priborИзвестия высших учебных заведений. ПриборостроениеJournal of Instrument Engineering0021-34542500-0381Национальный исследовательский университет ИТМО10.17586/0021-3454-2024-67-11-943-950pribor-312Research ArticleМЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ И ТЕХНОЛОГИИ ПРОАКТИВНОГО УПРАВЛЕНИЯ СЛОЖНЫМИ ОБЪЕКТАМИMETHODOLOGICAL PRINCIPLES AND TECHNOLOGIES OF PROACTIVE CONTROL OF COMPLEX OBJECTSАнсамбли нейросетевых классификаторов в задаче анализа данных телеметрической информации малого космического аппаратаEnsembles of Neural Network Classifiers in the Problem of Analyzing Telemetry Information Data of a Small SpacecraftСкобцовВ. Ю.SkobtsovV. Yu.

Вадим Юрьевич Скобцов — канд. техн. наук, доцент; кафедра компьютерных технологий и программной инженерии; доцент; лаборатория информационных технологий в системном анализе и моделировании; ст. научный сотрудник

Vadim Yu. Skobtsov — PhD, Associate Professor; Department of Computer Technology and SoftwareEngineering; Associate Professor; Laboratory of Information Technologies in the System Analysis and Modeling; Senior Researcher

vasko_vasko@mail.ruСанкт-Петербургский государственный университет аэрокосмического приборостроения; Санкт-Петербургский институт информатики и автоматизации РАНSt. Petersburg State University of Aerospace Instrumentation; St. Petersburg Institute for Informatics and Automation of the RA2024071220246711943950Copyright © Национальный исследовательский университет ИТМО, 20242024Национальный исследовательский университет ИТМОНациональный исследовательский университет ИТМОhttps://pribor.ifmo.ru/jour/about/submissions#copyrightNoticehttps://pribor.ifmo.ru/jour/article/view/312

Рассматривается задача классификационного анализа данных временных рядов телеметрической информации малого космического аппарата в целях определения его технического состояния. Представлены результаты разработки и исследования ансамблевых моделей гибридных нейросетевых классификаторов на базе ансамблей типа бэггинг и AdaBoost. Представлена базовая модель гибридного нейросетевого классификатора, полученная последством разработанного генетического алгоритма автоматического поиска гибридных нейросетевых классификаторов. С использованием данной нейросетевой модели построена и обучена модель бэггинг-ансамбля гибридных нейросетевых классификаторов, качество которого превышает и качество базовой модели нейронной сети, и качество ансамблей классификаторов типа Random Forest, Bagging, Gradient Boosting, Adaptive Boosting, Histogram-based Gradient Boosting на базе деревьев принятия решения.

The problem of classification analysis of time series data of telemetry information of a small spacecraft is considered in order to determine its technical state. Results of development and research of ensemble models of hybrid neural network classifiers based on ensembles such as bagging and AdaBoost, are presented. The basic model of a hybrid neural network classifier, obtained by automatic search using a genetic algorithm for searching hybrid neural network classifiers, is considered. This neural network model makes it possible to build and train a bagging model of an ensemble of hybrid neural network classifiers, the quality of which exceeds both the quality of the basic neural network model and the quality of ensembles of classifiers such as Random Forest, Bagging, Gradient Boosting, Adaptive Boosting (AdaBoost), Histogram-based Gradient Boosting based on decision trees.

телеметрическая информациямалый космический аппаратгибридные нейросетевые классификаторыданные временных рядовмодели ансамблейбэггингбустингtelemetry informationsmall spacecrafthybrid neural network classifierstime series dataensemble modelsbaggingboostingисследования, выполненные по данной тематике, проводились при частичной финансовой поддержке бюджетной темы № FFZF-2022-0004.ReferencesИскусственный интеллект. Текущее состояние в России и мире. Стратегия России // Альманах „Искусственный интеллект“. 2019. № 1 [Электронный ресурс]: https://disk.yandex.by/i/JywGWfSz3HKkpw.Artificial Intelligence, 2019, no. 1, 151 p., https://disk.yandex.by/i/JywGWfSz3HKkpw. (in Russ.)Скобцов В. Ю., Новоселов Н. А. Исследование алгоритмов потоковой кластеризации при решении задачи ана лиза данных телеметрии малых космических аппаратов // Изв. вузов. Приборостроение. 2020. Т. 63, № 11. С. 1003–1011. DOI: 10.17586/0021-3454-2020-63-11-1003-1011.Skobtsov V.Yu., Novoselova N.A. Journal of Instrument Engineering, 2020, no. 11(63), pp. 1003–1011, DOI: 10.17586/0021-3454-2020-63-11-1003-1011. (in Russ.)Скобцов В. Ю., Архипов В. И. Нейросетевой анализ данных телеметрии бортовой аппаратуры космических аппаратов // Космическая техника и технологии. 2021. № 3(34). С.111–124.Skobtsov V.Yu., Arhipau V.I. Space Engineering and Technology, 2021, no. 3(34), pp. 111–124. (in Russ.)Fawaz H. I. et al. Deep learning for time series classification: A review // Data Mining and Knowledge Discovery. 2019. Vol. 33. P. 917–963 [Электронный ресурс]: https://doi.org/10.48550/arXiv.1809.04356.Fawaz H.I. et al. Data Mining and Knowledge Discovery, 2019, vol. 33, рр. 917–963, https://doi.org/10.48550/arXiv.1809.04356.Дудкин А. А. и др. Нейросетевая система мониторинга состояния и поведения подсистем космических аппаратов по телеметрическим данным для наземного командно-измерительного комплекса // VII Белорусский космический конгресс: Материалы конгресса, 24–26 окт. 2017, Минск. Минск, 2017. Т. 2. С. 193–196.Dudkin А.А. et al. VII Belorusskiy kosmicheskiy kongress (VII Belarusian Space Congress), Materials of the Congress, Minsk, October 24–26, 2017, vol. 2, рр. 193–196. (in Russ.)Marushko E. E., Doudkin A. A. Ensembles of Neural Networks for Forecasting of Time Series of Spacecraft Telemetry // Optical Memory and Neural Networks. 2017. Vol. 26, N 1. P. 47–54.Marushko E.E. and Doudkin A.A. Optical Memory and Neural Networks, 2017, no. 1(26), pp. 47–54.Rinkal Jain, Minal Rohit, Anand Kumar, Ayush Bakliwal, Ashwinkumar Makwana, Mrugendra Rahevar. Prediction of Telemetry Data using Machine Learning Techniques // Intern. Journal of Engineering Research & Technology. 2022. Vol. 11, iss. 09.Rinkal Jain, Minal Rohit, Anand Kumar, Ayush Bakliwal, Ashwinkumar Makwana, Mrugendra Rahevar, International journal of engineering research & technology (IJERT), 2022, no. 09(11).Chen Haoze, Zhijie Zhang. Hybrid neural network based on novel audio feature for vehicle type identification // Prof. of the IEEE Intern. Instrumentation and Measurement Technology Conf. (I2MTC), 25–28 May 2020. DOI: 0.1109/I2MTC43012.2020.9129183.Haoze Chen, Zhijie Zhang, IEEE International Instrumentation and Measurement Technology Conference (I2MTC), Proc. of the Intern. Conf., May 25–28, 2020, 2021, DOI: 0.1109/I2MTC43012.2020.9129183.Zhao N. Combination of Convolution-al Neural Network and Gated Recurrent Unit for Aspect-Based Sentiment Analysis // IEEE Access. 2021. Vol. 9. P. 15561–15569. DOI: 10.1109/ACCESS.2021.3052937.Zhao N. IEEE Access, 2021, vol. 9, рр. 15561–15569, DOI: 10.1109/ACCESS.2021.3052937.Skobtsov V. Yu. Binary classification of small satellites telemetry data based on deep learning approach // Applied Aspects of Information Technology. 2021. Vol. 4, N 4. P. 299–310.Skobtsov V.Yu. Applied Aspects of Information Technology, 2021, no. 4(4), pp. 299–310.Скобцов В. Ю.,Соколов Б. В. Гибридные нейросетевые модели в задаче мультиклассовой классификации данных телеметрической информации малых космических аппаратов // Вестн. ВГУ. Системный анализ и информационные технологии. 2022. № 3. С. 99–114.Skobtsov V.Yu., Sokolov B.V. Bulletin of the VSU. System analysis and information technology, 2022, no. 3, pp. 99– 114. (in Russian)Скобцов В. Ю., Соколов Б. В., Чжан В.-А., Фу М. Гибридные нейросетевые модели мониторинга данных временных рядов сложных объектов // Изв. вузов. Приборостроение. 2024. Т. 67, № 2. С. 200–204. DOI: 10.17586/0021-3454-2024-67-2-200-204.Skobtsov V.Yu., Sokolov B.V., Zhang W.A., Fu M. Journal of Instrument Engineering, 2024, no. 2(67), pp. 200–204, DOI: 10.17586/0021-3454-2024-67-2-200-204. (in Russ.)Géron A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. Sebastopol, CA: O’Reilly Media, Inc., 2019. 1065 p.Géron A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, Sebastopol, CA, O’Reilly Media, Inc., 2019, 1065 p.Skobtsov V. Y., Stasiuk A. Automatic Searching the Neural Network Models for Time Series Classification of Small Spacecraft’s Telemetry Data with Genetic Algorithms // Artificial Intelligence Application in Networks and Systems; Lecture Notes in Networks and Systems. 2023. Vol. 724. P. 800–811.Skobtsov V.Y., Stasiuk A. Artificial Intelligence Application in Networks and Systems, CSOC 2023, Lecture Notes in Networks and Systems, 2023, vol. 724, pp. 800–811.Кирилин А. Н. и др. Основные проектные характеристики и результаты эксплуатации группировки малых космических аппаратов научно-образовательного назначения cерии „Аист“ // Космическая техника и техно логии. 2019. № 1(24). С. 68–83.Kirilin A.N. et al. Space Engineering and Technology, 2019, no. 1(24), рр. 68–83. (in Russ.)

The authors declare that there are no conflicts of interest present.