Бінарна класифікація даних телеметричної інформації малих космічних апаратів на основі глибокого навчання

Анотація

У статті надано розв’язання актуальної задачі інтелектуального аналізу даних телеметричної інформації малих космічних апаратів з метою визначення їх технічних станів. Розроблено нейромережеві моделі на основі сучасних архітектур глибокого навчання для вирішення задачі бінарної класифікації даних телеметричної інформації, що дозволяють визначати
штатний та позаштатний стан функціонування малих космічних апаратів або деяких їх підсистем. Для комп'ютерного аналізу використовувалися дані функціонування навігаційної підсистеми малих космічних апаратів, часовий ряд розмірністю
121690×9. Проводився порівняльний аналіз повнозв'язних, одновимірних згорткових та рекурентних (GRU, LSTM) нейронних мереж, нейронних моделей різної глибини, які є послідовними комбінаціями всіх трьох типів шарів, у тому числі з використанням технології додавання залишкових зв'язків сімейства ResNet, широко поширених нейромережних моделей
AlexNet, LeNet , Inception, Xception, MobileNet, ResNet, Yolo, що є модифікованими для класифікації часових рядів. Найкращий результат з точки зору точності класифікації на етапах навчання, валідації, тестування, та часу виконання однієї
епохи навчання та валідації отримали розроблені послідовні нейромережеві моделі з трьох типів шарів: одновимірних згорткових, рекурентного GRU та повнозв’язкового класифікаційного шарів. Вхідні дані було внормовано. Точність класифікації на етапах навчання, валідації та тестування склали відповідно: 0.9821, 0.9665, 0.9690. Час виконання однієї епохи навчання та валідації склав дванадцять сек. При цьому найкращий альтернативний результат показала модифікована модель
Inception: 0.9818, 0.9694, 0.9675. Час виконання однієї епохи навчання та валідації для цієї моделі склав двадцять сiм сек.
Збільшення точності класифікації під час адаптації відомих нейромережевих моделей, які використовуються для аналізу
зображень, отримано не було, але час навчання та валідації у разі кращої моделі Inception збільшився більш ніж у два рази.
Були запропоновані та проаналізовані гібридні нейромережеві моделі, у тому числі з використанням методики прокидання
залишкових зв'язків сімейства ResNet. Вони показали найбільшу точність та мінімальний час навчання та валідації моделі у
вирішенні поставленої задачі порівняно з низкою розроблених та широко відомих, застосовуваних глибоких нейромережевих моделей.