CC BY
7
Нестечук Екатерина Алексеевна, инженер-испытатель, kea020899@mail.ru, Россия, Мирный, Научно-испытательный центр (информационно-аналитического обеспечения испытаний и применения ракетно-космических средств) управления 1 Государственного испытательного космодрома Министерства обороны Российской Федерации
METHODOLOGY FOR CONSTRUCTING A RATIONAL PLAN FOR DETERMINING THE TECHNICAL CONDITION OF THE LA UNCH VEHICLE IN INTELLIGENT REAL-TIME SYSTEMS
А.Y. Nikolaev, S.А. Bagretcov, Е.А. Nestechuk
The problem of a priori planning of the order of application of test diagnostic means of the launch vehicle on the basis of a preliminary fuzzy assessment of technical characteristics is considered. The solution of the problem is reduced to a sequential analysis of fuzzy preference relations of assessments of the degree of conformity of the technical condition of the launch vehicle and the composition of diagnostic checks, taking into account their effectiveness, followed by the determination of the most non-dominant alternatives to the decisions taken. The basis of the decisions taken is a fuzzy information-cost criterion.
Key words: diagnostics, image of technical condition, fuzzy set, fuzzy preference relation, fuzzy indifference relation, non-dominant alternative.
Nikolaev Alexey Yurievich, candidate of technical sciences, deputy head of the research and testing center for research and testing - head of the research department, aleksei_nikolaev@internet.ru, Russia, Mirny, Scientific and Testing Center (Information and Analytical Support for Testing and application of Rocket and Space Assets) of the Department of the 1st State Test Cosmodrome of the Ministry of Defense of the Russian Federation,
Bagretsov Sergey Alekseevich, doctor of technical sciences, doctor of economics, professor, ser-geibagrecov@bk.ru, Russia, St. Petersburg, Military Space Academy named after A.F. Mozhaisky.
Nestechuk Ekaterina Alekseevna, engineer-test of the scientific and testing, kea020899@mail.ru, Russia, Mirny, Scientific and Testing Center (Information and Analytical Support for Testing and application of Rocket and Space Assets) of the Department of the 1st State Test Cosmodrome of the Ministry of Defense of the Russian Federation
УДК 004.89
DOI: 10.24412/2071-6168-2023-4-127-132
ОЦЕНИВАНИЕ ВОЗМОЖНОСТИ ПРИМЕНЕНИЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ОБЕСПЕЧЕНИЯ БЕЗОПАСНОГО ДВИЖЕНИЯ МОРСКИХ И ВОЗДУШНЫХ СУДОВ
А.И. Мухин, А.Н. Малетин
Рассмотрена возможность применения искусственного интеллекта для обеспечения безопасного движения морских и воздушных судов при обработке Больших Данных, полученных в результате радиомониторинга. Для этого выбран такой нейронный оптимизатор, который показал наилучшие характеристики в условиях радиомониторинга. Проведено машинное обучение системы, и сформирована нейронная сеть. Сгенерированы и проанализированы две большие выборки: обучающая и предсказанная. В результате анализа выборок сделан вывод о возможности применения искусственного интеллекта для обеспечения безопасного движения морских и воздушных судов.
Ключевые слова: искусственный интеллект, Большие Данные, нейронная сеть, машинное обучение, радиомониторинг, источники радиоизлучения, радиоэлектронные средства, радиоэлектронная обстановка, безопасное движение морских и воздушных судов.
Введение. В настоящее время происходит стремительное увеличение числа радиоэлектронных средств (РЭС), основным предназначением которых является повышение безопасности и информированности человека. Каждый крупный мобильный объект (судно или самолет) оснащается сразу несколькими РЭС, а именно: навигационными, радиосвязными, радиолокационными, радиомаячковыми. Причём некоторые РЭС могут дублироваться.
С одной стороны, увеличение числа РЭС призвано обеспечивать беспрецедентную безопасность человека, но с другой стороны, увеличение совокупности подвижных объектов и влияние человеческого фактора (особенно в диспетчерских службах) до сих пор приводит к авариям, столкновениям, катастрофам.
Следствием постоянного увеличения числа мобильных объектов является формирование Больших Данных, содержащих описательную информацию по исследуемым объектам. Эти данные невозможно обработать с должным качеством, используя только лишь «ручной» человеческий труд (диспетчера, оператора, аналитика, программиста). Для качественной обработки Больших Данных требуется внедрение искусственного интеллекта.
Таким образом, целью данной статьи является оценивание возможности применения искусственного интеллекта для обеспечения безопасного движения морских и воздушных судов, повышение оперативности оценивания радиоэлектронной обстановки (РЭО) и устранение ошибок, связанных с человеческим фактором.
Проведение исследований. Для того, чтобы читатель мог одинаково с авторами воспринимать смысл статьи, необходимо ввести некоторые термины и определения.
Искусственный интеллект - способность специального программного обеспечения выполнять творческие и (или) предсказательные функции, которые ранее считались прерогативой человека.
Машинное обучение осуществляется путём внесения в базу данных специального программного обеспечения множества задач с полными исходными данными и правильными вариантами их решения.
Радиомониторинг - это деятельность по сбору, обработке, анализу, хранению и передаче потребителям данных (информации) по радиоэлектронной обстановке (РЭО).
РЭО - констатация фактов: об излучениях РЭС, о числе РЭС, местах их размещения, режимах и продолжительности их функционирования, параметрах радиосигналов.
Анализ существующих методов машинного обучения показал, что наиболее приемлемым из них для решения задач радиомониторинга является метод, основанный на использовании искусственных нейронных сетей.
Искусственные нейронные сети могут состоять из нескольких слоёв. Число слоёв зависит от степени сложности решаемой задачи. Самая простая нейросеть состоит из 3-х слоёв, где на первый слой подаются входные данные, во втором слое осуществляются вычисления, а на третий слой подаются результаты вычислений [1].
Процесс обучения искусственных нейронных сетей заключается в пополнении базы данных материалами обучения, автоматическом формировании слоев с нейронами и нейросвязями между ними. Такой процесс обучения обладает значительными преимуществами, по сравнению с традиционным «ручным» написанием кода.
При «ручном» написании кода, например, когда выявлено новое изменение в РЭО, аналитик должен создавать новый алгоритм оценивания РЭО, а программист, соответственно, дописать код программы. В результате постоянного дописывания кода листинг программы увеличивается и становится громоздким, плохо читаемым, неоптимизированным, что в итоге может привести к некорректной работе программы.
Удобство машинного обучения заключается в том, что оно не требует вмешательства аналитика и программиста, а автоматически формирующаяся нейронная сеть способна решать поставленные задачи результативнее человека.
В рамках статьи оценивается возможность использования искусственных нейронных сетей для решения задач радиомониторинга, а именно с целью расчёта энергетической доступности источников радиоизлучения (ИРИ) для радиоприемного устройства.
В качестве исходных значений для оценивания энергетической доступности ИРИ использованы следующие параметры:
1. Коэффициент усиления передающей антенны: Спрд =0-20 дБ.
2. Коэффициент усиления приёмной антенны: Спрм =0-20 дБ.
3. Пороговая чувствительность: -198 дБ-Вт/Гц.
4. Мощность передатчика: р - 1000 Вт.
5. Длина радиолинии: d =500-2500 км.
6. Полоса пропускания приёмника: 0,1 МГц.
Для машинного обучения сгенерирована обучающая выборка. После машинного обучения в сформированную нейронную сеть загружены исходные данные и получены результаты, названные предсказанной выборкой.
Обучающая выборка получена с помощью общеизвестной формулы расчёта радиолинии [2]. Результаты обучающей выборки характеризуют мощность сигнала от ИРИ на входе радиоприемного устройства. Результаты обучающей выборки вычислялись по формуле [2]
Р С С X2
р _ изл прд прм р ( . ) (1)
(4л)2 d2
где Рвх - мощность излучения на входе приёмного устройства, Вт; X - длина волны, м; р (£) - функция потерь.
Функцию потерь можно представить в виде следующего выражения [2]
F ( f ) = ^ ( f) F ( f ) F ( / ) , (2)
S
где FИ (f), Fa (f), FIi (f) - функции ослабления, характеризующие энергетические потери электромагнитной волны соответственно при распространении через ионосферу, атмосферу и вследствие поляризационного рассогласования; S - коэффициент стоячей волны.
При разработке нейросети были протестированы различные нейронные оптимизаторы: RMSprp, Adadelta, Adam, Nadam.
Нейронный оптимизатор - это метод формирования нейросети для достижения наилучших результатов расчёта при определённых исходных данных и условиях. В рассматриваемом случае наилучшим результатом считается наименьшее отклонение значений предсказанной выборки от значений обучающей. Любое отклонение от обучающей выборки считается ошибкой.
График зависимости средней ошибки вычислений от количества используемых нейронов при выборе различных оптимизаторов представлен на рис. 1.
Средняя ошнокя вычислений
3,35 дБ
Средняя погрешность методов оптимизации
2,95 дБ
2,75 дБ
2,55 дБ
Количество нейронов
многонепронная
5 50 500
-*-RMSprop —»-Adadelta —*-Adam —»-Adamax -A-Nadam
Рис. 1. Зависимость средней ошибки вычислений от количества используемых нейронов
при выборе различных оптимизаторов
Как видно из рис. 1, наиболее стабильный результат показывает нейронный оптимизатор Adam, который и был использован при разработке нейросети.
Перейдём к рассмотрению способов расчёта некоторых статистических показателей выборок. Среднее значение результатов выборки вычисляется по следующей формуле [3]
n
X xi
х = bL, (3)
n
где х,- - результат измерения; n - число измерений.
Среднеквадратическое отклонение оценивается следующим образом
I
а =
X (х, -х )2.
(4)
i=1
Процентили, децили, квантили (25%, 50%, 75%) - это метки, представляющие результаты измерений в виде процентной шкалы, причем п-ю метку заданная случайная величина не превысит с вероятностью п-%; п-я метка означает, что левее неё расположено п-% наблюдений. Процентили, децили, квантили необходимы для оценивания относительного положения результата наблюдения среди всей совокупности наблюдений.
Медиана, или 50% процентиль, оценивается с помощью выражения
к ( /т - /т-1)
Мо = х0
(5)
((т 1т - 1 ) + (/т - 1т+1) где х0 - нижняя граница модального интервала; к - величина интервала; /т - частота модального интервала; /т-1 - частота интервала, предшествующего модальному; /т+1 - частота интервала, следующего за модальным.
Коэффициент корреляции двух выборок рассчитывается по следующей формуле
г _ КхУ (6)
'ху '
у
где К ху - коэффициент ковариации.
С помощью формулы (1) сгенерировано щ =106 значений обучающей выборки, результаты которой варьировались от 0 до 55 дБ. С помощью обучающей выборки сформирована предсказанная выборка, также состоящая из «2 = Ю6 значений.
На рис. 2 представлены два графика, отображающие значения обучающей и предсказанной выборок.
Для достижения цели исследований значения обучающей и предсказанной выборок были сравнены между собой с помощью статистических показателей.
Данные показатели сформированных выборок представлены в таблице.
Статистические показатели сформированных выборок
№ п/п Оценки выборок Обучающая выборка Предсказанная выборка
1 Число результатов, щ и П2 1000000 1000000
2 Среднее значение, х^ и Х2 25,79 25,44
3 Среднеквадратическое отклонение, о^ и С2 11,56 10,26
4 Минимальное значение 2,64 5,58
5 Процентиль (25%) 17,26 18,04
6 Дециль (50%), М 0 24,58 25,42
7 Квантиль (75%) 33,85 32,52
8 Максимальное значение 58,10 49,57
9 Коэффициент корреляции, г 0,94
Таким образом, анализ рис. 2 и таблицы показал, что расчёт энергетической доступности ИРИ с помощью нейронной сети даёт результаты, близкие к значениям обучающей выборки. В рассматриваемом случае коэффициент корреляции двух выборок составляет гХу =0,94, что говорит о достаточно сильной статистической связи между ними. Однако, как было показано в [4], коэффициент корреляции обладает рядом недостатков, которых лишены статистические критерии.
Поэтому для сравнения данных выборок предлагается использовать ещё и статистический критерий Стьюдента, обоснование выбора которого было представлено в работе [4].
Для использования статистического критерия формируются нулевая Н0 и альтернативная гипотезы . При нулевой гипотезе делается предположение о том, что две выборки принадлежат одной
генеральной совокупности. Альтернативная гипотеза предполагает обратное. Затем задается определенный уровень значимости. После чего по формуле (7) рассчитывается проверяемое значение, которое
сравнивается с табличным критическим значением, взятым из специальной таблицы с учётом уровня значимости и числа степеней свободы. Если рассчитанное значение меньше критического, то принимается нулевая гипотеза.
Проверяемое значение, рассчитанное по критерию Стьюдента, вычисляется следующим образом [5-10]
^ - X1 (7)
t=
V
- Si n n2
Число степеней свободы для критерия Стьюдента вычисляется по формуле [3]
v = n - k, (8)
где k - число признаков, которые исследуются в выборке.
В качестве статистического уровня значимости выбрано стандартное значение а =0,05. Табличное критическое значение для заданного уровня значимости и числа степеней свободы составляет 1,984. Значение, вычисленное по формуле (7) составляет 1,966. Как видно, 1,966 < 1,984, следовательно, нулевая гипотеза принимается, т.е. принимается предположение о том, что две выборки принадлежат одной генеральной совокупности.
Таким образом, возможность применения искусственного интеллекта для решения задач радиомониторинга обоснована и подтверждена.
Заключение. В статье показано, что задачи радиомониторинга в настоящее время становятся всё более актуальными. Это связано, в частности, с предназначением диспетчерских служб обеспечивать безопасное движение морских и воздушных судов.
Так как современные суда оснащаются несколькими РЭС (навигационными, радиосвязными, радиолокационными, радиомаячковыми), то идентификация объектов по их радиоизлучениям РЭС является тривиальной задачей.
Однако увеличение числа мобильных объектов влечет за собой формирование Больших Данных об этих объектах, которые уже невозможно обработать «вручную» силами одних лишь диспетчеров, операторов, аналитиков, программистов.
В статье предлагается применить искусственный интеллект для обеспечения безопасного движения морских и воздушных судов с целью повышения оперативности оценивания РЭО и устранения ошибок, связанных с человеческим фактором.
В рамках статьи выбран наилучший в условиях радиомониторинга нейронный оптимизатор, сформирована нейронная сеть, позволяющая при заданных входных значениях рассчитать отношение сигнал/шум на входе радиоприемного устройства. Сгенерированы две большие выборки (реальная и предсказанная), рассчитаны их статистические показатели, оценена корреляционная связь между ними, и проведено сравнение выборок с помощью статистического критерия Стьюдента. В результате работы сформирован и обоснован вывод о возможности применения искусственного интеллекта для обеспечения безопасного движения морских и воздушных судов, так как значения из реальной и предсказанной выборок практически полностью совпадают.
Список литературы
1. Хайкин С. Нейронные сети: полный курс, 2-е издание. М.: Вильямс, 2006. 1104 с.
2. Долуханов М.П. Распространение радиоволн. М.: Связь, 1972. 336 с.
3. Кремер Н.Ш. Теория вероятностей и математическая статистика. М.: Юнит, 2006. 573 с.
4. Мухин А.И., Атакищев О.И., Свистунов Ф.Н., Павленко Д.П. Выбор и адаптация статистического критерия для решения задач идентификации источников радиоизлучений // Известия института инженерной физики. 2021. № 2. С. 45-48.
5. Закс Л. Статистическое оценивание. М.: Статистика, 1976. 600 с.
6. McNemar, Quinn. Note on the sampling error of the difference between correlated proportions or percentages // Psychometrika. 1948. № 13(3). P. 185-187.
7. Machin D., Tan S-B, Julious S. An Introduction to Statistics in Early Phase Trial // John Wiley & Sons Ltd. 2010.
8. Spiegelhalter D. Introducing the Art of Statistics: How to Learn from Data // Scholar Commons. 2020. V. 13.
9. James G., Witten D., Hastie T., Tibshirani R. An Introduction to Statistical Learning: with Applications in R // Springer Science & Business Media. 2017. 426 p.
10. Gutman A., Goldmeier J. Becoming a Data Head: How to Think, Speak, and Understand Data Science, Statistics, and Machine Learning // Wiley. 2021. 269 p.
Мухин Анатолий Иванович, канд. техн. наук, преподаватель кафедры, vka@mil.ru, Россия, Санкт-Петербург, Военно-космическая академия имени А. Ф. Можайского,
Малетин Андрей Николаевич, канд. техн. наук, старший научный сотрудник военного института (научно-исследовательского), Россия, Санкт-Петербург, Военно-космическая академия имени А. Ф.Можайского
EVAL UATION OF THE POSSIBILITY OF USING ARTIFICIAL NEURAL NETWORKS TO ENSURE THE SAFE MOVEMENT OF SHIPS AND AIRCRAFT
A.I. Mukhin, A.N. Maletin
The possibility of using artificial intelligence to ensure the safe movement of ships and aircraft in the processing of Big Data obtained as a result of radio monitoring is considered. For this purpose, such a neural optimizer was chosen, which showed the best characteristics in the conditions of radio monitoring. Machine learning of the system was carried out, and a neural network was formed. Two large samples were generated and analyzed: training and predicted. As a result of the analysis of samples, a conclusion was made about the possibility of using artificial intelligence to ensure the safe movement of ships and aircraft.
Key words: artificial intelligence, Big Data, neural network, machine learning, radio monitoring, radio sources, radio electronic means, radio electronic environment, safe movement of ships and aircraft.
Mukhin Anatoly Ivanovich, candidate of technical sciences, teacher of the department, vka@mil.ru, Russia, St. Petersburg, Military Space Academy named after A.F.Mozhaisky,
Maletin Andrej Nikolaevich, candidate of technical sciences, senior researcher of military institute (research), Russia, St. Petersburg, Military Space Academy named after A.F. Mozhaisky
УДК 681.787
DOI: 10.24412/2071-6168-2023-4-132-137
КОНТРОЛЬ ПЛОСКОЙ ПОВЕРХНОСТИ ОТРАЖАТЕЛЯ НА ОСНОВЕ SiO2 + H2O + ZrO2 ЭКСПЕРИМЕНТАЛЬНОЙ УСТАНОВКОЙ, ПОСТРОЕННОЙ НА БАЗЕ ИНТЕРФЕРОМЕТРА ФИЗО
Е.Е. Майоров, В.П. Пушкина, А.В. Арефьев, В.В. Курлов, Р.Б. Гулиев, И.С. Таюрская
В работе рассмотрены вопросы контроля плоских поверхностей отражателей на основе SiO2 + Н20 + 2г02 экспериментальной установкой, построенной на базе интерферометра Физо. В настоящее время оптическое приборостроение большое внимание уделяется оптической компонентной базе для совершенствования оптических и оптико-электронных приборов, поэтому представленная работа перспективна и актуальна. В работе приведены оптическая схема, внешний вид и технико-эксплуатационные характеристики установки. Получены данные о поверхностях плоских отражателей разных геометрических форм. Проанализированы интерферограммы оптических поверхностей и исследованы представленные образцы в поперечном и продольном направлениях.
Ключевые слова: плоская поверхность, отражатель, интерферометр Физо, размах, отклонение, интерферограмма.
В настоящее время оптическое приборостроение заинтересовано в создании современных оптических и оптико-электронных приборах и комплексах, удовлетворяющих новым вызовам в мировой оптотехнической промышленности [1, 2].
Разработчики прикладывают максимальные усилия для того, чтобы вывести на новый уровень технические характеристики оптотехнических средств, в частности, увеличить точность измерений, расширить диапазон измерений, сделать их компактными и удобными в эксплуатации [3, 4].
Особое внимание уделяется оптической компонентной базе этих приборов и комплексов. Оптические предприятия и объединения применяют механические, химические, а также оптические технологии для получения высококачественных оптических компонентов, деталей, покрытий, которые используются в выпускаемой продукции. Улучшение конструкции оптических и оптико-электронных приборов решает проблему функциональности, которая является основным показателем качества продукции
[5, 6].
На сегодняшний день в оптическом приборостроении плоские отражатели на основе SiO2 + Н20 + 2Ю2 изготавливаются для оптических систем приборов и комплексов различного назначения. Они применяются в колориметрических приборах с однополосной и двухполосной интегрирующих сферах, рефрактометрических приборах в качестве отражательных зеркал, интерференционных приборах где необходимы опорные отражатели и т.д. [7, 8].
