Zotkin M.Y., PhD, lecturer of the Department of the Mozhaisky Military Space Academy;
Khomonenko A.D., PhD, head of the Department of the Emperor Alexander I St. Petersburg State Transport University, Professor of the Mozhaisky Military Space Academy;
Yakovlev E.L., PhD, lecturer of the Mozhaisky Military Space Academy.
For citation: Zimovets A.I., Zotkin M.Y., Khomonenko A.D., Yakovlev E.L. Identification of space object based on integration of data from various sources and fuzzy inference. H&ES Research. 2020. Vol. 12. No. 5. Pp. 4-13. doi: 10.36724/2409-5419-2020-12-5-4-13 (In Rus)
(
II
