Шиленков Егор Андреевич, кандидат технических наук, директор научно-исследовательского института космического приборостроения и радиоэлектронных систем имени Константина Эдуардовича Циолковского
ул. 50 лет Октября, д. 94, г. Курск 305040
Egor A. Shilenkov, Cand. of Sci. (Engineering), Director of the Research Institute of Space Instrumentation and Radioelectronic Systems named after Konstantin Eduardovich Tsiolkovsky
50 Let Oktyabrya Str. 94, Kursk 305040
Фролов Сергей Николаевич, кандидат технических наук, ведущий научный сотрудник научно-исследовательского института космического приборостроения и радиоэлектронных систем имени Константина Эдуардовича Циолковского
ул. 50 лет Октября, д. 94, г. Курск 305040
Sergey N. Frolov, Cand. of Sci. (Engineering), Leading Researcher, Research Institute of Space Instrumentation and Radioelectronic Systems named after Konstantin Eduardovich Tsiolkovsky
50 Let Oktyabrya Str. 94, Kursk 305040
Титенко Евгений Анатольевич, кандидат технических наук, ведущий научный сотрудник научно-исследовательского института космического приборостроения и радиоэлектронных систем имени Константина Эдуардовича Циолковского
ул. 50 лет Октября, д. 94, г. Курск 305040
Evgeniy A. Titenko, Cand. of Sci. (Engineering), Leading Researcher, Research Institute of Space Instrumentation and Radioelectronic Systems named after Konstantin Eduardovich Tsiolkovsky
50 Let Oktyabrya Str. 94, Kursk 305040
Мирошниченко Сергей Юрьевич, кандидат технических наук, ведущий научный сотрудник научно-исследовательского института космического приборостроения и радиоэлектронных систем имени Константина Эдуардовича Циолковского
ул. 50 лет Октября, д. 94, г. Курск 305040
Sergey Y. Miroshnichenko, Cand. of Sci. (Engineering), Leading Researcher, Research Institute of Space Instrumentation and Radioelectronic Systems named after Konstantin Eduardovich Tsiolkovsky
50 Let Oktyabrya Str. 94, Kursk 305040
Целью исследования является обоснование и выбор архитектуры нейронной сети для возможности реализации когнитивных функций сетевого программного обеспечения управления группировкой взаимодействующих малых космических аппаратов. Методы основаны на понятиях теории ИИ для управления группировкой МКА – использование адаптивных методов и средств, позволяющих принимать решения, аналогично механизмам мышления человека. Применительно к системам космической связи с гетерогенной структурой методы и технологии ИИ направлены на процессы прогнозирования состояния в каналах связи между узлами сети и автоматической реконфигурации сети аппаратов на основе процессов обучения нейронной сети (НС). Результаты. В режиме обучения и прогнозирования необходимо использовать временные ряды параметров и координат конкретных пар МКА, обладающих ненулевой прямой видимостью. Специально для анализа временных рядов применяются рекуррентные нейронные сети (RNN), в частности LSTM. Идея работы RNN состоит в использовании в качестве входных данных для текущего прогноза не только векторов состояния МКА и их координат, но и предыдущего значения качества связи, фактического или прогнозного. В работе показано, что бортовые вычислительные мощности отдельного МКА не позволяют выполнять прогнозирование и обучение на борту. Следовательно, требуется выделенный наземный сегмент прогнозирования и мониторинга, который будет собирать апостериорную информацию, периодически выполнять обучение когнитивной модели, использовать ее для прогнозирования качества связи и передавать результаты узлам сети для построения маршрутов передачи данных. Заключение. Анализ современных решений и выбор архитектуры нейронной сети для реализации когнитивных функций сетевого программного обеспечения управления группировкой взаимодействующих малых космических аппаратов показал, что наиболее полно требованиям проекта отвечают нейронные сети архитектуры Transformer, которые основаны на механизме внутреннего внимания. Архитектура Transformer позволяет использовать всю полноту априорных данных, обладает высокой скоростью обучения и прогнозирования.
The purpose of the research is to substantiate and select the architecture of a neural network for the possibility of implementing the cognitive functions of network software for controlling a grouping of interacting small spacecraft.
Methods are based on the concepts of AI theory for managing the grouping of small spacecraft - the use of adaptive methods and tools that allow making decisions, similar to the mechanisms of human thinking. With regard to space communication systems with a heterogeneous structure, AI methods and technologies are aimed at the processes of predicting the state in communication channels between network nodes and automatic reconfiguration of the network of devices based on the learning processes of a neural network (NN).
Results. In the learning and forecasting mode, it is necessary to use time series of parameters and coordinates of specific pairs of small spacecraft with non-zero line of sight. Especially for time series analysis, recurrent neural networks (RNN) are used, in particular, LSTM. The idea of RNN operation is to use as input data for the current forecast not only the state vectors of the SVs and their coordinates, but also the previous value of the communication quality, actual or predictive. The paper shows that the onboard computing power of a separate MSC does not allow performing forecasting and training on board. Therefore, a dedicated ground segment of forecasting and monitoring is required, which will collect a posteriori information, periodically train the cognitive model, use it to predict the quality of communication, and transmit the results to the network nodes to build data transmission routes.
Conclusion. The analysis of modern solutions and the choice of neural network architecture for the implementation of the cognitive functions of the network software for controlling the grouping of interacting small spacecraft showed that the neural networks of the Transformer architecture, which are based on the mechanism of internal attention, most fully meet the requirements of the project. The Transformer architecture allows using the entirety of a priori data, has a high learning and forecasting speed.
The authors declare that there are no conflicts of interest present.