НЕЙРОСЕТЕВОЙ ПОДХОД К КЛАСТЕРИЗАЦИИ КОНТРОЛИРУЕМЫХ ПАРАМЕТРОВ КАК ОДНОГО ИЗ ЭТАПОВ АВТОМАТИЗАЦИИ ПРОЦЕССА ИДЕНТИФИКАЦИИ СЛОЖНЫХ ТЕХНИЧЕСКИХ ОБЪЕКТОВ 

Андрей Иванович Лоскутов, доктор технических наук, профессор, начальник кафедры телеметрических систем, комплексной обработки и защиты информации, Военно-космическая академия имени А. Ф. Можайского (Россия, г. Санкт-Петербург, ул. Ждановская, 13), E-mail: vka@mil.ru
Владимир Алексеевич Клыков, кандидат технических наук, преподаватель, кафедра телеметрических систем, комплексной обработки и защиты информации, Военно-космическая академия имени А. Ф. Можайского (Россия, г. Санкт-Петербург, ул. Ждановская, 13), E-mail: vka@mil.ru
Екатерина Александровна Ряхова, адъюнкт, кафедра телеметрических систем, комплексной обработки и защиты информации, Военно-космическая академия имени А. Ф. Можайского (Россия, г. Санкт-Петербург, ул. Ждановская, 13), E-mail: vka@mil.ru
Андрей Владимирович Столяров, адъюнкт, кафедра телеметрических систем, комплексной обработки и защиты информации, Военно-космическая академия имени А. Ф. Можайского (Россия, г. Санкт-Петербург, ул. Ждановская, 13), E-mail: vka@mil.ru
Ольга Львовна Шестопалова, кандидат технических наук, доцент, декан факультета «Испытание летательных аппаратов», филиал «Восход» Московского авиационного института (Казахстан, г. Байконур, ул. Гагарина, 5), E-mail: vka@mil.ru 

629.7.017 

DOI

10.21685/2307-5538-2021-1-1 

Актуальность и цели. Рассматриваются вопросы автоматизации процесса идентификации сложных технических объектов (СТО). Осуществлена постановка задачи автоматизации процесса идентификации сложных технических объектов на основе решения задачи кластеризации контролируемых параметров. Целью работы является применение нейросетевого метода кластеризации в автоматизации этапа процесса построения модели функционирования СТО.
Материалы и методы. Представлен подход к кластеризации контролируемых параметров с использованием самоорганизующейся нейронной сети Кохонена. Новизна подхода заключается в применении известного нейросетевого метода кластеризации данных в новой области, а именно автоматизации процесса одного из этапов математического моделирования функционирования СТО.
Результаты. Разработан алгоритм кластеризации контролируемых параметров по состояниям систем. Представлена обобщенная структурная схема системы автоматической идентификации с применением нейронной сети. Произведена оценка результатов моделирования на основе сопоставления полученных кластеров контролируемых параметров с данными вербальной модели СТО.
Вывод. Анализ полученных результатов в ходе проведенного исследования показал, что применение нейронной сети при кластеризации контролируемых параметров возможно в качестве реализации одного из этапов автоматизации процесса идентификации СТО. 

Ключевые слова

сложный технический объект, нейронная сеть, идентификация, кластеризация 

 Скачать статью в формате PDF

1. Охтилев М. Ю., Соколов Б. В., Юсупов Р. М. Интеллектуальные технологии мониторинга и управления структурной динамикой сложных технических объектов : монография. М. : Наука, 2006. 408 с. ISBN 5-02-033789-7.
2. Takahashi M., Kosaka R., Nanba R. A Study of Fault Tree Analysis for Control Program in Space System // 2015 IEEE/SICE International Symposium on System Integration : proc. 2015. P. 301–306.
3. Талалаев, А. А., Фраленко В. П., Хачумов В. М. Обзор стандартов и концепция построения средств мониторинга, контроля и диагностики космического аппарата // Программные системы: теория и приложения. 2015. № 3. С. 21–43.
4. Дмитриев А. К. Модели и методы анализа технического состояния бортовых систем. СПб. : ВИКУ им А. Ф. Можайского, 1999. 174 с.
5. Сидоревич А. Н. Алгоритмы кластеризации данных с использованием нейронных сетей // Статьи факультета радиофизики и компьютерных технологий. 2005. URL: http://elib.bsu.by/handle/ 123456789/7648 (дата обращения: 18.09.2020).
6. Сырямкин В. И, Горбачев С. В., Сунцов С. Б. Адаптивные нейросетевые алгоритмы диагностики материалов, оборудования и радиоэлектронной аппаратуры. Saarbrucken : LAMBERT Academic Publishing, 2013. 269 с.
7. Zohrer M., Pernkopf F. General stochastic networks for classification. In NIPS’2014. 2014.
8. Хайкин С. Нейронные сети. Полный курс. 2-е изд., испр. М. : Вильямс, 2006. 1104 с.
9. Горбаченко В. И. Нейроинформатика : конспект лекций. – Пенза : Пенз. гос. пед. ун-т им. В. Г. Белинского, 2011. 81 с.
10. Ritter H., Schulten K. On the stationary state of the Kohonen self-organizing sensory mapping // Biological Cybernetics. 1986. Vol. 54. P. 234–249.