Необходимо зарегистрироваться, чтобы получить доступ к полным текстам статей и выпусков журналов!
- Название статьи
- РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТАЛЬНЫХ ИССЛЕДОВАНИЙ АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ КОСМИЧЕСКИХ ОБЪЕКТОВ ПО СИНТЕЗИРОВАННЫМ ВИДОВЫМ ДАННЫМ С ИСПОЛЬЗОВАНИЕМ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ
- Авторы
- 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
Котяшов Евгений Валерьевич vka@mil.ru, д-р техн. наук, заместитель начальника управления, Военно-космическая академия имени А. Ф. Можайского, Санкт-Петербург, Россия
- В разделе
- ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ
- Ключевые слова
- автоматизированное распознавание космических объектов / сверточные нейронные сети / обработка видовых данных / мониторинг космического мусора / алгоритмы оптимизации / синтезированные данные
- Год
- 2024 номер журнала 4 Страницы 3 - 8
- Индекс УДК
- 629.764
- Код EDN
- WQESEL
- Код DOI
- 10.52190/1729-6552_2024_4_3
- Тип статьи
- Научная статья
- Аннотация
- Приведены результаты исследований, характеризующие возможность применения нейронных сетей для автоматического распознавания космических объектов по синтезированным видовым данным. На основании проведенного анализа существующих подходов к распознаванию объектов и получению данных для тренировки нейросетей установлено, что перспективным направлением в области анализа космической обстановки является обучение сверточных нейронных сетей на синтезированных данных о космических объектах. Особое внимание уделено проблемам, связанным с эффективным применением нейросетевых технологий, для чего исследован вопрос определения оптимальных параметров для улучшения точности сверточных нейронных сетей.
- Полный текст статьи
- Для прочтения полного текста необходимо купить статью
- Список цитируемой литературы
-
Нестечук А. Н., Шавин А. С., Хлебников С. Г. Нейросетевая модель идентификации состояния космического объекта по результатам оптических измерений // Оборонный комплекс - научно-техническому прогрессу России. 2022. № 1(153). С. 37-42.
Нестечук А. Н., Крупский К. А., Хлебников С. Г. Методика классификации состояния космического объекта по результатам оптических измерений с использованием методов машинного обучения // Вопросы оборонной техники. Серия 16: Технические средства противодействия терроризму. 2022. № 9-10(171-172). С. 43-49.
Шавин А. С., Крупский К. А., Кудинов М. Г., Исупов А. А. Методический подход к обоснованию требований к бортовым средствам мониторинга техногенных космических объектов с учетом их геометрических и отражательных характеристик // Вопросы радиоэлектроники. Серия Техника телевидения. 2022. Вып. 3. С. 15-24.
Нестечук А. Н., Хлебников С. Г., Шавин А. С. и др. Свидетельство о государственной регистрации программы для ЭВМ № 2022619139 Российская Федерация. Программа идентификации состояния космического объекта по результатам оптических измерений: № 2022618367. Заявл. 05.05.2022. Опубл. 19.05.2022. Заявитель Федеральное государственное бюджетное военное образовательное учреждение высшего образования "Военно-космическая академия имени А. Ф. Можайского" Министерства обороны Российской Федерации.
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 июня 2019 г. Зарегистрировано в Реестре программ для ЭВМ 20 июня 2019 г.
Bengio Y. Learning deep architectures for AI // Foundations and Trends in Machine Learning. 2009. V. 2. P. 1-127.
Yamashita R., Nishio M., Gian Do R. K., Togashi K. "Convolutional neural networks: An overview and application in radiology", Insights Imaging, Jun. 2018, [Online]. Available: https://doi.org/10.1007/s13244-018-0639-9.
Kim Phil. "MATLAB Deep Learning: With Machine Learning, Neural Networks and Artificial Intelligence". - Apress: Seoul, 2017. - 151 p.
Goodfellow Ian, Bengio Yoshua, Courville Aaron. "Deep Learning" / The MIT Press. Illustrated edition. - N.Y., 2017. - 800 p.
OShea K., Nash R. An introduction to convolutional neural networks, ArXiv151108458 Cs, Dec. 2015, Accessed: Jun. 8, 2024. [Online]. Available: http://arxiv.org/abs/1511.08458.
Jay Kuo C.-C. Understanding Convolutional Neural Networks with A Mathematical Model // J. Vis. Commun. Image R. 2016. doi: http://dx.doi.org/10.1016/j.jvcir.2016.11.003
Krichen M. Convolutional Neural Networks // Computers. 2023. V. 12. Р. 151. https://doi.org/10.3390/computers12080151.
- Купить
- 500.00 руб
