Применение нейронной сети прямого распространения для локализации места удара микрочастиц о поверхность космического аппарата


DOI: 10.34759/trd-2021-118-10

Авторы

Воронов К. Е.*, Григорьев Д. П.**, Телегин А. М.***

Самарский национальный исследовательский университет им. академика С.П. Королева, Московское шоссе, 34, Самара, 443086, Россия

*e-mail: voronov.ke@ssau.ru
**e-mail: dan-22225@yandex.ru
***e-mail: talex85@mail.ru

Аннотация

В данной статье кратко описаны основные виды архитектур нейронных сетей, и теория их работы. Составлен план решения задачи по обнаружению места удара с помощью нейронной сети. С использованием стандартных библиотек Keras и TensorFlow, на языке программирования python составлена модель нейронной сети для эксперимента по определению места удара. В конце статьи подведены итоги проделанной работы, достоинства, недостатки и перспективы рассмотренного метода.

Ключевые слова:

космический мусор, космический аппарат, нейронная сеть прямого распространения, keras, tensorflow, локализация места удара

Библиографический список

  1. Баркова М.Е. Космический аппарат для утилизации космического мусора в околоземном пространстве // Труды МАИ. 2018. № 103. URL: http://trudymai.ru/published.php?ID=100712

  2. Ефимов Е.Н., Шевгунов Т.Я. Формирование оценки направления прихода сигнала с использованием искусственных нейронных сетей // Труды МАИ. 2015. № 82. URL: http://trudymai.ru/published.php?ID=58786

  3. Воронов К.Е., Григорьев Д.П., Телегин А.М. Исследование алгоритмов для системы контроля поверхности космического аппарата на основе пьезодатчиков // Авиакосмическое приборостроение. 2021. № 1. С. 40 — 50. DOI: 10.25791/aviakosmos.1.2021.1200

  4. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений. — М.: Финансы и статистика, 2004. — 176 с.

  5. Рашид Т. Создаём нейронную сеть. — СПб.: Альфа-книга, 2017. — 272 с.

  6. Аникеев М.В., Бабенко Л.К., Макаревич О.Б. Обзор современных типов нейронных сетей // Радiоелектронiка, iнформатика, управлiння. 2001. № 1. С. 48 — 56.

  7. Акинина Н.В., Акинин М.В., Соколова А.В., Никифоров М.Б., Таганов А.И. Автоэнкодер: подход к понижению размерности векторного пространства с контролируемой потерей информации // Известия ТулГУ. Технические науки. 2016. № 9. С. 3 — 12.

  8. Землевский А.Д. Исследование архитектуры сверточных нейронных сетей для задачи распознавания образов // Вестник науки и образования. 2017. Т. 2. № 6 (30). С. 36 — 43.

  9. Бредихин А.И. Алгоритмы обучения свёрточных нейронных сетей // Вестник Югорского государственного университета. 2019. № 1 (52). С. 41 — 54. DOI: 10.17816/byusu20190141-54

  10. Николенко С.И. Глубокое обучение. — СПб.: Питер, 2018. — 480 с.

  11. Mean Square Error. URL: https://en.wikipedia.org/wiki/Mean_squared_error.

  12. Шумских И.Ю., Пиганов М.Н. Использование нейроимитатора для прогнозирования показателей надёжности космической аппаратуры // Региональная научно-практическая конференция, посвященная 50-летию первого полета человека в космос: тезисы докладов (Самара, 14 — 15 апреля 2011). — Самара: СГАУ им. С.П. Королева. 2011. С. 205 — 207.

  13. A complex open-source machine learning platform. URL: https://www.tensorflow.org/

  14. Keras: the python deep learning API. URL: https://keras.io/

  15. Diederik Kingma, Jimmy Ba. Adam: A Method for Stochastic Optimization, Cornell University, 2017. URL: https://arxiv.org/abs/1412.6980

  16. Lei Qi et al. Research on Leakage Location of Spacecraft in orbit Based on Frequency Weighting Matrix Beam forming Algorithm by Lamb Waves // Applied sciences, 2020, no. 10 (4), pp 1201. URL: https://doi.org/10.3390/app10041201

  17. Ciampa F., Michele Meo. A new algorithm for acoustic emission localization and flexural group velocity determination in anisotropic structures // Journal Composites Part A Applied Science and Manufacturing, 2010, no. 41, pp. 1777 — 1786.

  18. Tobias А. Acoustic-emission source location in two dimensions by an array of three sensors // Non-destructive testing, 1976, vol. 9, no. 1, pp. 9 — 12.

  19. Ebrahimkhanlou A. A probabilistic framework for single-sensor acoustic emission source localization in thin metallic plates // Smart Materials and Structures, 2017, no. 26, pp. 1 — 19. DOI:10.1088/1361-665X/aa78de

  20. Ebrahimkhanlou A., Salamone S. Single-Sensor Acoustic Emission Source Localization in Plate-Like Structures Using Deep Learning // Aerospace, 2018, pp. 5 — 50. DOI:10.3390/aerospace5020050


    Скачать статью

mai.ru — информационный портал Московского авиационного института

© МАИ, 2000—2024

 Вход