CC BY
21
Zheltikov Pavel Alexandrovich, ch.constructor, melm. ogk@,mail. ru, Russia, Michurinsk, JSC «Michurinskiyzavod «Progress»
УДК 629.7.054.07; 504.32
НЕЙРОСЕТЕВОЕ МОДЕЛИРОВАНИЕ ВЫХОДНОГО СИГНАЛА ДАТЧИКА ИНФРАКРАСНОГО ИЗЛУЧЕНИЯ
М.В. Рябцев
Рассмотрено моделирование рабочего диапазона выходного сигнала датчиков инфракрасного излучения, входящих в состав беспилотной авиационной системы, с целью осуществления предполетной калибровки. В качестве входных данных для моделирования, произведенного посредством нейронных сетей, выступают данные о текущей метеорологической обстановке. Помимо этого, в работе выполнено сравнение стандартной ошибки нейросетевой модели с аналогичным значением, полученным в ходе регрессионного моделирования.
Ключевые слова: беспилотная авиационная система, ориентация, калибровка, инфракрасное излучение, датчик инфракрасного излучения, метеорологические факторы, нейронная сеть.
Введение. Беспилотные авиационные системы (БАС), называемые в западной литературе дронами, с каждым годом все глубже проникают в жизнь современного общества и находят применение в новых областях коммерческой, промышленной и сельскохозяйственной деятельности. Возрастающее количество решений с использованием БАС способствует развитию индустрии производства дронов, а также совершенствованию конструкций, алгоритмов управления и методов определения пространственной и угловой ориентации. Так, интерес представляет метод определения угловой ориентации БАС, предложенный в патенте [1], в основе которого лежит измерение инфракрасного фона вокруг дрона датчиками инфракрасного излучения (ИК-датчиками). Наличие температурного градиента атмосферы и подстилающей поверхности позволяет определить угол тангажа и крена, основываясь на относительных разностных сигналах ИК-датчиков, расположенных вдоль конструкционных осей фюзеляжа. Преимущества данного метода перед бесплатформенной инерциальной системой с использованием микромеханических акселерометров и датчиков угловой скорости, традиционно применяющейся для определения угловой ориентации, заключаются в отсутствии температурного дрейфа нулевого сигнала, а также неподверженности влиянию динамических параметров БАС во время маневрирования. Однако высокая стоимость ИК-датчиковне позволяет применять их в системах стабилизации дронов, рассчитанных на массовое потребление.
Цель работы. В патентах [2, 3] предприняты попытки сократить количество ИК-датчиков, что, в свою очередь, ведет к необходимости проводить предполетную калибровку датчиков с целью определения рабочего диапазона выходного сигнала. Ручная калибровка сопряжена с возможностью получения ошибки ввиду попадания в поле зрения ИК-датчиков посторонних объектов. Для предотвращения подобных ситуаций в работе [4] предлагается производить предполетную калибровку посредством регрессионного моделирования рабочего диапазона выходного сигнала ИК-датчиков на основе информации о текущей метеорологической обстановке. Указанный метод показал хорошие результаты, однако возникает предположение, что аналогичный расчет, выполненный с применением нейронных сетей (НС), может оказаться более эффективным. Для проверки дан-ногопредположения выполнено нейросетевое моделирование выходного сигнала датчика инфракрасного излучения.
Основой для расчета служат данные эксперимента, подробно описанного в работе [4]. В качестве входных данных использованы следующие метеорологические факторы: температура воздуха, относительная влажность воздуха, атмосферное давление, направление ветра, скорость ветра, балл общей облачности, тип облачности, горизонтальная видимость, тип осадков, а также время суток. В качестве выходных данных выступают две величины, определяющие рабочий диапазон - максимальное и минимальное значение выходного сигнала ИК-датчика. Среди указанных входных данных встречаются как непрерывные, так и категориальные величины. К непрерывным величинам относится температура воздуха, относительная влажность воздуха, атмосферное давление, скорость ветра, балл общей облачности, горизонтальная видимость и время суток. В случае нейросетевого моделирования такие данные необходимо масштабировать - привести к единому диапазону изменения, соответствующему диапазону выходных значений функции активации нейронов скрытого слоя. Такая процедура не вызывает затруднений и в большинстве программных пакетов производится автоматически. Кодирование категориальных данных необходимо рассмотреть более подробно. К категориальным данным относится направление ветра, тип облачности и тип осадков. Присвоение каждой категории числового эквивалента не имеет смысла, так как в этом случае кодируемые категориальные данные превращаются в непрерывные. Чтобы избежать этого применяется так называемое «ёитту-кодирование», заключающееся в присвоении каждой категории ряда признаков, равного, как правило, количеству категорий. Каждый признак может принимать значение 1 (истина) или 0 (ложь).
Рассмотрим кодирование направления ветра. Согласно метеорологической классификации [5] направление ветра разделяется на 16 категорий, соответствующих шестнадцати румбам. Для осуществления кодирования каждому направлению ветра присваивается 8 признаков, соответствующих основным и производным от основных румбам: северный (С), се-
веро-восточный (С-В), восточный (В), юго-восточный (Ю-В), южный (Ю), юго-западный (Ю-З), западный (З), северо-западный (С-З). Для кодирования направлений ветра, соответствующих румбам, отстоящим от основных на 1/16 полной окружности, значение 1 присваивается одновременно двум признакам. Кодирование направлений ветра представлено в табл. 1.
Таблица 1
Кодирование направлений ветра
Признаки
№ п/п Направление ветра б 00 00 8 2 m 8 03 m 6 о
Ff7 Ff6 Ff5 Ff4 Ff33 Ff2 Ff Ff0
1 Северный 0 0 0 0 0 0 0 1
2 Северный северо-восточный 0 0 0 0 0 0 1 1
3 Северо-восточный 0 0 0 0 0 0 1 0
4 Восточный северо-восточный 0 0 0 0 0 1 1 0
5 Восточный 0 0 0 0 0 1 0 0
6 Восточный юго-восточный 0 0 0 0 1 1 0 0
7 Юго-восточный 0 0 0 0 1 0 0 0
8 Южный юго-восточный 0 0 0 1 1 0 0 0
9 Южный 0 0 0 1 0 0 0 0
10 Южный юго-западный 0 0 1 1 0 0 0 0
11 Ю го-западный 0 0 1 0 0 0 0 0
12 Западный юго-западный 0 1 1 0 0 0 0 0
13 Западный 0 1 0 0 0 0 0 0
14 Западный северо-западный 1 1 0 0 0 0 0 0
15 Северо-западный 1 0 0 0 0 0 0 0
16 Северный северо-западный 1 0 0 0 0 0 0 1
Рассмотрим кодирование типа облачности. Согласно международной метеорологической классификации [5], облака различаются по высоте - облака нижнего, среднего и верхнего яруса, а также по роду - слоистые, кучевые и перистые. В свою очередь, облака нижнего и среднего яруса могут быть дождевыми, а облака среднего и верхнего яруса - просвечивающими. Для осуществления кодирования каждому типу облачности присваивается 8 признаков, три из которых соответствуют родам облаков, три
221
- высотным ярусам, один характеризует просвечиваемость и один указывает, являются ли облака дождевыми. Предложенное кодирование позволяет комбинировать параметры, что повышает точность описания. В ходе наблюдений зафиксировано 12 типов облачности, кодирование которых представлено в табл. 2.
Таблица 2
Кодирование типа облачности
Признаки
№ п/п Тип облачности Перистые Кучевые Слоистые Верхний ярус Средний ярус Нижний ярус Просвечивающие Дождевые
С 7 Сб С5 С4 С3 С2 С, С0
1 Ясно 0 0 0 0 0 0 0 0
2 Перистые 1 0 0 1 0 0 0 0
3 Перисто-кучевые 1 1 0 1 0 0 0 0
4 Перисто-слоистые 1 0 1 1 0 0 0 0
5 В ысокослоистые просвечивающие 0 0 1 0 1 0 1 0
6 В ысокослоистые 0 0 1 0 1 0 0 0
7 Высококучевые 0 1 0 0 1 0 0 0
8 Кучевые 0 1 0 0 0 1 0 0
9 Кучево-дождевые 0 1 0 0 0 1 0 1
10 Слоисто-кучевые 0 1 1 0 0 1 0 0
11 Слоисто-дождевые 0 0 1 0 0 0 0 1
12 Слоистые 0 0 1 0 0 1 0 0
Кодирование типа осадков осуществляется аналогичным образом. В ходе наблюдений [4] были зафиксированы следующие виды осадков: снег, ледяные иглы, дождь, морось, туман, дымка. В свою очередь, снег, дождь и морось различаются по интенсивности (слабый, умеренный, сильный), а также могут быть непрерывными или ливневыми. Для осуществления кодирования каждому типу осадков присваивается 11 признаков, два из которых указывают на непрерывный или ливневый характер осадков, три соответствуют интенсивности и шесть -видам осадков. В ходе наблюдений зафиксировано 17 типов осадков. Таким образом, НС имеет 10 входов, 3 из которых являются категориальными, и 2 выхода, их описание представлено в табл. 3.
Таблица 3
Описание входов и выходов нейронной сети
№ п/п Наименование величины Диапазон Варьирования / количество категорий Единицы измерения
Входные данные
1 Температура воздуха -19.31,8 °С
2 Относительная влажность воздуха 30..100 %
3 Атмосферное давление 725..759 мм.рт.ст
4 Направление ветра 16 -
5 Скорость ветра 0..7 м/с
6 Балл общей облачности 0..10 -
7 Тип облачности 12 -
8 Горизонтальная видимость 0,2..10 км
9 Тип осадков 17 -
10 Время суток 0,37..0,9 час/24
Выходные данные
11 Максимальное значение выходного сигнала ИК-датчика -19,45..31,47 °С
12 Минимальное значение выходного сигнала ИК-датчика -42,4..17,89 °С
На первым этапе нейросетевого моделирования необходимо выбрать оптимальную функцию активации нейронов скрытого слоя. Критерием оценки при выборе функции активации является средняя производительность НС на обучающем, контрольном и тестовом множестве. Функции активации представлены тождественной, логистической, гиперболической, экспоненциальной или синусоидальной функциями. При обучении использованы НС с различным количеством нейронов скрытого слоя. Результаты приведены в табл. 4.
Таблица 4
Производительность нейронной сети при различных функциях активации нейронов скрытого слоя
Функция активации Производительность сети, %
8 нейронов 28 нейронов 40 нейронов
Тождественная 98,263 98,261 98,268
Логистическая 97,797 98,115 97,956
Гиперболическая 98,228 98,377 98,344
Экспоненциальная 98,031 98,413 98,405
Синусоидальная 83,416 98,331 98,331
Как видно из табл. 4, производительность НС высокая, однако наилучшие результаты показали сети с экспоненциальной и гиперболической функцией активации и количеством нейронов около 28. На втором этапе необходимо определить оптимальное количество нейронов скрытого слоя. Для этого проведено обучение и оценена производительность ряда НС с экспоненциальной и гиперболической функцией активации и количеством нейронов скрытого слоя в диапазоне от 4 до 60 с шагом в 4 нейрона. Графики, иллюстрирующие результаты, представлены на рисунке.
-График 1 -График 2
.......Тренд графика 1 ■ ■■ Тренд графика 2
98,7
£ 98,6
£ 98,5 и
и 98,4
XI
у 98,3 I 98,2
Ц
Ё 98,1 д 98,0
I 97,9 р,
С 97,8 97,7
Количество нейронов скрытого слоя
Зависимость производительности нейронной сети от функции активации и количества нейронов скрытого слоя
На рисунке производительность НС с экспоненциальной функцией активации нейронов скрытого слоя представлена графиком 1, производительность НС с гиперболической функцией активации нейронов скрытого слоя представлена графиком 2. Как видно из графиков, в обоих случаях устоявшаяся производительность составляет около 98,4 %, однако при использовании гиперболической функции активации это значение достигается использованием меньшего количества нейронов, что снижает вычислительные затраты. Таким образом, оптимальной будет являться НС с количеством нейронов скрытого слоя равным 12 и гиперболической функцией активации.
В завершение оценим стандартную ошибку НС с выбранной архитектурой и сравним её с аналогичным значением регрессионных моделей, полученных в работе [4]. Результаты приведены в табл. 5.
224
Таблица 5
Сравнение стандартной ошибки нейронной сети и регрессионных моделей
Наименование величины Стандартная ошибка нейронной сети, °С Стандартная ошибка регрессионной модели, °С
Максимальное значение выходного сигнала ИК-датчика 1,238 1,458
Минимальное значение выходного сигнала ИК-датчика 1,977 2,607
Заключение. В результате, стандартная ошибка при определении максимального и минимального значения выходного сигнала ИК-датчика с помощью НС меньше, чем в случае использования регрессионных моделей. Таким образом, применение нейросетевого моделирования уменьшает стандартную ошибку определения рабочего диапазона выходного сигнала ИК-датчиков на основе информации о текущей метеорологической обстановке и, тем самым, делает предполетную калибровку БАС более эффективной.
Список литературы
1. Пат. 6181989 США. Aircraft attitude sensor feedback control system / J. A. Gwozdecki, заявл. 22.10.99. Опубл. 30.01.01.
2. Пирометрическая вертикаль: пат. 96950 РФ. № 2010108818/22; заявл. 09.03.10; опубл. 20.08.10. Бюл. № 23. 3 с.
3. Пирометрическая вертикаль: пат. 100231 РФ. № 2010110360/28; заявл. 18.03.10. Опубл. 10.12.10. Бюл. № 34. 6 с.
4. Рябцев М.В., Регрессионное моделирование выходного сигнала датчика инфракрасного излучения // Научно-технический журнал «Фундаментальные и прикладные проблемы техники и технологии». 2017. № 2 (322) ПИ № ФС77-67029 от 30 августа 2016 г.
5. Гидрометцентр России: О погоде - из первых рук // Прогнозы погоды по городам мира, официальная экстренная информация об опасных погодных явлениях, климат, обстановка на морях, гидрология, экспорт прогнозов погоды, карты погоды [Электронный ресурс]. URL: http://www.meteoinfo.ru/ (дата обращения: 30.06.2017).
Рябцев Максим Вадимович, асп., гvabtseff.max@,vandex.ги, Россия, Тула, Тульский государственный университет
NEURAL NETWORK MODELLING OF THE INFRARED SENSOR OUTPUT SIGNAL
M. V. Ryabtsev
In article modeling of an output signal working range of the infrared sensors, entering into structure of an unmanned aerial system, for the purpose of realization of pre-flight calibration is considered.Data for the current meteorological situation are used as inputs to simulations produced by neural networks.In addition, the comparison of the standard error of a neural network model with a similar value obtained in the course of regression modeling is performed.
Key words:unmanned aviation system, orientation, calibration, infrared radiation, infrared sensor, meteorological factors, neural network.
Ryabtsev Maxim Vadimovich, postgraduate, [email protected], Russia, Tula, Tula State Univesity
