CC BY
3
Секция «Программные средства и информационные технологии»
УДК 629.735.33
ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ КАК ИНСТРУМЕНТ РЕШЕНИЯ ЗАДАЧ НАВИГАЦИИ БЕСПИЛОТНОГО ТРАНСПОРТА
Д. С. Степанова, К. И. Полоус, Д. А. Потугина Научный руководитель - В. В. Тынченко
Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
E-mail:052299@bk.ru
Рассматривается один из методов обучения искусственных нейронных сетей с целью применения их в задачах навигации беспилотных летательных аппаратов, эксплуатируемых на высоких широтах.
Ключевые слова: нейронные сети, параметры навигационных систем, обзорно-сравнительные методы навигации, беспилотный летательный аппарат.
ARTIFICIAL NEURAL NETWORKS AS A TOOL FOR SOLVING PROBLEMS OF NAVIGATION OF UNMANNED VEHICLES
D. S. Stepanova, K. I. Polous, D. A. Potugina Scientific supervisor - V. V. Tynchenko
Reshetnev Siberian State University of Science and Technology 31, Krasnoyarskii rabochii prospekt, Krasnoyarsk, 660037, Russian Federation
E-mail:052299@bk.ru
The article considers one of the methods of training artificial neural networks in order to apply them to navigation tasks of unmanned aerial vehicles operated at high latitudes.
Keywords: neural networks, parameters of navigation systems, survey and comparative methods of navigation, unmanned aerial vehicle.
На высоких широтах применение беспилотных летательных аппаратов имеет множество различных технических сложностей. Плохое навигационное обеспечение является одной из основных проблем. Данная сложность связана с инструментальной погрешностью инерциальных систем, а также с низким показателем доступности радиовидимости навигационных космических аппаратов.
Следует отметить, что интерес к беспилотным летательным аппаратам в настоящее время растет, поэтому перспективы их использования практически безграничны.
Беспилотные летательные аппараты управляется системой, которая состоит из нейронной сети и конечного автомата. То есть используется мультиагентный подход, а если быть точнее, то каждый летательный аппарат представляет собой агента, который взаимодействует с внешней средой и другими агентами сети. Основным преимуществом беспилотных летательных аппаратов является полное или частичное исключение человеческого фактора, что позволяет кардинально уменьшить риск потери человеческих ресурсов при выполнении поставленной задачи и полностью или частично исключить возможность угрозы жизни человека. Из чего следует, что проблему с плохим навигационным обеспечением необходимо решить.
Актуальные проблемы авиации и космонавтики - 2021. Том 2
Именно использование нейронных сетей является одним из самых актуальных подходов, направленных на увеличение степени автоматизации управления летательным аппаратом и его бортовым электронно-вычислительным оборудованием. В искусственных нейронных сетях для обработки сигнала используются такие явления, которые подобны происходящим в нейронах живых существ. Они позволяют выдавать альтернативные решения различных задач (распознавания образов, выполнения прогнозов и так далее) [1].
Нейронной сетью является совокупность нейронов, которые объединены в сеть с помощью соединения входов нейронов одного слоя с выходами нейронов другого слоя. При этом входы нейронов первого слоя являются входами всей нейронной сети, а выходы нейронов последнего слоя - выходами нейронной сети.
Одно из основных преимуществ нейронных сетей - их обучаемость. Чтобы построить этот процесс, прежде всего, необходимо иметь модель внешней среды, в которой функционирует нейронная сеть, знать доступную для сети информацию и понять, как модифицировать весовые параметры сети - какие правила обучения управляют процессом настройки.
Также, важным преимуществом нейронных сетей, в сравнении с традиционными вычислительными методами, является высокая отказоустойчивость нейронных сетей. Нейронная сеть реагирует на неблагоприятное изменение условий небольшим снижением производительности. Данная характеристика объясняется более распределенным характером хранения информации в нейронной сети, поэтому только серьезное повреждение структуры может существенно повлиять на производительность нейронной сети.
При решении задач распознавания, прогнозирования и управления при помощи нейронных сетей, возникает проблема выбора наиболее рациональной структуры нейронной сети и её параметров. Обычно, решение о выборе структуры нейронной сети основывается на эвристических правилах, а выбор параметров нейронной сети связан с её обучением.
Обучение нейронной сети - это процесс, в котором параметры нейронной сети настраиваются посредством моделирования среды, в которую эта сеть встроена.
Существует три парадигмы обучения искусственных нейронных сетей:
1. «С учителем» (back-propagation algorithm);
2. «Без учителя» - самообучение (сигнальный метод обучения Хебба, алгоритм Кохонена);
3. «Смешанная» (методы обучения сетей Хопфилда и Хемминга);
Наиболее подходящими для беспилотных летательных аппаратов являются искусственные нейронные сети, которые обучены при помощи смешанного метода. Далее рассмотрен конкретно сигнальный метод обучения Хопфилда.
Нейронная сеть Хопфилда представляет собой полносвязную сеть нейронов, каждый из которых связан со всеми, таким образом позволяет образовать ассоциативную память. Нейронная сеть запоминает образы так, что если предъявить ей искажённый образ, то она может найти исходный образ, который был ей представлен при обучении.
Сеть Хопфилда состоит из трех слоев: входной, слой Хопфилда и выходной слой. Каждый слой имеет одинаковое количество нейронов. Входы слоя Хопфилда подсоединены к выходам соответствующих нейронов входного слоя через изменяющиеся веса соединений. Ко входам всех нейронов слоя Хопфилда подсоединяются выходы этого же слоя, за исключением самого себя, а также к соответствующим элементам в выходном слое [2].
Рекуррентные нейронные сети формируют динамический отклик, при котором сигналы некоторых нейронов подаются на входы тех нейронов, которые находятся в текущем при предыдущем слоях. В режиме функционирования, сеть направляет данные из входного слоя через фиксированные веса соединений к слою Хопфилда.
Структурная схема сети Хопфилда приведена на рис. 1. Она состоит из единственного слоя нейронов. Число нейронов этого слоя является одновременно числом входов и выходов сети. Каждый нейрон связан синапсами со всеми остальными нейронами, а также имеет один
Секция «Программные средства и информационные технологии»е
входной синапс. Через входной синапс осуществляется ввод сигнала. Выходные сигналы образуются на аксонах.
обратная связь
Ассоциативная память в искусственных нейронных сетях позволяет решать такие задачи: определенный набор двоичных сигналов известен заранее (изображения, оцифровка звука, другие данные, которые описывают определенные объекты или характеристики процесса), которые считаются образцовыми. Сети на вход подаётся произвольный неидеальный сигнал. Она должна суметь из него выделить («вспомнить» по частичной информации) соответствующий образец (если такой имеется) или «дать заключение» о том, что входные данные не соответствуют никакому из образцов [3].
Таким образом, можно сделать вывод, что искусственная нейронная сеть, которая была обучена методом Хопфилда, может быть успешно использована, как инструмент решения задач для навигации беспилотных летательных аппаратов.
Библиографические ссылки
1. Хайкин С. Нейронные сети / пер. с англ. - 2-е изд., испр. - М.: ООО «И. Д. Вильямс», 2006.
2. Electronic textbook Сети Хопфилда: назначение, типы, структура, принцип действия [Электронный ресурс]. URL: https://studfile.net/preview/7360771/page:11/ (дата обращения: 10.4.2021).
3. Electronic textbook Основы проектирования систем искусственного интеллекта [Электронный ресурс]. URL: https://perviydoc.ru/v40692/сотник с.л. основы проектирования
систем искусственного интеллекта?page=11 (дата обращения: 10.4.2021).
© Степанова Д. С., Полоус К. И., Потугина Д. А., 2021
