Материалы 21-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса»
Москва, ИКИ РАН, 13–17 ноября 2023 г.

(http://conf.rse.geosmis.ru)

XXI.B.442

Применение алгоритмов машинного обучения для классификации данных в наземных космических системах

Иванов Д.А. (1)
(1) РУДН, Москва, Россия
На данном этапе развития современной науки предполагается междисциплинарное объединение между двумя областями: естественные научные исследования и технологическая инженерная база. Современные технологии передачи данных на большие расстояния, точное определение местоположения и прогнозирование погоды неразрывно связаны с использованием наземных космических систем. Однако, с увеличением и усложнением различной инфраструктуры в космосе и на земле, эффективный мониторинг и управление этими системами становятся все сложнее. Поэтому, классификация данных в наземных космических системах является важным фактором для автоматизации процессов мониторинга и управления.

Классификация данных в наземных космических системах имеет ряд преимуществ:
- упрощение анализа интерпретации большого объема данных, поступающих из различных источников, благодаря структурирования и организацию работы;
- оптимизация процессов и ресурсов путем определения приоритетов в управлении и мониторинге систем;
- увеличение скорости реагирования на изменения и снижение риска ошибок.
Например, в области космической навигации классификация может использоваться для определения типов космических объектов на основе их характеристик, таких как размер, форма или спектральные характеристики.

Применение алгоритмов машинного обучения в данной области имеет значительный потенциал. Оптимизировать процесс обработки и структурирования информации, поступающей из космических и земных источников, позволяет нейросетевой подход, который основан на трех типах нейронных сетей:
– сети прямого распространения (backpropagation): это одна из наиболее распространенных архитектур, которая широко применяется в прогнозировании и распознавании образов;
– сети с обратной связью, например, дискретная модель Хопфилда: они используются в основном для оптимизации вычислений и ассоциативной памяти;
– самоорганизующиеся сети, такие как модель Кохонена: они применяются в основном для кластерного анализа.
Основные преимущества этого подхода заключаются в возможности нелинейного разделения пространства образов и высокой скорости вычислений, которая достигается благодаря параллельной организации структуры искусственной нейронной сети.

Определить приоритеты в управлении и мониторинге систем, а также оптимизировать процессы и ресурсы позволяет метод на основе опорных векторов (SVM), в котором обучения основано исторических данных и создает модели, способные классифицировать новые данные с высокой точностью.

Анализ временных рядов с помощью машинного обучения может помочь в выявлении трендов, сезонности или аномалий в данных, что может быть полезно для прогнозирования будущих событий или поведения системы.

Таким образом, использования алгоритмов машинного обучения позволяет быстро и точно анализировать данные, определять приоритеты и принимать решения, что важно для обеспечения надежного и эффективного функционирования наземных космических систем.

Существуют различные инструменты и библиотеки для работы с методами машинного обучения в обработке данных в наземных космических системах. Например, для классификации данных, обнаружения объектов и других задач машинного зрения, можно использовать библиотеки TensorFlow, Keras, PyTorch.

Ключевые слова: Наземные космические системы, машинное обучение, мониторинг данных
Литература:
  1. Смирнов А.А., Чернов А.А. Применение нейронных сетей для классификации данных в наземных космических системах. Космические исследования и технологии, 2019, № 3, с. 57-64
  2. Кондратенко, В. В., Коробов, А. А. (2019). Применение методов машинного обучения для анализа данных наземных космических систем. Вестник Национального исследовательского Томского политехнического университета, 332(1), 43-51.

Презентация доклада



Ссылка для цитирования: Иванов Д.А. Применение алгоритмов машинного обучения для классификации данных в наземных космических системах // Материалы 21-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса». Москва: ИКИ РАН, 2023. C. 87. DOI 10.21046/21DZZconf-2023a

Технологии и методы использования спутниковых данных в системах мониторинга

87