Ссылка для цитирования : Скобцов В. Ю. Ансамбли нейросетевых классификаторов в задаче анализа данных телеметрической информации малого космического аппарата // Изв. вузов. Приборостроение. 2024. Т. 67, № 11. С. 943–950. DOI: 10.17586/0021-3454-2024-67-11-943-950.

Аннотация. 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, по лученная 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.

Ключевые слова: телеметрическая информация, малый космический аппарат, гибридные нейросетевые классификаторы, данные временных рядов, модели ансамблей, бэггинг, бустинг

Благодарность: исследования, выполненные по данной тематике, проводились при частичной финансовой поддержке бюджетной темы № FFZF-2022-0004.

Список литературы:

1. Искусственный интеллект. Текущее состояние в России и мире. Стратегия России // Альманах „Искусственный интеллект“. 2019. № 1 [Электронный ресурс]: https://disk.yandex.by/i/JywGWfSz3HKkpw.
2. 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.
3. Скобцов В. Ю., Архипов В. И. Нейросетевой анализ данных телеметрии бортовой аппаратуры космических аппаратов // Космическая техника и технологии. 2021. № 3(34). С.111–124.
4. 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.
5. Дудкин А. А. и др. Нейросетевая система мониторинга состояния и поведения подсистем космических аппа- ратов 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.
6. 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.
7. 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.
8. 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.
9. 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.
10. 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.
11. Скобцов В. Ю.,Соколов Б. В. Гибридные нейросетевые модели в задаче мультиклассовой классификации дан- ных телеметрической информации малых космических аппаратов // Вестн. ВГУ. Системный анализ и инфор- мационные технологии. 2022. № 3. С. 99–114.
12. Скобцов В. Ю., Соколов Б. В., Чжан В.-А., Фу М. Гибридные нейросетевые модели мониторинга данных вре- менных рядов сложных объектов // Изв. вузов. Приборостроение. 2024. Т. 67, № 2. С. 200–204. DOI: 10.17586/0021-3454-2024-67-2-200-204.
13. Géron A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. Sebastopol, CA: O’Reilly Media, Inc., 2019. 1065 p.
14. 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.
15. 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.