Необходимо зарегистрироваться, чтобы получить доступ к полным текстам статей и выпусков журналов!
- Название статьи
- НЕЙРОСЕТЕВАЯ МОДЕЛЬ ИДЕНТИФИКАЦИИ СОСТОЯНИЯ КОСМИЧЕСКОГО ОБЪЕКТА ПО РЕЗУЛЬТАТАМ ОПТИЧЕСКИХ ИЗМЕРЕНИЙ
- Авторы
- Нестечук Анатолий Николаевич vka@mil.ru, канд. техн. наук, заместитель начальника, Военно-космическая академия имени А. Ф. Можайского, Санкт-Петербург, Россия
Шавин Александр Сергеевич vka@mil.ru, канд. техн. наук, доцент, начальник лаборатории военного института, Военно-космическая академия имени А. Ф. Можайского, Санкт-Петербург, Россия
Хлебников Сергей Германович vka@mil.ru, канд. воен. наук, доцент, старший научный сотрудник военного института, Военно-космическая академия имени А. Ф. Можайского, Санкт-Петербург, Россия
- В разделе
- ИЗМЕРЕНИЯ. ИСПЫТАНИЯ. КОНТРОЛЬ И УПРАВЛЕНИЕ КАЧЕСТВОМ
- Ключевые слова
- анализ данных / классификация / космический объект / машинное обучение / нейросеть / оптические измерения
- Год
- 2022 номер журнала 1 Страницы 37 - 42
- Индекс УДК
- 629.764
- Код EDN
- Код DOI
- 10.52190/1729-6552_2022_1_37
- Финансирование
- Тип статьи
- Научная статья
- Аннотация
- Разработана модель идентификации состояния космического объекта по результатам оптических измерений, построенная на основе нейронной сети. Исходные данные для модели получены с помощью программного модуля оценивания некоординатной информации о космических объектах. Представлены результаты апробации разработанной модели. Обосновано применение модели для решения задачи автоматического наблюдения и контроля за состоянием космических объектов.
- Полный текст статьи
- Для прочтения полного текста необходимо купить статью
- Список цитируемой литературы
-
Котяшов Е. В., Кудинов М. Г., Шавин А. С. Постановка задачи классификации состояния геостационарного космического аппарата после столкновения с неизвестным космическим аппаратом // Тр. Военно-космической академии имени А. Ф. Можайского. 2016. Вып. 652. С. 76-82.
Крупский К. А., Кудинов М. Г., Шавин А. С., Исупов А. А. Методический подход к решению задачи классификации состояния космических объектов по данным наблюдений наземными измерительными средствами // Вопросы радиоэлектроники. Техника телевидения. 2020. Вып. 2. С. 55-62.
Мерков А. Б. Распознавание образов: введение в методы статистического обучения. - М.: URSS, 2019. - 256 с.
Журавлёв Ю. И. Об алгебраическом подходе к решению задач распознавания или классификации // Проблемы кибернетики. 1978. Вып. 33. С. 5-68.
Шавин А. С. Алгоритм расчета площади отражающих поверхностей в геометрической модели космического объекта в интересах оценивания фотометрических характеристик // Тр. Военно-космической академии имени А. Ф. Можайского. 2018. Вып. 661. С. 32-37.
Шавин А. С., Кудинов М. Г., Крупский К. А., Котяшов Е. В., Хлебников С. Г. Свидетельство о государственной регистрации программы для ЭВМ № 2019617824. Программный модуль оценивания некоординатной информации о космических объектах наземными средствами системы контроля космического пространства. Заявка № 2019616828. Дата поступления 5.06.2019. Зарег. в Реестре программ для ЭВМ 20.06. 2019.
Phil Kim MATLAB Deep Learning: With Machine Learning, Neural Networks and Artificial Intelligence. - Seoul: Apress, 2017. - 151 p.
Goodfellow I., Bengio Y., Courville A. Deep Learning. - N.Y.: The MIT Press, 2017. - 800 p.
Lippmann R. P. An Introduction to Computing with Neural Nets // IEEE ASSP Magazine. 1987. V. 4. № 2. P. 422.
Stathakis D. 2009. How many hidden layers and nodes? // International J. Remote IOP Conf. Series: J. Physics: Conf. Series. 2017. № 930. Р. 012006. DOI:10.1088/1742-6596/930/1/012006.
Heaton J. Introduction to Neural Networks for Java. Second Edition. - St. Louis: Heaton Research, 2008. - 440 p.
- Купить
- 500.00 руб
