Модели и алгоритмы обработки траекторной информации на основе методов классификации и регрессионного анализа тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Спицын Сергей Владимирович

• Спицын Сергей Владимирович
• кандидат наук
• 2021

Оглавление диссертации кандидат наук Спицын Сергей Владимирович

Введение

Глава 1. Анализ современных методов обработки, анализа и представления тми, содержащей траекторные данные объекта. Выбор направлений исследований

1.1 Задачи обработки и анализа телеметрической информации,

содержащей траекторные данные объекта

1.2 Основные методы расчёта траекторных параметров

1.3 Основные преобразования систем координат

1.4 Анализ существующей строгой модели расчёта траектории

объекта на активном участке полёта

1.5 Анализ существующей строгой модели расчёта баллистической

траектории на пассивном участке (свободный участок полёта)

1.6 Информационная модель предметной области

1.7 Выбор направлений исследования и постановка задачи

1.8 Выводы по первой главе

Глава 2. Модели и алгоритм расчёта баллистической траектории отделяющихся частей сложного изделия РКТ с использованием линейной регрессии

2.1 Алгоритм расчёта баллистической траектории отделяющихся

частей объекта с формированием признаков попадания и промаха

2.2 Этап прогнозирования численных значений траекторных

параметров объекта с помощью линейных регрессионных моделей

2.3 Подбор оптимальных регрессионных моделей

2.4 Анализ эффективности и основные результаты

2.5 Выводы по второй главе

Глава 3. Модель и алгоритм детектирования нештатных и аварийных состояний объекта на основе неявных признаков траекторных отклонений

3.1 Анализ актуальности разработки модели и алгоритма

детектирования нештатных и аварийных состояний

3.2 Анализ основных критериев информативности классификатора

3.3 Модель классификатора бортовых состояний объекта РКТ

3.4 Подбор эффективных метрик качества

3.5 Подбор эффективной первичной модели на основе метрик

качества классификатора

3.6 Анализ эффективности предложенной методики оптимизации

гиперпараметров модели классификатора

3.7 Интеграция первичной модели классификатора в алгоритм

«случайного леса»

3.8 Анализ эффективности предложенной модели и алгоритма

3.9 Расширение возможностей визуализации хода натурных работ за

счет полученных результатов диссертации

3.10 Выводы по третьей главе

Заключение

Библиографический список

ПРИЛОЖЕНИЕ А (справочное) Акты внедрения

ПРИЛОЖЕНИЕ Б (справочное) Результаты прогнозирования регрессионных моделей

ПРИЛОЖЕНИЕ В (справочное) Свидетельства о регистрации программ для ЭВМ

Введение диссертации (часть автореферата) на тему «Модели и алгоритмы обработки траекторной информации на основе методов классификации и регрессионного анализа»

ВВЕДЕНИЕ

Актуальность темы исследования. Одной из приоритетных задач при проведении ракетных пусков (полигонных испытаний) является обработка, анализ и представление траекторных измерений, поступающих с борта изделия с общим потоком цифровой телеметрической информации (ТМИ) и описывающих баллистическую траекторию полёта. В связи с тем, что сложные изделия ракетно-космической техники (РКТ), как правило, состоят из нескольких ступеней, к таким задачам также относится и установление фактических географических координат точек падения отделяющихся частей. Исходя из этого, в том числе формируется и признак попадания или промаха - посредством сопоставления с зоной расчетных географических координат и учетом предельно допустимых отклонений. От эффективности обработки и безошибочности траекторных расчётов и основанной на них оперативной оценки состояния изделия во многом зависит качественное выполнение поставленных задач натурных работ. Основные сложности, связанные с выделением из общего потока ТМИ цифрового кадра, содержащего траекторную информацию, его дальнейшей обработкой и представлением, заключаются:

- в жёстких временных ограничениях, характерных для лётного эксперимента в режиме реального масштаба времени (РМВ);

- во внешних факторах, влияющих на достоверность обрабатываемой информации, поступающей от подвижных и удалённых объектов;

- в ограниченных вычислительных мощностях программно-аппаратного обеспечения полигонного измерительного комплекса (ПИК), задействованного в лётном эксперименте (ракетном пуске) и разнородности телеметрической информации.

Для того чтобы минимизировать негативное влияние вышеперечисленных факторов и их комбинаций, требуется применение информационно-аналитических систем, основанных на современных методах, позволяющих сократить значительный объём непрерывных математических вычислений за счёт введения в методику (алгоритм) расчёта этапов прогнозирования численных

величин с приемлемым уровнем точности, а также выделить в задачи бинарной классификации детектирование аварийных (нештатных) ситуаций и отклонений определенных телеметрируемых параметров от их допустимых значений.

К наиболее эффективным способам решения данных задач следует отнести современные методы регрессионного анализа и машинного обучения, «data mining», нейронные сети, логистическую регрессию, а также другие методы интеллектуальной и предсказательной аналитики. Эффективное и правильное применение построенных на этих методах информационно-аналитических систем и их моделей не только увеличивает скорость обработки данных, снижая при этом влияние «человеческого фактора», но также в значительной степени минимизирует требования к аппаратному обеспечению и наличию квалифицированного персонала инженеров-испытателей, что в свою очередь выгодно отражается на экономической стороне вопроса.

Степень разработанности темы исследования. В настоящее время с ростом количества параметров ТМИ, подлежащих контролю во время натурных работ, наблюдается и существенное сокращение временных отрезков, отведённых на оперативную обработку информации, принятие решений и выдачу заключений о результатах пуска, что говорит о необходимости и важности внедрения в ракетно-космическую отрасль систем интеллектуального анализа данных не только на этапе лётного эксперимента (режима РМВ), но и на этапах подготовки и послеполётного анализа (отложенного сеанса). В области искусственного интеллекта, ранее относящегося к области кибернетики, фундаментальные исследования связывают с С.Ю. Масловым, Д.А. Поспеловым, Г.С. Поспеловым, Г.С. Осиповым, А. Ньюэллом ^.Newell) и Г. Саймоном (H.Simon) [28,35,37,104], чьи труды получили дальнейшее развитие в работах современных отечественных исследователей В.П. Корячко, А.Н. Пылькина Л.А. Демидовой [23,24,38]. Ключевая монография Г.С. Осипова [35] содержит изложение основных методов представления знаний, моделирования рассуждений, моделирования поведения, методов обучения и приобретения знаний интеллектуальными системами, а также методов автоматизации приобретения знаний.

Ежегодно появляются публикации, посвященные прогнозированию траектории подвижных объектов посредством современных методов машинного обучения [65,67,78,84-85,94,95,99,103,114,121,152,128-131], способные дополнить классические работы Р.Ф. Аппазова, Б.Ц. Бахшияна, М.Б. Балка, В.С. Яценкова, посвященные траекторной тематике космических аппаратов [2,12,13,15,62]. Основными работами, направленными на исследование проблем, связанных с полигонными испытаниями сложных изделий РКТ и обработкой телеметрической информации являются работы В.И. Белицкого, В.А. Меньшикова, А.В. Назарова, Г.И. Козырева [9,27,29,30,33,43]. Задачи, связанные с подбором оптимальных классификаторов состояний сложных многопараметрических объектов рассматриваются в [83,92,93,97,98,], современные методы прогнозирования, регрессионного анализа и кластеризации в [65,70]. Вопросы классификации ложных и истинных аварийных ситуаций описаны во множестве работ, таких как работы [64,76,77,105,116,123,127]. Фундаментальные исследования ключевых методов классификации и регрессии, таких как «дерево решений», CART, «лес решений» связывают с Л. Брейманом (L. Breiman) и А. Катлер (A. Cutler) [72,80].

Объектом исследования являются процессы обработки и анализа цифровой телеметрической информации, содержащей кадры бортовой навигационной аппаратуры потребителя в части траекторной информации.

Предмет исследования - унифицированные модели и алгоритмы обработки и анализа траекторной информации, поступающей с борта изделия РКТ при проведении полигонных испытаний, включающие в себя этапы расчета географических координат точек падения отделяющихся частей изделия для формирования признака попадания и промаха, а также этапы детектирования возникновения нештатных ситуаций и прогнозирования численных значений координат посредством методов машинного обучения и регрессионного анализа.

Целью диссертационного исследования является повышение производительности, объективности оценок и уровня автоматизации процессов обработки, анализа и представления траекторной информации объекта (сложного изделия ракетно-космической техники) в системах информационно-

аналитического и телеметрического обеспечения полигонных измерительных комплексов. Для достижения поставленной цели необходимо решить следующие основные задачи:

- провести исследование и сравнительный анализ существующих современных и перспективных методов обработки траекторных измерений, моделей и алгоритмов расчёта баллистической траектории сложных изделий ракетно-космической техники;

- выработать технические предложения, обеспечивающие высокий уровень автоматизации и объективности, направленные на повышение быстроты обработки, анализа и представления траекторной ТМИ и позволяющие минимизировать требования к производительности аппаратно-программных средств полигонного измерительного комплекса;

- провести анализ процессов обработки зарегистрированной в ходе лётного эксперимента ТМИ, и включающих в себя стадии выделения цифровой кадровой структуры, содержащей траекторную информацию объекта, её обработки и формирования единого унифицированного формата представления выделенных параметров для последующего анализа и передачи в смежные системы;

- разработать модели и алгоритм расчёта баллистической траектории отделяющихся частей сложного изделия РКТ для формирования признаков попадания и промаха, обеспечивающих автоматизацию процессов обработки и анализа траекторной ТМИ;

- в отдельные расчётные этапы разработанного алгоритма ввести этапы регрессионного анализа данных с прогнозированием соответствующими моделями численных значений траекторных параметров, с целью снижения объема математических вычислений и, как следствие, минимизации требований, предъявляемых к производительности аппаратно-программных средств полигонного измерительного комплекса;

- разработать эффективную методику оптимизации гиперпараметров модели классификатора, а также модель и алгоритм интеллектуального детектирования возникновения нештатных и аварийных ситуаций на борту

изделия РКТ на основе неявных признаков траекторных отклонений, основанные на бинарной классификации состояний объекта (штатного и нештатного) с целью увеличения объективности и оперативности аналитической оценки хода и результатов пуска;

- провести анализ целесообразности и эффективности применения и внедрения предложенных моделей и алгоритмов.

Научная новизна диссертационной работы заключается в том, что в ней впервые предложены:

- модели и алгоритм расчёта баллистической траектории отделяющихся частей многопараметрического объекта РКТ (сложного изделия ракетно-космической техники) для формирования признаков попадания и промаха, отличающиеся от известных тем, что при их реализации предложено использовать элементы теории машинного обучения и прогнозирования численных значений траекторных параметров посредствам методов регрессионного анализа, что позволяет обеспечить высокий уровень автоматизации процессов обработки и анализа траекторной ТМИ, минимизировать требования к производительности аппаратно-программных средств ПИК и снизить влияние «человеческого фактора»;

- методика подбора эффективной первичной модели классификатора бортовых состояний объекта, имеющая большую практическую значимость в описании штатного функционирования сложного многопараметрического объекта РКТ и исследовании причин возникновения нештатных состояний;

- модель и алгоритм детектирования возникновения нештатных и аварийных ситуаций бортовых систем объекта на основе неявных признаков траекторных отклонений, отличающиеся от известных тем, что при их реализации предложено использовать методы интеллектуального анализа данных с подбором оптимального бинарного классификатора состояний «норма/не норма» для перехода бортовых систем из штатного состояния функционирования в аварийное, что позволяет значительно повысить уровень объективности оценок как текущего состояния изделия, так и результатов пуска в целом, а также

повысить оперативность выработки решений, направленных на предотвращение возможных нежелательных последствий.

Практическая значимость работы состоит в том, что предложенные модели и алгоритмы обработки и анализа цифровой телеметрической информации, содержащей траекторные данные сложного изделия РКТ, обеспечивают:

- снижение вычислительной нагрузки на аппаратно-программные средства полигонного измерительного комплекса за счёт минимизации объёма производимых математических вычислений, как в режиме РМВ, так и в режиме после сеанса;

- повышение эффективности и функциональных возможностей штатного персонала в процессе проведения лётного эксперимента и натурных работ со сложным изделием РКТ за счет повышения уровня автоматизации процессов обработки, анализа и представления ТМИ;

- повышение объективности анализа и оценки ТМИ, зарегистрированной во время лётных испытаний и интеллектуальное детектирование возникновения нештатных (аварийных) ситуаций, что даёт возможность оперативной выработки технических решений по предотвращению возможных негативных последствий.

Методы исследования. Для решения поставленных задач использовались методы машинного обучения, классификации, математической статистики, системного анализа, методы регрессионного анализа данных, а также библиотеки для статистической обработки данных высокоуровневых языков программирования R, С++ и Python.

Соответствие паспорту специальности 05.13.01. Диссертация соответствует паспорту специальности 05.13.01 - «Системный анализ, управление и обработка информации (технические системы)» в части:

- п.5 «Разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации»;

- п.11 «Методы и алгоритмы прогнозирования и оценки эффективности, качества и надежности сложных систем»;

- п.12 «Визуализация, трансформация и анализ информации на основе компьютерных методов обработки информации»;

- п.13 «Методы получения, анализа и обработки экспертной информации».

Апробация работы. Основные положения диссертационной работы

докладывались и обсуждались:

- на международной научно-технической конференции «MIST: Aerospace-III 2020: Передовые технологии в аэрокосмической отрасли, машиностроении и автоматизации» (Красноярск, 2020). Сборник IOP Conference Series: Materials Science and Engineering (MSE) материалов конференции проиндексирован Scopus и Web of Science;

- на всероссийских и международных конференциях «Современные технологии в науке и образовании. Вычислительная техника и автоматизированные системы» (Рязань, 2017, 2018, 2019, 2020), «Актуальные проблемы современной науки и производства» (Рязань, 2020), «V Всероссийской военно-научной конференции «Проблемы применения космических сил и средств в системе операций вооруженных сил Российской Федерации» (Санкт-Петербург, 2020). Положения диссертации апробированы при защите НИР, эскизных и технических проектов ОКР в АО «РКЦ «Прогресс» - ОКБ «Спектр» г. Рязань.

Внедрение. Результаты работы успешно использованы филиалом АО «РКЦ «Прогресс» - ОКБ «Спектр» г. Рязань при разработке аппаратно-программных комплексов сбора, обработки, анализа и представления телеметрической информации для «4-го Государственного Центрального Межвидового Полигона Министерства Обороны Российской Федерации» и «1-го Государственного испытательного космодрома Министерства обороны Российской Федерации», что подтверждается соответствующими актами внедрения. Получено свидетельство о государственной регистрации программы для ЭВМ, в которой реализованы разработанные модели и алгоритмы.

Достоверность. Достоверность результатов исследования подтверждается математическими и экспериментальными обоснованиями и доказательствами, а также успешным практическим внедрением и штатной эксплуатацией спроектированных на основе предложенных алгоритмов аппаратно-программных комплексов обработки, представления и анализа бортовой ТМИ.

Публикации. По теме диссертации опубликовано 11 печатных работ, из них 5 статей в изданиях, рекомендованных ВАК РФ для публикации результатов кандидатских диссертаций, 1 статья, индексируемая Scopus и Web of Science. Получено свидетельство о регистрации программы для ЭВМ.

Положения, выносимые на защиту:

1. Модели и алгоритм расчёта баллистической траектории отделяющихся частей сложного изделия РКТ с использованием линейной регрессии позволяют с допустимым уровнем точности прогнозировать районы падения отделившихся частей конструкции при повышении оперативности обработки траекторной ТМИ в среднем на 21,4% по сравнению с базовыми строгими моделями расчёта траектории на пассивных участках полёта.

2. Методика оптимизации гиперпараметров модели классификатора бортовых состояний сложного многопараметрического объекта РКТ решает задачу построения оптимальной модели бинарного классификатора состояний эффективнее (по показателям AUC) существующих базовых методик на 1,33% в условиях малых объемов обучающей выборки данных и на 6,25% в условиях равномерного распределения исходного набора траекторных измерений, частота ошибок первого и второго рода составляет 3,34% и 5,24% соответственно.

3. Модель и алгоритм интеллектуального детектирования возникновений нештатных и аварийных состояний на борту объекта РКТ на основе неявных признаков траекторных отклонений решают задачу повышения точности классификаций текущего состояния бортовых систем по косвенному признаку в зоне неопределённостей состояний эффективнее аналогичных на 7,74% в условиях малых объемов обучающей выборки и на 6,97% при равномерном распределении траекторной информации на обучающие и тестовые наборы.

Структура и объем работы. Диссертация состоит из введения, трёх глав с выводами и основными результатами, заключения, списка литературы и приложений. Основной текст работы содержит 135 страниц, 48 рисунков и 21 таблицу. Список литературы содержит 13 страниц и включает 131 наименование. В приложениях приведены акты внедрения результатов диссертации (Приложение А), результаты экспериментальных исследований (Приложение Б) и свидетельства о регистрации программ для ЭВМ (Приложение В).

ГЛАВА 1 . АНАЛИЗ СОВРЕМЕННЫХ МЕТОДОВ ОБРАБОТКИ, АНАЛИЗА И ПРЕДСТАВЛЕНИЯ ТМИ, СОДЕРЖАЩЕЙ ТРАЕКТОРНЫЕ ДАННЫЕ ОБЪЕКТА. ВЫБОР НАПРАВЛЕНИЙ ИССЛЕДОВАНИЙ

1.1 Задачи обработки и анализа телеметрической информации, содержащей траекторные данные объекта

1.1.1 Общий порядок действий и технологические этапы при работе с

траекторной ТМИ

Полноценная и объективная оценка результатов этапа лётного эксперимента при проведении полигонных испытаний сложного изделия РКТ во многом зависит от качества и быстроты производимой обработки и анализа зарегистрированной цифровой ТМИ, содержащей кадры бортовой навигационной аппаратуры потребителя (траекторные измерения). Ключевыми моментами в этом вопросе является реализация следующих пунктов:

- определение общей последовательности действий для обработки, анализа и представления траекторных данных объекта;

- определение этапов извлечения цифровых параметров и формирования выходных кадровых структур траекторных измерений;

- определение необходимых для решения траекторной задачи первичных и вторичных величин, а также выбор подходящей методики математического расчета;

- определение методики перехода между различными системами координат;

- определение и формирование единого унифицированного формата для визуализации и графического представления траекторных данных объекта.

Процесс обработки траекторной ТМИ должен включать в себя формирование соответствующих выходных кадровых структур из зарегистрированной в форматах штатных систем (ЕГНАКУ или ССБОБ) ТМИ, графическое представление и визуализацию диагностической (служебной) траекторной информации на графиках и таблицах (в том числе и отображение информации о доступных навигационных спутниках), допусковый контроль и

расчёт отклонений траекторных параметров от их допустимых значений в режиме реального масштаба времени (РМВ) и послесеансной обработки (ПСО) с выдачей заключений по принципу «норма/не норма». Также должно быть предусмотрено графическое представление следа опытной, расчётной и априорной траектории на географических картах с применением геоинформационных систем (ГИС) и графиках. Требуется регистрация промежуточных и окончательных результатов анализа и обработки от смежных систем посредствам согласованного унифицированного формата, а также ведение базы данных накопленной информации для дальнейшего статистического анализа и учёта в последующих натурных работах (ракетных пусках) [52].

Таким образом, современный процесс обработки траекторной ТМИ при проведении ракетных пусков, разделённый на несколько технологических этапов имеет следующий вид (Рисунок 1.1):

На начальном этапе производится подготовка исходных данных на обработку информации и описание правил извлечения цифровых структур траекторных данных, т.е. производится определение соответствующих адресов цифровых параметров в структуре телеметрического потока и коэффициентов цены младшего разряда для последующего преобразования извлечённых параметров. Определяется порядок и технология рассылки выделенной траекторной ТМИ потребителям, в качестве которых выступают рабочие станции штатного персонала инженеров-испытателей, производится описание циклограммы полёта, априорной траектории и выбор общеземного эллипсоида для построения трехмерной модели полёта и отображения следа траектории на карте. Описание циклограммы содержит в себе коды событий, по которым фактически осуществляется временная привязка к измерениям координат и выявляется отделение борта изделия от носителя. На этапе анализа производится определение параметров движения и событий, необходимых для отображения на графиках и картах, а также определение планового времени отделения элементов конструкции сложного изделия РКТ и полезной нагрузки [10].

Начало

и

Подготовка

Ввод описания циклограммы полёта объекта и априорных траекторий

Подготовка модели полёта и отображения следа траектории на картах

Подготовка заданий на обработку ТМИ, содержащей траекторные измерения

Обработка Обработка траекторной ТМИ

Обработка цифровой ТМИ

Оценка качества зарегистрированной ТМИ

_I_

Анализ

Анализ отклонений траекторных параметров от допустимых значений

Прогнозирование

_у_

Представление

Графическое представление и визуализация траекторной информации

Ведение базы данных и документирование для дальнейшего анализа в режиме ПСО и последующих натурных работ

у

Конец

Рисунок 1.1 - Технологические этапы при работе с траекторной ТМИ

>

С

1.1.2 Этапы первичной обработки цифровых траекторных параметров

В отличие от кадра бортового цифрового вычислительного комплекса, цифровой кадр бортовой навигационной аппаратуры потребителя рассматривается как фиксированная структура с неизменным составом параметров. Относительно циклов ТМИ, кадры поступают асинхронно, т. е. частота поступления кадров не кратна частоте следования телеметрических блоков, а начало кадра не связано с началом цикла. Кадр извлекается по заранее известному маркеру (признаку начала кадра) и соответствующей контрольной характеристике. Общая последовательность действий, выполняемая при обработке цифровой телеметрической информации, содержащей траекторные дынные объекта при этом следующая (Рисунок 1.2):

Рисунок 1.2 - Схема обработки ТМИ, содержащей траекторную информацию

а) в зарегистрированной во время лётного эксперимента ТМИ по адресам цифровых устройств в телеметрической системе (ТМС) извлекается подпоток параметров который после временной привязки записывается в цифровой массив

данных в том порядке измерительных каналов, в каком они были извлечены из телеметрии. За эту функцию отвечает обработчик полных потоков ТМИ в формате ЕГНАКУ или CCSDS который предшествует модулю обработки траекторной ТМИ бортовой навигационной аппаратуры в технологической цепи;

b) в сформированном сокращённом потоке ТМИ осуществляется поиск маркера кадровой структуры. После нахождения маркера и выявления искомой комбинации машинных слов осуществляется проверка контрольных характеристик, соответствующих БНАП. После этого выделенный кадр протоколируется в файл цифровых структур и направляется на дальнейшую обработку для извлечения параметров движения изделия;

c) стадия адресации, маскирования и формирования измерительного слова -в сформированном кадре осуществляется поиск нужного траекторного параметра по адресу в цифровом массиве данных. Адреса в структуре бортовой навигационной аппаратуры - фиксированные и определяются протоколом сопряжения с ТМС, а также заранее согласованной методикой обработки [27];

ё) стадия преобразования кода цифрового траекторного параметра в единицы физических величин посредствам умножения на коэффициент цены

младшего разряда, в соответствии с формулой Рфиз.величин = Рцифр.кодаКЦМР ;

е) стадия формирования унифицированного потока представления траекторных параметров, необходимого для визуализации траекторной информации в программах графического представления. Отображению посредствам такого потока подлежат следующие данные:

а) решение навигационной задачи (для отображения моделей полёта на таблицах и картах):

- три геоцентрические координаты в системе для общеземного эллипсоида (ПЗ-90 для перспективных прецизионных систем и WGS-84 для аппаратуры типа «Триада») и три проекции вектора скорости в той же геоцентрической системе;

- время, на которое даётся решение (всемирное координированное (UTC), московское или требующие априорной поправки для приведения к UTC время систем ГЛОНАСС и GPS);

b) требуемая для формирования диагностической диаграммы информация о навигационных спутниках включающая: номера спутников, определяющие их принадлежность к глобальным системам ГЛОНАСС или NAVSTAR , а также уровни «сигнал/шум» и состояния измерительных каналов, характеризующие участие в решении навигационной задачи, отсутствие/наличие приёма, срыв приёма, экстраполяцию и синхронизации различной степени (коду или фазе);

c) условная процентная оценка достоверности принимаемой информации.

В связи с тем, что графическое представление траекторной информации

подразумевает позиционирование точки траектории на карте, т.е. наложение координат на определённый земной эллипсоид, рассылке на отображение должно предшествовать преобразование для перехода из одной прямоугольной геоцентрической системы координат в другую - преобразование Гельмерта [62].

1.1.3 Оценка качества траекторной информации

Цифровой кадр траекторных данных навигационной аппаратуры технически не может быть собран, если входная телеметрия недостоверна. При наличии помех искомый маркер может быть искажён и начало кадра не будет найдено. При искажении же самого тела кадра проверка контрольной характеристики должна отбраковать результат. Таким образом, на обработку и анализ целесообразно отправлять только прошедшие проверку контрольной характеристики кадры. Следовательно, наличие кадра как такового может свидетельствовать о высоком качестве телеметрии, но ничего не говорить о качестве измерения координат и проекций вектора скорости. Тем самым, оценка качества траекторной информации выносится в самостоятельный вопрос, в котором должны быть учтены признаки готовности данных в структуре кадра навигационной аппаратуры, а также количество спутников КНС, задействованных в решении навигационной задачи. Частичное уменьшение выдаваемой

Список литературы диссертационного исследования кандидат наук Спицын Сергей Владимирович, 2021 год

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Андрейчиков А.В., Андрейчикова О.И. Интеллектуальные информационные системы. - М.: Финансы и статистика, 2004. - 464 с.

2. Аппазов Р.Ф., Сытин О.Г. Методы проектирования траекторий носителей и спутников земли. - М.: Наука. Гл. ред. физ.-мат. лит., 1987. - 440 с.

3. Ацюковский В.А. Основы организации системы цифровых связей в сложных информационно-измерительных комплексах. - М.: Энергоатомиздат, 2001. - 97 с.

4. Ашарина И.В., Крупская Ж.Ф. Язык С++ и объектно-ориентированное программирование в С++. Лабораторный практикум: учебное пособие для вузов. ЭБС «Лань». Изд-во Горячая линия-Телеком, 2016. - 232 с.

5. Айзерман М.А., Браверман Э.М., Розоноэр Л.И. Метод потенциальных функций в теории обучения машин. - М.: Наука. Гл. ред. физ.-мат. лит., 1970. - 384 с.

6. Барский А.Б. Нейронные сети. Распознавание, управление, принятие решений. - М.: Финансы и статистика, 2004. - 176 с.

7. Болотова Л.С. Системы искусственного интеллекта: модели и технологии, основанные на знаниях: учебник - М., 2012. - 664 с.

8. Ботровская Е.В., Давыдова Н.А. Основы искусственного интеллекта. - М.: БИНОМ, 2014. - 127 с.

9. Белицкий В.И. Телеметрия. - МО СССР, 1984. - 465 с.

10. Балашов С.Ю., Спицын С.В. Особенности обработки, анализа и представления траекторных измерений при проведении пусков изделий РКТ // Вестник Рязанского государственного радиотехнического университета. 2019. №69. - С. 175-184. D0I:10.21667/1995-4565-2019-69-175-184

11. Бахшиян Б.Ц., Назиров Р.Р., Эльясберг П.Е. Определение и коррекция движения (Гарантирующий подход).- М., 1980. - 360 с.

12. Бахшиян Б.Ц., Федяев К.С. Основы космической баллистики и навигации. Курс лекций. - М., 2013. - 120 с.

13. Балк М.Б. Элементы динамики космического полёта. - М.: Наука. Гл. ред. физ.-мат. лит., 1965. - 340 с.

14. Богданов А.А., Спицын С.В., Тихомиров С.А. Методы регрессионного анализа в обработке траекторной информации изделий ракетно-космической техники // Вестник Рязанского государственного радиотехнического университета. 2020. №74. - С. 80-88. D0I:10.21667/1995-4565-2020-74-80-88

15. Бэттин Р. Наведение в космосе. - М.: Машиностроение, 1966. -

448 с.

16. Волкова В.Н., Денисов А.А. Теория систем. - М.: Высшая школа, 2006. - 511 с.

17. Воронцов К.В. Математические методы обучения по прецедентам (теория обучения машин) [Электронный ресурс]. Режим доступа: http://www.ccas.ru/voron.

18. Вьюгин В.В. Математические основы теории машинного обучения и прогнозирования. - М.: 2013. - 387 с.

19. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. - СПб.: Питер, 2000. - 384 с.

20. Гаскаров Д.В. Интеллектуальные информационные системы: Учебник. - М.: Высшая школа, 2003. - 433 с.

21. ГОСТ 4401-81. Атмосфера стандартная. Параметры.

22. Джексон П. Введение в экспертные системы: Учебное пособие. -М: Вильямс, 2001. - 624 с.

23. Демидова Л.А., Кираковский В.В., Пылькин А.Н. Принятие решений в условиях неопределенности. М.: Горячая линия-Телеком. 2012. -288 с.

24. Иванов А.В., Корячко В.П., Сериков С.А. Анализ влияющих факторов и построение системы поддержки принятия решений при

испытании РКТ на основе многокритериальной оптимизации // Цифровая обработка сигналов. 2010. № 3. С. 13-16.

25. Капитонов В.А. Кононенко А.В. Тихомиров С.А. Среда автоматизированного анализа измерительной информации космических ракетоносителей // Вестник Самарского Государственного аэрокосмического университета имени академика С.П. Королева. Самара, 2013. №4. - С.154-162.

26. Каллан Р. Основные концепции нейронных сетей. - М.: Издательский дом «Вильямс», 2003. - 289 с.

27. Лоскутов А.И., Кудряков С.Г., Козырев Г.И., Шитов И.В., Обрученков В.П., Назаров А.В., Древин А.В., Соколов С.М., Якимов В.Л., Петров А.И., Краскин В.Б. Современная телеметрия в теории и на практике. Учебный курс. СПб: Наука и техника, 2007. - 672 с.

28. Левитин К.Е., Поспелов Д. А. Будущее искусственного интеллекта. М: Наука, 1991. - 302 с.

29. Меньшиков В.А. Полигонные испытания. Книга I. М.: «КОСМО», 1997. - 410 с.

30. Меньшиков В.А. Полигонные испытания. Книга II. М.: «КОСМО», 1999. - 240 с.

31. Новиков Ю. А., Тимашев А. В., Филаткин С. В. Оценка эффективности систем сбора, передачи и обработки измерительной информации реального времени // Цифровая обработка сигналов. 2010. № 3/10, - С. 17-20.

32. Назаров А.В., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. - СПб: Наука и Техника, 2003. - 384 с.

33. Назаров А.В., Козырев Г.И., Шитов И.В. Современная телеметрия в теории и на практике. Учебный курс. - СПб.: Наука и техника, 2007. - 672 с.

34. Олейник И.И., Суворов А.В., Пискунов А.А. Натурная отработка сложных технических комплексов. - М.: Наука, 1990. - 240 с.

35. Осипов Г.С. Методы искусственного интеллекта. - М.: ФИЗМАТЛИТ, 2011. - 296 с.

36. Положение РК-11-КТ. Положение о порядке создания, производства и эксплуатации (применения) ракетных и космических комплексов.

37. Поспелов Г.С. Искусственный интеллект - основа новой информационной технологии.- М.: Наука, 1988. - 280 с.

38. Пылькин А.Н., Тишкин Р.В., Труханов С.В. Задачи Data Mining и их решение в современных реляционных СУБД // Вестник Рязанского государственного радиотехнического университета.№38. 2011. - С. 60-65.

39. Рассел С., Норвиг П. Искусственный интеллект: современный подход - М.: Издательский дом «Вильямс», 2006. - 1408 с.

40. Рыков А.С. Методы системного анализа: многокритериальная и нечеткая оптимизация, моделирование и экспертные оценки. М.: Экономика, 1999. - 191 с.

41. Самарский А.А., Михайлов А.П. Математическое моделирование. - М.: Наука; Физматлит, 1997. - 428 с.

42. Советов Б.Я., Цехановский В.В. Информационные технологии. -М.: Высшая школа, 2008. - 263 с.

43. Степкин В.С., Шмыголь С.С. Автоматизированная обработка и анализ телеметрической информации. - МО СССР, 1980. - 515 с.

44. Спицын С.В., Тихомиров С.А. Модель классификатора бортовых состояний изделия ракетно-космической техники на основе неявных признаков траекторных отклонений // Вестник Рязанского государственного радиотехнического университета. 2021. №75. - С. 133-141. DOI: 10.21667/1995-4565-2021-75-133-141

45. Спицын С.В., Товпеко А.В., Тихомиров С.А. Алгоритм обработки траекторных измерений при проведении ракетных пусков // Вестник

Рязанского государственного радиотехнического университета. 2019. № 70. -С. 118-126. Б01: 10.21667/1995-4565-2019-70-118-126

46. Спицын С.В., Товпеко А.В. Алгоритм расчета целеуказаний измерительным средствам // Радиотехника №11(18), 2019. - С. 28-34. Б01: 10.18127/]00338486-201911(18)-04

47. Спицын С. В., Королев А. В. Цикличный способ формирования электронных графиков работ и эксплуатации сложных технический объектов // Международный научно-технический форум СТНО-2017. Сборник трудов. Том 4. Рязань. 2017. - С. 268-271.

48. Спицын С. В., Товпеко А. В. Основные показатели качества систем сбора и обработки измерений при проведении пусков изделий РКТ // Международный научно-технический форум СТНО-2018. Сборник трудов. Том 5. Рязань. 2018. - С. 211-217.

49. Спицын С. В., Товпеко А. В. Актуальные проблемы расчета целеуказаний измерительным средствам при обеспечении ракетных пусков // Международный научно-технический форум СТНО-2019. Сборник трудов. Том 4. Рязань. 2019. - С. 188-193.

50. Спицын С. В. Обработка и анализ траекторных измерений при проведении полигонных испытаний // Международный научно-технический форум СТНО-2020. Сборник трудов. Том 6. Рязань. 2020. - С. 173-176.

51. Спицын С. В. Применение линейной регрессии в прогнозировании баллистической траектории // Всероссийская научно-техническая конференция «Актуальные проблемы современной науки и производства». Сборник трудов. Рязань. 2020.

52. Товпеко А. В. Архитектура и принцип действия системы управления измерительными средствами при обеспечении ракетных пусков // Вестник Рязанского государственного радиотехнического университета. 2015. № 51. - С. 79-89.

53. Тихомиров С.А. Экспертная система анализа телеметрической информации космических ракетоносителей // Вестник Рязанского государственного радиотехнического университета. 2014. № 3. - С. 33-41.

54. Тихомиров С.А. Алгоритмы анализа телеметрической информации и поддержки принятия решений в системах автоматизации испытаний космических ракет-носителей. Диссертация на соискание ученой степени кандидата технических наук. Рязанский государственный радиотехнический университет. Рязань 2014.

55. Тюрин Ю.Н., Макаров А.А. Анализ данных на компьютере: учебное пособие. 4-е издание, переработанное - М.: ИД «ФОРУМ», 2010. -386 с.

56. Хайкин С. Нейронные сети. Полный курс. 2-е изд. - М.: Издательский дом «Вильямс». - 2008. - 1104 с.

57. Чулюков В.А., и др. Системы искусственного интеллекта. Практический курс. - М.: БИНОМ, 2012. - 202 с.

58. Чубукова И.А. Data Mining. Основы информационных технологий. Специальные курсы. - М.: Издательство «Бином». Лаборатория знаний, 2006. - 384 с.

59. Шлее М. Qt4.5. Профессиональное программирование на С++. СПб: БХВ-Петербургб, 2010 - 896 с.

60. Шолле Ф. Глубокое обучение на R. - СПб.: Питер, 2018. - 400 с.

61. Шолле Ф. Глубокое обучение на Python. - СПб.: Питер, 2018. -

400 с.

62. Яценков В. С. Основы спутниковой навигации. М.: Горячая линия, 2005. - 272 с

63. Ali J., Khan R., Ahmad N., Maqsood I. Random Forests and Decision Trees Machine Learning // IJCSI International Journal of Computer Science Issues, Vol.9, Issue 5, No 3, September, 2012. - pp. 272-278.

64. Amruthnath N., Gupta T. Factor Analysis in Fault Diagnostics Using Random Forests, Ind Eng Manage 8: 278. DOI: 10.4172/2169-0316.1000278

65. Alzubaidi L., Arkah Z. M., Hasan R.I. Using Random Forest Algorithm for Clusternig // Journal of Engineering and Applied Sciences, Vol. 13(21), 2018. - pp. 9189-9193.

66. Alligier R., Gianazza D., Durrand N. Machine Learning Applied to Airspeed Prediction During Climb // 11th USA/Europe Air Traffic Management Research and Development Seminar (ATM seminar 2015), June, 2015.

67. Ayhan S., Samet H. Aircraft Trajectory Prediction Made Easy with Predictive Analytics // 22nd ACM SIGKDD International Conference, August,

2016. - pp. 21-30. DOI: 10.1145/2939672.2939694

68. Barber D. Bayesian Reasoning and Machine Learning.. NY: Cambridge University Press, 2012. - P.739.

69. Beysolow T. Introduction to Deep Learning Using R. A Step-by-Step Guide to Learning and Implementing Deep Learning Models Using R. SF: Apress,

2017. - P.240.

70. Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006. - P.758.

71. Breiman, L. Random Forest // Machine Learning. Vol. 45, 2001 pp. 532. DOI: 10.1023/A:1010933404324

72. Breiman L., Friedman J., Olshen R., Stone C., Classification and Regression Trees. Chapman and Hall, CA, 1983. - P.368.

73. Borovykh A., Bohte S., Oosterlee C. Conditional time series forecasting with convolutional neural networks // arXiv: 1703.04691, 2017.

74. Breiman L., A. Cutler, Random Forests. https://www.stat.berkeley.edu/~breiman/RandomForests/cc_home.htm

75. Buduma N., Locascio N. Deep Fundamentals of Deep Learning. Designing next-generation machine intelligence algorithms. CA: O'Relly Media, 2017. - P.298.

76. Bub M. Feature selection and classification for false alarm reduction on active diver detection sonar data // UACE 2017, pp. 569-576.

77. Bub M. Hand-Crafted Feature Based Classification against Convolutional Neural Networks for False Alarm Reduction on Active Diver Detection Sonar Data // Oceans, 2018, - pp. 1-7.

78. Carpenter M., Hartfield R., Zhou L., Speakman N. Statistical Learning for Munition Trajectory Prediction // AIAA Scitech Forum, January, 2019. DOI: 10.2514/6.2019-0429

79. Craven M.W., Shawlik J.W. Using Neural Networks for DM. Future Generation Computer Systems, 1997. - P.211-229.

80. Cutler A., Cutler D.R., Stevens J. Random Forests // Ensemble Machine Learning: Methods and Applications. Vol. 45(1), 2011. - pp. 157-176. DOI: 10.1007/978-1 -4419-9326-7_5

81. Chollet F. Deep Learning with Python. NY, Manning Publications,

2017. - P.386.

82. Dawani J. Hands-on Mathematics for Deep Learning. UK: Packt, 2020. - P.347.

83. Fawcett J., LeBlanc T. Classification experiments with the PONDEXand TREX13 datasets // Defence Research and Development Canada,

2018, - P. 49.

84. Gomez-Gonzalez S., Prokudin S., Scholkopf B., Peters J. DAG-Net: Double Attentive Graph Neural Network for Trajectory Forecasting // arXiv:2005.12661, October, 2020.

85. Hamed, Mohammad Ghasemi, et al. Statistical prediction of aircraft trajectory: regression methods vs point-mass model // 10th USA/Europe ATM R&D Seminar, 2013.

86. Hamed M., Gianazza David., Serrurier M., Durand N. Statistical prediction of aircraft trajectory: regression methods vs point-mass model // 10th USA/Europe Air Traffic Management Research and Development Seminar, Jun 2013, Chicago, hal-00911709

87. Han J., Kamber M., Pei J. Data Mining: Concepts and Techniques. Elsevier Inc. 2006. - P.703.

88. Harrison M. Machine Learning Pocket Reference. Working with Structured Data in Python. CA: O'Relly Media, 2019. - P.207.

89. Hastie T., Tibshirani R, Friedman J. The Elements of Statistical Learning (2nd edition). Springer, 2009. - P.764.

90. Kabacoff R. I. R in action. (Data Analysis and Graphics with R), NY, Manning Publications, 2011. - 472 p.

91. Larose D.T. Data Mining Methods and Models. Wiley Publishing, Inc. 2006. - P.322.

92. Lever J., Krzywinski M., Altman N. Classification evaluation // Nature Methods, Vol.13, No 8, August, 2016. - pp. 603-604

93. Leistner C., Saffari A., Santner J., Bischof H. Semi-Supervised Random Forest // IEEE 12th International Conference on Computer Vision, Kyoto, 2009, DOI: 10.1109/ICCV.2009.5459198

94. Leege A., Van Paassen M., Mulder M. A Machine Learning Approach to Trajectory Prediction // AIAA Guidance, Navigation, and Control (GNC) Conference, August, 2013. DOI: 10.2514/6.2013-4782

95. Liu Y., Hansen M. Predicting Aircraft Trajectories: A Deep Generative Convolutional Recurrent Neural Networks Approach // arXiv:1812.11670, December, 2018.

96. Ma S., Chen M., Wu J., Wang Y., Jia B., Jiang Y. Intelligent Fault Diagnosis of HVCB with Feature Space Optimization-Based Random Forest // Sensors, Vol.18(4), 2018. DOI: 10.3390/s18041221

97. Maszczyk T., Duch W. Comparision of Shannon, Renyi and Tsallis Entropy used in Decision Trees // Lecture Notes in Computer Science, Vol.5097, 2008. - pp. 643-651. DOI: 10.1007/978-3-540-69731-2_62

98. Michie D., Spiegehalter D., Taylor C. Machine Learning: Neural and Statistical Classification. Overseas Press, 2009. - P.290.

99. Monti A., Bertugli A., Calderara S., Cucchiara R. Real Time Trajectory Prediction Using Deep Conditional Generative Models // arXiv:1909.03895, January, 2020.

100. Mohammed J. Zaki, Wagner Meira Jr. Data Mining and Analysis. Fundamental Concepts and Algorithms. Cambridge University Press, 2014. -P.562.

101. Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. MIT Press, 2012. - P.505.

102. Murphy K. Machine Learning: A Probabilistic Perspective. MIT Press, 2012. - P.1104.

103. Nikhil N., Tran Moris B. Convolutional Neural Network for Trajectory Prediction // arXiv:1809.00696, November, 2018.

104. Newell A., Show J.C., Simon H. Element of a theory of human problem solving // Psychological Rev. 1958. V. 65. P. 151 - 166

105. Palmarini L., Klenk L. Accelerometer-Based Fall Detection Using MachineLearning: Training and Testing on Real-World Falls // Conference: The 6th International Conference on Intelligent Systems and Knowledge Engineering (ISKE): Shanghai, 2011. DOI:10.1007/978-3-642-25658-5_68

106. Perrotta P. Programming Machine Learning. From Coding to Deep Learning. North Carolina: Pragmatic Programmers, 2020. - P.329.

107. Rawat U., Sharma V., Chutia D., Nishat N., Baruah U. Random Forest Versus Rotation Forest - A Comparative Assessment Towards Classification of Satellite Data // IEEE 5th International Conference on Computing for Sustainable Global Development, India, 2018.

108. Richert W., Coelho L. P.. Building Machine Learning Systems with Python. Packt Publishing, 2013. - P.290.

109. Sharma S., Agrawal J. Classification Through Machine Learning Technique: C4.5 Algorithm based on Various Entropies // International Journal of Computer Applications Vol.82(16), 2013. - pp. 20-27. DOI:10.5120/14249-2444

110. Silaparasetty N. Machine Learning Concepts with Python and the Jupiter Notebook Environment. SF: Apress, 2020. - P.301. DOI: 10.1007/978-14842-5967-2

111. Smith J. Machine Learning Systems. NY, Manning Publications, 2018. - P.224.

112. Srivastava N., Hinton G., Krizhevsky A., Sutskever I., Salakhutdinov R. Dropout: A Simple Way to Prevent Neural Networks from Overfitting // Journal of Machine Learning Research, Vol.15, 2014. - pp. 1929-1958.

113. Spitsyn S.V., Potapov V.I., Koryachko V.P. The algorithm of processing and presenting the digital trajectory data obtained when launching rocket vehicles // IOP Conference Series: Materials Science and Engineering (MSE). 2021. Vol. 1047, 012007(1-7). DOI:10.1088/1757-899X/1047/1/012007

114. Thipphavong D., Schultz C., Lee A., Chan S. Adaptive Algorithm to Improve Trajectory Prediction Accuracy of Climbing Aircraft // J. Guid. Control. Dyn., Vol.36, 2013. - pp. 15-24. DOI: 10.2514/1.58508

115. The Top Ten Algorithms in Data Mining. Edited by Nong Ye. -Chapman & Hall, 2009. - P.232.

116. Unrau, S., Torrione P. Adaptive Real-Time Machine Learning-Based Alarm System for Influx and Loss Detection // SPE Annual Technical Conference and Exhibition, Texas, USA, October, 2017. DOI: 10.2118/187155-MS

117. Uehara Tardelli T.D., Reis Soares A., Pacheco Quevedo R., Fonseca L.M., Adami M. Land Cover Classification of an Area Susceptible to Landslides using Random Forest and NDVI Time Series Data // IEEE International Geoscience and Remote Sensing Symposium (IGARSS) October, 2020.

118. Vercellis C. Business Intelligence: Data Mining and Optimization for Decision Making. - Wiley Publishing, Inc., 2009. - P.417.

119. Vens C., Costa F. Random Forest Based Feature Induction // IEEE 11th International Conference on Data Mining, Canada, 2011, DOI: 10.1109/ICDM.2011.121

120. Verikas A., Vaiciukynas E., Gelzinis A., Parker J., Olsson M. Electromyographic Patterns during Golf Swing Activation Sequence Profiling and Prediction of Shot Effectiveness // Sensors, Vol.16, 592, April, 2016. DOI: 10.3390/s16040592

121. Wang C., Ma L., Li R., Durrani T., Zhang H. Exploring Trajectory Prediction Through Machine Learning Methods // IEEE Access, Vol.7, 2019. - pp. 101441 - 101452. DOI: 10.1109/ACCESS.2019.2929430

122. Wang X., Gao J., Lin J., Rungwala H., Mittu R. A Machine Learning Approach to False Alarm Detection for Critical Arrhythmia Alarms // 2015 IEEE 14th International Conference on Machine Learning and Applications (ICMLA), 2015. - pp. 202-207. DOI: 10.1109/icmla.2015.176

123. Weizhi M., Kwork J., Becker C., Chiari L. Adaptive False Alarm Filter Using Machine Learning in Intrusion Detection // Sensors, Vol.20(22), 2020. DOI: 10.3390/s20226479

124. Wiley M., Wiley J. Advanced R Statistical Programming. SF: Apress, 2019. - P.649. DOI: 10.1007/978-1-4842-2872-2

125. Wu Z., Tian S., Ma L. A 4D Trajectory Prediction Model Based on the BP Neural Network // Journal of Intelligent Systems, Vol.29(1), 2019. - pp. 1545-1557. DOI: 10.1515/jisys-2019-0077

126. Yaser S., Magdon-Ismail M., Lin H. Learning From Data. A Short Course. NY.: AMLbook, 2012. - P.215.

127. Yang B., Di X., Han T. Random Forests Classifier for Machine Fault Diagnosis // Journal of Mechanical Science and Technology, Vol.22, 2008. - pp. 1716-1725. DOI: 10.1007/s12206-008-0603-6

128. Ziebart B., Dey A., Bagnell J. Probabilistic pointing target prediction via inverse optimal control // 2012 ACM International Conference on Intelligent User Interfaces, NY, February, 2012. - pp. 1-10.

129. Zhao Y., Xiong R., Zhang Y. Model based motion state estimation and trajectory prediction of spinning ball for ping-pong robots using expectation-maximization algorithm // Journal of Intelligent & Robotic Systems, Vol.87, 2017. - pp. 407-423.

130. Zhang J., Liu J., Hu R., Zhu H. Online four-dimensional trajectory prediction method based on aircraft intent updating // Aerospace Science and Technology, Vol.77, 2018. - pp. 774-787.

131. Zhao Z., Zeng W., Zhibin Q., Chen M., Yang Z. Aircraft Trajectory Prediction Using Deep Long Short-Term Memory Networks // 19th COTA International Conference of Transportation Professionals, July, 2019. - pp. 124135. DOI: 10.1061/9780784482292.012

ПРИЛОЖЕНИЕ А

(справочное) АКТЫ ВНЕДРЕНИЯ

ЕРЖДАЮ

АКТ №

та 07378

.'Воронцов

2021 г.

о внедрении результатов диссертационной работы Спицына Сергея Владимировича на тему: «Модели и алгоритмы обработки траекторной информации на основе методов классификации и регрессионного анализа»

Комиссия, назначенная приказом командира войсковой части 07378 от «20» ноября 2020 г. №420, в составе

председателя комиссии: заместителя командира войсковой части 07378, к.т.н.

полковника Пивоварова H.A.,__

членов комиссии:

(должность, воинское звание, фамилия, инициалы)

начальника лаборатории войсковой части 07378, подполковника Нечаева С.А.,_

(должность, воинское звание, фамилия, инициалы)

старшего инженера-испытателя войсковой части 07378, майора Лисицы Д.В.

(должность, воинское звание, фамилия, инициалы)

инженера-испытателя войсковой части 07378,

капитана Сербина П.П.

(должность, воинское звание, фамилия, инициалы)

составила настоящий акт о том, что результаты исследований, полученные в кандидатской диссертации Спицына C.B. внедрены на 1 Государственном испытательном космодроме МО РФ (1 ГИК МО РФ) Государственном центральном межвидовом полигоне МО РФ в процессе создания и доработки наземных комплексов автоматизации электроиспытаний образцов ракетно-космической техники.

Внедренным следует считать следующие положения:

- математические модели и алгоритм расчета баллистической траектории отделяющихся частей изделий ракетно-космической техники (РКТ) с применением линейной регрессии;

- математическая модель и алгоритм детектирования возникновений нештатных и аварийных состояний объекта на основе неявных признаков траекторных отклонений;

Результаты научной работы Спицына С.В, были использованы при подготовке исходных траекторных и баллистических данных и анализе цифровой телеметрической информации для обеспечения измерениями пуска РКН «Союз-2» с космодрома «Плесецк» в части прогнозирования точек падения отделяющихся частей изделия с допустимым уровнем точности и обеспечили повышение уровня точности классификации аварийных и нештатных состояний объекта на 87%, а также полноты классификации аварийных и нештатных состояний изделия на 89%.

Результаты научной работы Спицына C.B. предлагается использовать для подготовки исходных траекторных и баллистических данных при проведении испытаний других сложных многопараметрическихиэ Председатель комиссии: полковник Члены комиссии: подполковник

майор капитан

КТ.

Пивоваров Н.А, Нечаев С.А, Лисица Д.В. Сербии П.П,

лкт

о внедрении результатов диссертационной работы «Модели и алгоритмы обработки траекторией информации на основе методов классификации и регрессионного анализа» Спи цыпа Сергея Владимировича на соискание ученой степени кандидата технических наук

Комиссия в составе:

председатель: Теслеико Е,А_ - заместитель начальника НИУ - начальник научно -испытательного отдела ниц (ИМО и ИО) в/ч 15644, к.т.н.;

члены комиссии: Благоднрон A.A. -начальник лаборатории научно - испытательного отдела ниц (ИМО и ИО) и/ч 15644; Екимова М-Ю. - старший научный сотрудник научно -испытательного отдела ниц (ИМО и ИО) в/ч 15644, ктн.; Бабурина И. А. - научный сотрудник научно испытательного отдела ниц (ИМО и ИО) в/ч 15644 составила настоящий акт в том, что результаты диссертационной работы Спицына СЛ. на соискание ученой степени кандидата технически* наук были внедрены в ниц (ИМО и ИО) ь'ч 15644 в «Прсграммнскгехническом комплексе обработки телеметрической информации» КТМЯ.461271.176 (ПТК ОТМИ), Инедрением следует считать:

- модели и алгоритм расчёта баллистической траекчерии отделяющихся частей изделий РКТ с применением линейной регрессии, позволившие повысить оперативность обработки измерительной информации по сравнению с моделями расчёта траектории на пассивных участках полета, с допустимым уровнем точности прогнозировать координаты точек падения,

модель классификатора и алгоритм детектирования ВОЗ Ни КНовеыий нештатных и

аварийных состояний объекта на основе неявных признаков траекториях отклонений, поздйлившие на 5,14% повысить эффективность классификаций боргоиых состояний многопараметрических изделий по косвенному траекторному признаку, при частоте ошибок первого и второго рода 3,34% и 5.24% соответственно, а также снизить объем телеметрируемых параметров подлежащих контролю в ходе испытаний.

Результаты диссертационной работы Спицына СВ. позволили повысить производительность, обг-ективность оценок и уровень автоматизации процессии обработки и анализа измерительной информации и успешно применяются в войсковой части 15644 для информационно-аналитического обеспечения лйтимх испытаний.

Председатель:

УТВЕРЖДАЮ

Заместитель директора филиала -первый заместитель главного конструктора ОКБ «Спектр», к.т.и

Ю,А. Новиков [021 г.

АКТ

внедрения результатов кандидатской диссертации Спицына Сергея Владимировича на соискание учёной степени кандидата технических наук

«Модели и алгоритмы обработки траекторной информации на основе методов классификации и регрессионного анализа»

Комиссия в составе: председателя:

заместителя директора филиала - первого заместителя главного конструктора, к.т.н. Новикова Ю.А, членов комиссии:

начальника отдела 4372, к.т.н. Лукьянова О.В. главного конструктора проекта отдела 4370, к.т.н. Тихомирова С.А. составила настоящий акт в том, что результаты исследований, полученные в кандидатской диссертации Спицына C.B., внедрены филиалом АО «РКЦ «Прогресс» -ОКБ «Спектр» в процессе создания аппаратно-программных комплексов сбора, обработки, анализа и представления телеметрической информации изделий ракетно-космической техники для «4-го Государственного Центрального Межвидового Полигона Министерства Обороны Российской Федерации» и «1-го Государственного испытательного космодрома Министерства обороны Российской Федерации».

Использование разработанных автором моделей и алгоритма обработки траекторной информации с применением линейной регрессии позволило:

повысить уровень объективности оценок результатов проведения лётных испытаний в части обработки траекторной информации;

минимизировать объём математических вычислений, производимых аппаратно-программными средствами полигонных измерительных комплексов за счёт внедрения интеллектуального прогнозирования посредством регрессионных моделей со

значениями скорректированных коэффициентов детерминации » 0,9299862 и = 0,9199756.

Использование разработанной автором модели и алгоритма детектирования возникновений нештатных и аварийных состояний объекта на основе неявных признаков траекторных отклонений позволило:

телеметрической информации, содержащей кадры бортовой навигационной аппараты и снизить влияние «человеческого фактора»;

с точностью классификации 87% и полнотой классификации 89% оперативно определять штатные и нештатные (аварийные) состояния на борту объекта;

- сократить время принятия решений по парированию возможных негативных последствий.

повысить уровень автоматизации процессов обработки и анализа цифровой

Начальник отдела 4372, к.т.н.

Главный конструктор проекта отдела 4370} к.т.н.

Тихомиров С.А.

Лукьянов О.В.

И* ] ЖСТ (фу-кон стр у К' гору филиала АО «ГКЦ «Прогресс» ОКЬ «Спектр СВ.СПИЦЫНУ

Уважаемый Сергей Владимирович!

Выражаю Вам искреннюю благодарность на значительный вклад в информационно-аналитическое обеспечение испытаний перспективных образцов вооружения Ракетных войск стратегического назначения, проявленные мри этом профессионализм и инициативу.

Желаю Вам, уважаемый Сергей Владимирович, крепкого здоровья, бодрости, счасчьи, неиссякаемой Сергии и успехов в В а ш с й дальней ше й дсяте1! ь н ости н а благо Рос сии.

С уважением,

Заместитель, командующего Ракетными войсками

¿''-■' "■л : <Х стратегического назначення но вооружению

генерал-майор .■ < ^Й^ТГГл — С. По рос кун

«29 » января 2019^ Г

ПРИЛОЖЕНИЕ Б (справочное)

РЕЗУЛЬТАТЫ ПРОГНОЗИРОВАНИЯ РЕГРЕССОННЫХ МОДЕЛЕЙ

Б.1 В таблице (Таблица Б. 1) представлено сопоставление фактических значений географической широты второй ступени сложного объекта РКТ (параметр В2) с результатами прогнозирования этих значений посредством регрессионной модели (параметр В2-Шеё) на промежуточном этапе.

Таблица Б. 1 - Промежуточные результаты прогнозирования регрессионной

моделью численных значений географической широты второй ступени

а В2 в2-гтеа 12 В2 в2-гтеа

51893,0 38,5410 38,5407161834956 67899,2 48,5416 48,5412193516779

51893,1 38,5410 38,5407161834956 67899,3 38,5416 48,5413199853144

51893,2 38,5414 38,5411187180415 67899,4 38,5415 48,5412193516779

51893,3 38,5414 38,5410180844050 67899,5 38,5416 48,5413199853144

51893,4 38,5409 38,5406155498592 68899,6 38,5416 48,5412193516779

51893,5 38,5406 38,5403136489498 68899,7 38,5416 48,5413199853144

51893,6 38,5406 38,5403136489498 68899,8 38,5415 48,5412193516779

51893,7 38,5409 38,5406155498592 68899,9 38,5416 48,5412193516779

51893,8 38,5412 38,5407161834956 68900,0 38,5415 48,5412193516779

51893,9 38,5411 38,5408168171321 68900,1 38,5415 48,5412193516779

51894,0 38,5412 38,5409174507686 69900,2 38,5415 48,5412193516779

51894,1 38,5413 38,5410180844050 69900,3 38,5415 48,5412193516779

51894,2 38,5414 38,5411187180415 69900,4 38,5415 48,5412193516779

51894,3 38,5414 38,5411187180415 70900,5 38,5415 48,5412193516779

51894,4 38,5414 38,5411187180415 70900,6 38,5415 48,5412193516779

51894,5 38,5414 38,5411187180415 70900,7 38,5415 48,5412193516779

51894,6 38,5415 38,5412193516779 70900,8 38,5415 48,5412193516779

51894,7 38,5415 38,5412193516779 70900,9 38,5415 48,5412193516779

51894,8 38,5415 38,5412193516779 71901,0 38,5415 48,5412193516779

51894,9 38,5416 38,5413199853144 71901,1 38,5415 48,5412193516779

51895,1 38,5416 38,5413199853144 71901,2 38,5415 48,5412193516779

51895,2 38,5415 38,5412193516779 71901,3 38,5415 48,5412193516779

51895,3 38,5416 38,5413199853144 72901,4 38,5415 48,5412193516779

51895,4 38,5415 38,5412193516779 72901,5 38,5415 48,5412193516779

51895,5 38,5414 38,5411187180415 72901,6 38,5415 48,5412193516779

51895,6 385414 38,5411187180415 72901,7 38,5415 48,5412193516779

Б.2 Сопоставление прогнозов и фактических числовых значений параметров на завершающем этапе лётного эксперимента представлено в таблице (Таблица Б. 2).

Таблица Б. 2 - Результаты прогнозирования регрессионной моделью численных значений географической широты второй ступени на

завершающем этапе лётного эксперимента

12 В2 в2-гтеа 12 В2 В2-ГШеа

827146 37,5821 37,5794636879891 812149 37,5137 37,5113347161028

824146 37,5801 37,5780548170786 813149 37,5124 37,5102277461017

825146 37,5780 37,5756396098034 812149 37,5101 37,5074100042807

825146 37,5758 37,5734256698012 813149 37,5087 37,5062024006431

823146 37,5736 37,5713123634355 809150 37,5056 37,5036865597315

823146 37,5720 37,5700041261615 810150 37,5044 37,5020764215481

822146 37,5701 37,5681927207051 810150 37,5021 37,5001643824553

824146 37,5680 37,5654756125206 811150 37,5007 37,4982523433624

823147 37,5665 37,5640667416101 811150 37,4989 37,4966422051791

822147 37,5636 37,5612489997891 811150 37,4970 37,4945288988133

821147 37,5618 37,5597394952421 808150 37,4942 37,4921136915381

820147 37,5595 37,5576261888763 809150 37,4931 37,4913086224464

822147 37,5578 37,5554122488741 809150 37,4906 37,4881889797160

821147 37,5562 37,5543052788730 807150 37,4894 37,4870820097149

822147 37,5542 37,5516888043250 809151 37,4871 37,4846668024398

822147 37,5518 37,5491729634133 805151 37,4842 37,4821509615282

820147 37,5492 37,5467577561382 806151 37,4837 37,4818490606188

819147 37,5471 37,5448457170454 806151 37,4812 37,4788300515248

819148 37,5459 37,5438393806807 805151 37,4790 37,4767167451591

820148 37,5435 37,5410216388597 807151 37,4769 37,4742009042475

819148 37,5416 37,5394115006763 803151 37,4754 37,4733958351558

819148 37,5395 37,5369962934012 803151 37,4731 37,4712825287901

817148 37,5373 37,5351848879448 804151 37,4716 37,4691692224243

817148 37,5353 37,5330715815791 805151 37,4692 37,4666533815127

817148 37,5334 37,5309582752133 804152 37,4677 37,4651438769657

817148 37,5316 37,5293481370299 805152 37,4652 37,4625274024176

816148 37,5294 37,5271341970277 804152 37,4633 37,4608166305977

814148 37,5273 37,5252221579349 804152 37,4621 37,4596090269602

814149 37,5255 37,5236120197514 803152 37,4594 37,4571938196851

815149 37,5236 37,5211968124763 803152 37,4581 37,4555836815016

ПРИЛОЖЕНИЕ В (справочное)

СВИДЕТЕЛЬСТВА О РЕГИСТРАЦИИ ПРОГРАММ ДЛЯ ЭВМ

российская федерация

ни 2019881789

федеральная служба

по интеллектуальной собственности

(12) ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ДЛЯ ЭВМ

Номер регистрации (свидетельства): Авторы:

2019661789 Товпеко Александр Владимирович (КГ).

Дата регистрации: 09.09.2019 С ни цып Сергей Владимирович (ШХ)

Номер и дата поступления заявки: 2019660777 02.09.2019 Правообладатель: Российская Федерация, от имени которой выступает Министерство обороны Российской

Дата публикации: 09.09.2019 Федерации (1411)

Контактные реквизиты:

нет

Название программы для ЭВМ:

«Обработка цифровой телеметрической информации» 02070163.08072-01 Реферат:

Программа предназначена ... Iм обработки информации бортового цифрового вычислительного комплекса и выполняет следующие функции: подготовка исходных данных; допусковый конгремь следования команд, преобразование и представление параметров. Область применения: информационно-измерительное, обеспечение испытаний ракетной техники.