CC BY
3
УДК 004.8
ПЕРСЕПТРОНЫ В АЭРОКОСМИЧЕСКИХ СИСТЕМАХ
Д. В. Рогова Научный руководитель - О.В. Пацук
Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
E-mail: dasha_28_05@mail.ru
В статье рассматриваются виды и структуры нейронных сетей, проблемы и перспективы построения интеллектуальных бортовых измерительных, вычислительных и управляющих систем современных космических аппаратов на основе искусственных нейронных сетей. Обучение многослойного персептрона методом обратного распространения ошибки предполагает прямой и обратный проход по всем слоям сети.
Ключевые слова: нейронная сеть, космические аппараты, спутники, персептроны, искусственный интеллект, многослойный персептрон
PERCEPTRONS IN AEROSPACE SYSTEMS
D. V. Rogova Scientific supervisor - O.V. Patsuk
Reshetnev Siberian State University of Science and Technology 31, Krasnoyarskii rabochii prospekt, Krasnoyarsk, 660037, Russian Federation E-mail: dasha_28_05@mail.ru
The article discusses the types and structures of neural networks, problems and prospects for the construction of intelligent onboard measuring, computing and control systems of modern spacecraft based on artificial neural networks. Training a multilayer perceptron by backpropagation involves a forward and backward pass through all layers of the network.
Keywords: neural network, spacecraft, satellites, perceptron's, artificial intelligence, multilayer perceptron
В настоящее время динамическая нейронная сеть используется для обнаружения и парирования отказов спутникового оборудования. В том числе, динамическая нейронная сеть используется для обнаружения и парирования неисправности аппаратуры спутников. В частности, схема диагностики применяется для анализа состояния импульсных плазменных двигателей. Предложенный многоуровневый метод диагностики показал высокую точность контроля систем отдельных спутников и их группировок. Похожий метод использует многослойный персептрон, который диагностирует группу спутников на высоком уровне, тогда как на низком уровне он способен выявлять неисправности отдельных спутников. Диагностика группировки спутников позволяет выявлять сбои в телеметрии каждого из космических аппаратов (КА) более эффективно [1]. При обработке данных телеметрии отдельного спутника нейронная сеть способна обнаружить сбой при отклонении значений более чем на 60% от номинального значения, тогда как при обработке данных созвездия спутников допустимы отклонения в 5%. записано.
Целью работы является исследование типов и структур нейронных сетей, проблемы и перспективы построения интеллектуальных бортовых измерительных, вычислительных и
управляющих систем современных космических аппаратов на основе искусственных нейронных сетей [2]. Также представлены методы изучения возможностей многослойного персептрона в классификации данных, проектирования и реализации системы классификации данных на основе модели многослойного персептрона с одним или несколькими скрытыми слоями и сравнения результатов, полученных при различных настройках параметров сети. Под обучением многослойного персептрона понимается процесс адаптации сети к представленным эталонным образцам путем модификации весовых коэффициентов связей между нейронами. Обучение многослойного персептрона методом обратного распространения ошибки предполагает прямой и обратный проход по всем слоям сети [3-4].
Использование нейронных сетей применяется для решения задач обработки бортовых данных объектов космической техники. Способы построения основных узлов призваны повысить автономность и эффективность работы бортовых систем управления. Результаты применения теории нейронных сетей используются для контроля и прогнозирования технического состояния бортовых систем на этапах испытаний и летной эксплуатации. Представленные результаты характеризуют современное направление развития систем автоматического управления. Любое практическое применение персептрона предполагает введение более одного Я-элемента. И, как показал Розенблатт, характеристики таких систем существенно не отличаются от характеристик элементарного персептрона, за исключением того, что теперь можно разрабатывать классификации, состоящие из более чем двух классов с простыми Я-элементами, или обучать перцептрон реагировать одновременно на несколько различных признаков, принадлежащих возбуждающему образу [5].
Задачи, решаемые с помощью персептронов в аэрокосмических системах:
- мониторинг - формулируется как задача опроса датчиков и сбора необходимой для дальнейшего анализа телеметрической информации в виде пакетов данных;
- контроль и диагностика - решаются как задачи выявления информативных признаков с дальнейшим обнаружением и классификацией сбоев и аномалий в потоках данных телеметрии;
- прогнозирование состояния - является задачей оценки текущих и накопленных показаний бортовых систем для принятия превентивных решений в отношении конкретного КА либо всей контролируемой группировки;
- задача шифрования данных каналов связи - рассматривается как задача сжатия и восстановления информации.
Перечисленные задачи решаются как с использованием персептронов, вероятностных нейронных сетей и сетей прямого распространения, так и комитетов на их основе [6].
Исследования персептронов показали, что персептроны способны обучаться, а с появлением алгоритма обратного распространения ошибки начался период широкого практического применения нейросетевых технологий для решения самых разнообразных задач. Справедлива теорема о сходимости персептрона, согласно которой независимо от начальных значений коэффициентов и порядка показа образцов при обучении, персептрон за конечное число шагов научится различать два класса объектов, если только существует такая классификация [7].
Под многослойным персептроном понимают два разных вида: многослойный персептрон по Розенблатту и многослойный персептрон по Румельхарту.
Многослойный персептрон по Розенблатту содержит более 1 слоя А-элементов.
Многослойный персептрон по Румельхарту является частным случаем многослойного персептрона по Розенблатту, с двумя особенностями: Б-Л связи могут иметь произвольные веса и могут обучаться наравне с Л-Я связями и обучение производится по специальному алгоритму, который называется обучением по методу обратного распространения ошибки.
Архитектура многослойного персептрона состоит из множества слоев нейронных элементов представлена на рисунке 1. Входной слой выполняет распределительные функции. Выходной слой служит для обработки информации, полученной от предыдущих слоев, и выдачи окончательных результатов. Слои нейронных элементов, расположенные между входным и выходным слоями, называются промежуточными или скрытым. Как и выходной, скрытые слои являются обрабатывающими. Выход каждого нейронного элемента предыдущего слоя нейронной сети соединен синаптическими связями со всеми входами нейронных элементов следующего слоя [8].
Входной Скрытые Выходной
слой слои слой
Рис. 1. Многослойный персептрон
Под обучением искусственных нейронных сетей понимается процесс настройки архитектуры сети (структуры связей между нейронами) и весов синаптических связей (влияющих на сигналы коэффициентов) для эффективного решения поставленной задачи. Обычно обучение нейронной сети осуществляется на некоторой выборке. По мере процесса обучения, который происходит по некоторому алгоритму, сеть должна все лучше и лучше (правильнее) реагировать на входные сигналы.
Обучение может быть с учителем или без него. Для обучения с учителем нужен «внешний» учитель, который оценивал бы поведение системы и управлял ее последующими модификациями. При обучении без учителя, рассматриваемого в последующих главах, сеть путем самоорганизации делает требуемые изменения. Обучение персептрона является обучением с учителем.
Алгоритм обучения персептрона может быть реализован на цифровом компьютере или другом электронном устройстве, и сеть становится в определенном смысле самоподстраивающейся. По этой причине процедуру подстройки весов обычно называют «обучением» и говорят, что сеть «обучается». Доказательство Розенблатта стало основной вехой и дало мощный импульс исследованиям в этой области. Сегодня в той или иной форме элементы алгоритма обучения персептрона встречаются во многих сетевых парадигмах.
В статье рассмотрены задачи, решаемые с помощью персептронов в аэрокосмических системах многослойный персептрон по Розенблатту и многослойный персептрон по Румельхарту, а также проведён анализ обучения искусственных нейронных сетей.
Библиографические ссылки
1. Ксенофонтов В. В. Нейронные сети //Проблемы науки. 2020. №. 11. С. 59.
2. Васенков Д. В. Методы обучения искусственных нейронных сетей //Компьютерные инструменты в образовании. 2007. №. 1.
3. Павлов О. Г., Халин Ю. А., Лисицин Л. А. Метод диагностики состояния предприятия на основе искусственной нейронной сети //Наукоемкие технологии. 2014. Т. 15. №. 12. С. 7072.
4. Гусеница Я. Н. Обобщенная модель потока разнотипных программных ошибок для оценивания надежности программного обеспечения //Наукоемкие технологии в космических исследованиях Земли, 2015. Т. 7. №. 5. С. 18-23.
5. Попова Н. А., Отекина Н. Е. Применение искусственных нейронных сетей //Актуальные вопросы науки и хозяйства: новые вызовы и решения. 2019. С. 479-484.
6. Джейн А. К., Мао Ж., Моиуддин К. М. Введение в искусственные нейронные сети //Computer. - 1996. Т. 29. №. 3. С. 31-44.
7. ШАИТУРА С. В. Нейронные сети //Интеллектуальные системы и технологии. 2016. С. 47-62.
8. Горбачевская Е. Н. Классификация нейронных сетей //Вестник Волжского университета им. ВН Татищева. 2012. №. 2 (19). С. 128-134.
© Рогова Д. В., 2022
