Разработка имитационной модели и настройка гиперпараметров нейронной сети для прогнозирования возможных состояний сети малых космических аппаратов

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.

1. Выбор архитектуры нейронной сети для реализации когнитивных функций сетевого программного обеспечения управления группировкой взаимодействующих малых космических аппаратов / Е. А. Шиленков, С. Н. Фролов, Е. А. Титенко, С. Ю. Мирошниченко // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2023. Т. 13, № 4. С. 8–26. https://doi.org/10.21869/2223-1536-2023-13-4-8-26

2. Аганесов А. В. Анализ качества обслуживания в воздушно-космической сети связи на основе иерархического и децентрализованного принципов ретрансляции информационных потоков // Системы управления, связи и безопасности. 2015. № 3. С. 92–121.

3. Оценка своевременности связи при передаче мультисервисного трафика в сети спутниковой связи специального назначения / Е. А. Новиков, Д. Р. Уткин, А. Г. Шадрин, М. Н. Квасов // Системы управления, связи и безопасности. 2018. № 1. С. 136–155.

4. Интеллектуальная система распределенного управления групповыми операциями кластера малоразмерных космических аппаратов в задачах дистанционного зондирования Земли / А. В. Соллогуб, П. О. Скобелев, Е. В. Симонова, А. В. Царев, М. Е. Степанов, А. А. Жиляев // Информационно-управляющие системы. 2013. № 1. С. 16–26.

5. Dynamic surface control for omnidirectional mobile robot with full state constrains and input saturation / C. Zhiqiang, A. Y. Krasnov, L. Duzhesheng, Y. Qiusheng // Scientific and Technical Journal of Information Technologies, Mechanics and Optics. 2023. Vol. 23, no. 6. P. 1096–1105. https://doi.org/10.17586/2226-1494-2023-23-6-1096-1105

6. Alakshendra V., Chiddarwar S. S. Adaptive robust control of Mecanum-wheeled mobile robot with uncertainties // Nonlinear Dynamics. 2017. Vol. 87, N 4. P. 2147–2169. https://doi.org/10.1007/s11071-016-3179-1

7. Xi C., Dong J. Adaptive neural network-based control of uncertain nonlinear systems with time-varying full-state constraints and input constraint // Neurocomputing. 2019. Vol. 357. P. 108–115. https://doi.org/10.1016/j.neucom.2019.04.060

8. Dong C., Liu Y., Wang Q. Barrier Lyapunov function based adaptive finite-time control for hypersonic flight vehicles with state constraints // ISA Transactions. 2020. Vol. 96. P. 163–176. https://doi.org/10.1016/j.isatra.2019.06.011

9. Mofid O., Mobayen S. Adaptive finite-time backstepping global sliding mode tracker of quad-rotor UAVs under model uncertainty, wind perturbation, and input saturation // IEEE Transactions on Aerospace and Electronic Systems. 2022. Vol. 58, N 1. P. 140–151. https://doi.org/10.1109/TAES.2021.3098168

10. Neural control of robot manipulators with trajectory tracking constraints and input saturation / C. Yang, D. Huang, W. He, L. Cheng // IEEE Transactions on Neural Networks and Learning Systems. 2021. Vol. 32, N 9. P. 4231–4242. https://doi.org/10.1109/TNNLS.2020.3017202

11. Multi-robot mission planning with static energy replenishment / B. Li, B. Moridian, A. Kamal, S. Patankar, N. Mahmoudian // Journal of Intelligent and Robotic Systems. 2019. Vol. 95 (2). P. 745–759.

12. Guiding autonomous exploration with signal temporal logic / F. S Barbosa, D. Duberg, P. Jensfelt, J. Tumova // IEEE Robotics and Automation Letters. 2019. Vol. 4, N 4. P. 3332–3339.

13. Robust collaborative object transportation using multiple MAVs / A. Tagliabue, M. Kamel, R. Siegwart, J. Nieto // International Journal of Robotics Research. 2019. Vol. 38 (9). P. 1020–1044.

14. A complete workflow for automatic forward kinematics model extraction of robotic total stations using the Denavit-Hartenberg convention / C. Klug, D. Schmalstieg, T. Gloor, C. Arth // Journal of Intelligent and Robotic Systems. 2018. Vol. 95. P. 311–329.

15. Калязина Д. М., Кашевник А. М. Разработка и оценка онтологии социо-киберфизической системы на основе анализа типовых сценариев использования мобильных роботов // Научный вестник Новосибирского государственного технического университета. 2019. № 2 (75). С. 21–36. https://doi.org/10.17212/1814-1196-2019-2-21-36

16. Assessing Contact Graph Routing Performance and Reliability in Distributed Satellite Constellations / J. A. Fraire, P. G. Madoery, S. Burleigh, M. Feldmann, J. Finochietto, A. Charif, N. Zergainoh, R. Velazcol // Journal of Computer Networks and Communications. 2017. N 6. P. 1–18.

17. Система автономной навигации малого космического аппарата / А. В. Аверьянов, К. А. Эсаулов, О. Е. Молчанов, Т. И. Белая // Известия вузов. Приборостроение. 2015. Т. 58, № 1. С. 14–17.

18. Карсаев О. В. Обзор традиционных и инновационных систем планирования миссий космических аппаратов // Информатика и автоматизация. 2016. № 5 (48). C. 151–182.

19. Prognostic model of formation of bronchopulmonary displosition in unemployed children / N. A. Gladskikh [et al.] // Sistem analisys and management in biomedical systems. 2017. Vol. 16, N 3. P. 632–637.

20. Гансвинд И. Н. Малые космические аппараты – новое направление космической деятельности // Международный научно-исследовательский журнал. 2018. № 12-2 (78). С. 84–91. https://doi.org/10.23670/IRJ.2018.78.12.053