Большие данные
Разработка системы идентификации маневров аэродинамических целей по их траекторным сигналам

Актуальность
В 21 веке остро стоит вопрос распознавания тел для создания безопасных систем автоматического управления. Многие технологические гиганты, такие как Алмаз-Антей, заинтересованы в решении данной проблемы для улучшения качества выпускаемой продукции.

Вот некоторые способы применения системы идентификации манёвров:
• система предупреждения столкновения самолетов в воздухе
• беспилотные транспортные системы
• система активной защиты летательных средств.
О чём наш кейс?
В общем случае результатом работы РЛС являются сигналы, отраженные от объекта. Сигналы могут показать координаты, скорость и ускорение объекта. Так получается траекторный сигнал.

В нашей работы мы рассмотрим, как можно с помощью траекторного сигнала определить характер движения объекта.

Для этого мы изучим траекторные сигналы от 4 типов манёвров летательного аппарата: "змейка", "горка", маневр по скорости, вращательный маневр.
Цель работы - исследование вопросов применения алгоритмов машинного обучения для анализа траекторных сигналов
Задача работы - создать модели машинного обучения для решения задачи классификации

Рассматриваемые манёвры

Анализ данных
Исходные данные представляют наборы траекторных сигналов. Каждый такой сигнал содержит 9 массивов значений:проекции координат, скоростей и ускорений.
Диапозон длин сигналов: от 50 до 1500
Распределение значений сигналов приведены на гистограммах ниже.
Данные были предобработаны:
• исключены аномальные сигналы
• приведены к длине 135
• нормализованы по минимум-максимуму и дисперсии

Наше решение
Для решения задачи классификации была рассмотрена теория по глубокому обучению и реализованы примитивные алгоритмы.
Описание приведено ниже.
Получены результаты:
кNN: accuracy = 31,1% (базовое решение)
Линейная модель: accuracy = 35,7%
Свёрточная нейронная сеть: accuracy = 78,3%
Рекуррентная нейронная сеть: accuracy = 75,4%
Рекуррентная и свёрточная нейронные сети: accuracy = 87, 6%

Таким образом, можно увидеть рост точности классификации по мере реализации алгоритмов.

Дальнейшие планы:
• Расширение перечня алгоритмов
• Расширение количества классов
• Решение задачи предсказания траектории движения
• Подготовка тезисов на конференцию и (или) материалов статьи

Наша команда
  • Шелехов Григорий
    г. Иркутск
  • Полонникова Светлана
    г. Иркутск
  • Жданов Тимур
    г. Иваново
  • Кушнарёв Святослав
    г. Иркутск
Наставник
Гришин Никита
МФТИ

#Большиевызовы2021