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, Российская Федерация
Egor A. Shilenkov, Candidate of Sciences (Engineering), Director of the Research Institute of Space Instrumentation and Radioelectronic Systems named after Konstantin Eduardovich Tsiolkovsky
50 Let Oktyabrya Str. 94, Kursk 305040, Russian Federation
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, Российская Федерация
Sergey N. Frolov, Candidate of Sciences (Engineering), Leading Researcher of the Research Institute of Space Instrumentation and Radioelectronic Systems named after Konstantin Eduardovich Tsiolkovsky
50 Let Oktyabrya Str. 94, Kursk 305040, Russian Federation
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, Российская Федерация
Evgeniy A. Titenko, Candidate of Sciences (Engineering), Leading Researcher of the Research Institute of Space Instrumentation and Radioelectronic Systems named after Konstantin Eduardovich Tsiolkovsky
50 Let Oktyabrya Str. 94, Kursk 305040, Russian Federation
Целью исследования является разработка имитационной модели и настройка гиперпараметров нейронной сети для прогнозирования возможных состояний.Методы основаны на методах теории искусственного интеллекта для управления группировкой малых космических аппаратов (МКА) – использование адаптивных средств, позволяющих принимать решения аналогично механизмам мышления человека. Применительно к системам космической связи с гетерогенной структурой методы и технологии искусственного интеллекта направлены на процессы прогнозирования состояния в каналах связи между узлами сети и автоматической реконфигурации сети аппаратов на основе процессов обучения нейронной сети. Одной из наиболее важных функций сетевого программного обеспечения для применения когнитивных алгоритмов является прогнозирование качества связи между парами МКА.Результаты. Разработан метод применения нейронной сети архитектуры Transformer для прогнозирования возможных состояний сети МКА, который обеспечивает агрегирование и временную синхронизацию данных о состоянии сети МКА, их применение для обучения нейронной сети, а также использования нейронной сети для прогнозирования качества связи. Создан формат данных для обучающей выборки, основанный на представлении состояния сети МКА, которая обеспечивает генерацию начального состояния сети, моделирование проактивного режима её работы, сбор маркеров состояния сети МКА для порождения наборов обучающих данных, в виде хронологических последовательностей, группируемых в кадры, и позволяющий снизить объем данных, передаваемый между МКА при создании обучающей выборки. Разработана имитационная модель сети МКА, которая обеспечивает генерацию начального состояния сети, моделирование проактивного режима ее работы, сбор сведений о состоянии сети МКА для порождения наборов синтетических обучающих данных.Заключение. В статье разработана имитационная модель сети МКА для порождения синтетических обучающих данных и прогнозирования возможных состояний сети МКА, а также метод применения нейронной сети для прогнозирования возможных состояний сети МКА.
The purpose of the research is to develop a simulation model and tune the hyperparameters of a neural network to predict possible states of a network of small spacecraft.The research methods are based on the concepts of the theory of artificial intelligence to control a group of small spacecraft (SSV) – the use of adaptive methods and tools to make decisions, similar to the mechanisms of human thinking. In relation to space communication systems with a heterogeneous structure, artificial intelligence methods and technologies are aimed at predicting the state of communication channels between network nodes and automatically reconfiguring a network of devices based on neural network learning processes. One of the most important functions of network software for the application of cognitive algorithms is to predict the quality of communication between pairs of SSVs.Results. A method has been developed for using the Transformer architecture neural network to predict possible states of the SSV network, which provides aggregation and time synchronization of data on the state of the SSV network, their use for training the neural network, as well as using the neural network to predict the quality of communication. The data format for the training sample has been created, based on the representation of the state of the SSV network, which ensures the generation of the initial state of the network, modeling the proactive mode of its operation, collecting SSV network state markers to generate training data sets in the form of chronological sequences grouped into frames, and allowing to reduce the amount of data transferred between SSVs when creating a training set. A simulation model of the SSV network has been developed, which provides generation of the initial state of the network, modeling of the proactive mode of its operation, and collection of information about the state of the SSV network to generate sets of synthetic training data.Conclusion. The article develops a simulation model of the SSV network for generating synthetic training data and predicting possible states of the SSV network, as well as a method for using a neural network to predict possible states of the SSV network.
The authors declare that there are no conflicts of interest present.