ИССЛЕДОВАНИЕ ЭФФЕКТИВНОСТИ ИНФОРМАЦИОННОЙ СИСТЕМЫ РАСЧЁТА ПАРАМЕТРОВ РАДИОЛИНИИ МЕЖДУ ЗЕМНОЙ СТАНЦИЕЙ СПУТНИКОВОЙ СВЯЗИ И СПУТНИКОМ НА ОРБИТЕ ЗЕМЛИ

INVESTIGATION OF THE EFFECTIVENESS OF THE INFORMATION SYSTEM FOR CALCULATING THE PARAMETERS OF THE RADIO LINK BETWEEN THE EARTH SATELLITE COMMUNICATION STATION AND THE SATELLITE IN EARTH ORBIT

Anton Piskunov

student Department of Computer Engineering and Automated Systems Software, Orenburg state University,

Russia, Orenburg

Tatyana Zubkova

scientific supervisor, Doctor of Technical Sciences, professor, Orenburg state University,

Russia, Orenburg

АННОТАЦИЯ

Статья посвящена вопросу применения математического аппарата нечёткой логики с целью автоматизации подбора оптимальных параметров, определяющих величину энергетического запаса радиолинии «космический аппарат – земная станция».

ABSTRACT

The article is devoted to the application of the mathematical apparatus of fuzzy logic in order to automate the selection of optimal parameters that determine the magnitude of the energy reserve of the radio link "spacecraft - earth station".

Ключевые слова: расчёт энергетического бюджета радиолинии, орбитальный спутник, радиоканал «земная станция – космический аппарат».

Keywords: calculation of the energy budget of a radio link, orbital satellite, radio channel "earth station - spacecraft".

Прогнозирование погодных параметров может позволить принять решение о целесообразности и возможности функционирования радиолинии с заданными параметрами в зависимости от влияния на радиолинию погодных условий внешней среды.

Наиболее распространёнными моделями прогнозирования являются авторегрессионные и нейросетевые модели [1], причём всё большую популярность приобретают нейронные сети, в частности и в задаче составления погодных прогнозов [2]. Так, в работе [3] для прогнозирования текущей погоды применяется глубокое обучение со слоями LSTM - специализированными слоями рекуррентной нейронной сети, которые называются «Долгая краткосрочная память» (англ. Long Short-Term Memory). Результаты экспериментов показывают, что сеть LSTM способна фиксировать пространственно-временные корреляции и может использоваться для прогнозирования текущей погоды.

В целях оценки эффективности применения предложенного подхода к решению задачи прогноза погодных данных проведены эксперименты по расчёту значения температуры с помощью простого базового решения, заключающегося в вычислении среднего за 240 предыдущих значений, а также с помощью одномерной и многомерной LSTM-моделей. Кроме того, учитываются результаты, полученные путем обучения сети LSTM, построенной с применением пакета расширения MATLAB Deep Network Designer [4, 5], позволяющего создавать и обучать нейронные сети для задач классификации и регрессии [6].

В качестве метрического показателя результативности используется среднеквадратичная ошибка, или RMSE (root mean squared error) – квадратный корень из средней квадратической ошибки [7]:

                                                                                    (1)

где y_i – фактический ожидаемый результат;

      ŷ_i – прогноз модели;

      n – размер выборки.

Простое базовое решение. Значение среднеквадратичной ошибки, полученное при сопоставлении простого среднего с фактическим значением и усреднённое по результатам 65 измерений, составляет 55.7738.

Одномерная LSTM-модель. Для модели на основе одномерных временных рядов целевой вектор составляется на основе единственного признака Т (температура воздуха). Данные о температуре были извлечены из набора данных, в качестве масштабирования была выбрана стандартизация, выполняемая путём вычитания среднего значения и деления на стандартное отклонение признака. Стандартизация проводилась только с использованием обучающих данных. На вход в модель подавалось 240 зарегистрированных наблюдений за температурой, прогнозировалось значение температуры через 12 шагов (36 часов).

Значение среднеквадратичной ошибки, рассчитанное после обучения модели и получения ряда прогнозов, составляет 14.0282.

Многомерная LSTM-модель. Исходный набор данных содержит, как было отмечено выше, 28 различных метеорологических показателей. Для проведения эксперимента были выбраны три из них – температура воздуха, атмосферное давление и относительная влажность воздуха. После добавления указанных данных в набор проводилась его стандартизация с вычислением среднего значения и стандартного отклонения обучающих данных. ИНС оперирует данными за последние 10 дней (240 наблюдений с шагом в 3 часа), прогнозирование выполняется на полтора дня вперёд (через 12 шагов по три часа каждый).

Среднеквадратичная ошибка, рассчитанная при составлении прогнозов такой модели, равна 2.8115.

Модель, построенная в пакете MATLAB. Структура построенной в пакете сети и её анализ представлены на рисунках 1 и 2. Входными данными для модели являются сведения о величине температуры воздуха, содержащиеся в архиве погодных данных, приведённые в формате вектора-строки. Слой LSTM содержит 128 нейронов, как и слой Dropout, добавленный для борьбы с переобучением сети. В качестве алгоритма оптимизации используется метод Adam, начальная скорость обучения равна 0.005.

Рассмотрим два различных способа реализации функции прогнозирования: в первом случае, показанном на рисунке 1, сеть обновляется при каждом следующем прогнозе, а в качестве входных данных используется предыдущий прогноз. Величина среднеквадратичной ошибки составляет 5.5464.

Рисунок 1. Кривые фактического значения температуры и прогнозируемого, построенного на основе предыдущих прогнозов

Во втором случае, представленном на рисунке 2, для каждого следующего прогноза после обновления сети используются фактические данные, а не прогнозируемые ранее. В таком случае величина среднеквадратичной ошибки составляет 3.4049.

Рисунок 2. Кривые фактического значения температуры и прогнозируемого, построенного на основе фактических данных

Результаты прогноза временных рядов путём сравнения среднеквадратичной ошибки представлены в таблице 1.

Таблица 1

Величина среднеквадратичной ошибки в зависимости от используемой модели

Таким образом, анализ расчётной среднеквадратичной ошибки позволяет сделать вывод о перспективности использования выбранной многомерной модели рекуррентной нейронной сети долгой краткосрочной памяти (LSTM) при решении задач исследования.

Список литературы:

1. Gheyas I.A., Smith L.S. A Neural Network Approach to Time Series Forecasting // Proceedings of the World Congress on Engineering, London, 2009, Vol 2. P. 1292 – 1296.
2. Dueben P.D., Bauer P. Challenges and design choices for global weather and climate models based on machine learning. Geoscientific Model Development, 2018. Vol. 11. P. 3999–4009.
3. Shi X. Convolutional LSTM network: a machine learning approach for precipitation nowcasting. Advances in neural information processing systems, Curran Associates. 2015. Vol. 28. P. 802–810.
4. Deep Network Designer [Электронный ресурс] – Режим доступа: https://www.mathworks.com/help/deeplearning/ref/deepnetworkdesigner-app.html (дата обращения: 09.06.2023)
5. MATLAB [Электронный ресурс] – Режим доступа: https://www.mathworks.com/products/matlab.html (дата обращения: 09.06.2023)
6. Train Network for Time Series Forecasting Using Deep Network Designer [Электронный ресурс] – Режим доступа: https://www.mathworks.com/help/deeplearning/ug/time-series-forecasting-using-deep-network-designer.html (дата обращения: 09.06.2023)
7. Практическая статистика для специалистов Data Science: Пер. с англ. / П. Брюс, Э. Брюс. – СПб.: БХВ-Петербург, 2018. – 304 с.: ил.