CC BY
0
4. Киселев Д. Ю. Функциональное моделирование на базе стандарта IDEF0 / Д. Ю. Киселев. - Самара : СГАУ, 2014. - 20 с.
5. Мезенцев К. Н. Автоматизированные информационные системы / К. Н. Мезенцев. - Москва : Академия, 2016. - 174 с.
6. Новоселова О.В. Моделирование предметных задач на начальных этапах автоматизации проектной деятельности: учеб. пособие. - М.: ФГБОУ ВО «МГТУ «СТАНКИН», 2016. - 100 с. - Текст: непосредственный.
© Сырич К.А., 2024
УДК 004.891
Царегородцев В. В.
магистрант 2 курса ПГТУ г. Йошкар-Ола, РФ Научный руководитель: Рябова Н. В.
доктор физико-математических наук, профессор, ПГТУ
г. Йошкар-Ола, РФ
РАЗРАБОТКА ЭКСПЕРТНОЙ СИСТЕМЫ НА БАЗЕ НЕЙРОСЕТИ В СРЕДЕ PYTHON ДЛЯ ПРОГНОЗИРОВАНИЯ ПАРАМЕТРОВ MUF и OWF ДЛЯ ДЕКАМЕТРОВОГО РАДИОКАНАЛА
Аннотация
В статье представлена разработка экспертной системы на базе нейросети для прогнозирования максимальной частоты полезного сигнала (MUF) и оптимальной рабочей частоты (OWF) для декаметрового радиоканала. Система построена на исторических данных критической частоты ионосферного слоя F2 (foF2) и его высоты (hF2). Используя исторические данные, нейросетевая модель прогнозирует значения foF2 и hF2, а затем рассчитывает MUF и OWF на основе введенных пользователем даты сеанса и расстояния между передатчиком и приемником. Реализация системы выполнена в среде Python с использованием современных библиотек машинного обучения и инструментов для работы с данными. Система демонстрирует высокую точность прогнозов и обеспечивающую надежную радиосвязь на больших расстояниях.
Ключевые слова
Экспертная система, декаметровый радиоканал, нейросеть, MUF, OWF.
Tsaregorodtsev V. V.
2nd year master's student at PSTU Yoshkar-Ola, Russian Federation Scientific supervisor: Ryabova N. V.
Doctor of Physical and Mathematical Sciences, Professor, Yoshkar-Ola State Technical University, Russian Federation
DEVELOPMENT OF AN EXPERT SYSTEM BASED ON A NEURAL NETWORK IN THE PYTHON ENVIRONMENT FOR PREDICTING MUF AND OWF PARAMETERS FOR A DECAMETER RADIO CHANNEL
Annotation
The article presents the development of an expert system based on a neural network for predicting the
maximum frequency of the useful signal (MUF) and the optimal operating frequency (OWF) for a decameter radio channel. The system is based on historical data of the critical frequency of the ionospheric layer F2 (foF2) and its height (hF2). Using historical data, the neural network model predicts the values of foF2 and hF2, and then calculates MUF and OWF based on the session date entered by the user and the distance between the transmitter and receiver. The system is implemented in the Python environment using modern machine learning libraries and tools for working with data. The system demonstrates high accuracy of forecasts and provides reliable radio communication over long distances.
Keywords
еxpert system, decameter radio channel, neural network, MUF, OWF2.
2. Введение
В радиосвязи декаметрового диапазона (3-30 МГц) важными параметрами для качественного планирования связи являются максимальная частота полезного сигнала (MUF) и оптимальная рабочая частота (OWF). Точность прогнозирования MUF и OWF напрямую зависит от анализа критической частоты ионосферного слоя F2 foF2) и его высоты (hF2). С учетом сложности временных и пространственных вариаций ионосферы, нейронные сети стали мощным инструментом для повышения точности таких прогнозов. В данной статье рассматривается разработка экспертной системы для прогнозирования параметров MUF и OWF на основе исторических данных foF2 и hF2.
3. Проблема
Прогнозирование MUF и OWF традиционными методами затруднено из-за множества переменных факторов, включая атмосферные условия, солнечную активность и временные колебания. Нейронные сети могут анализировать большое количество исторических данных, выявлять скрытые зависимости и обеспечивать более точные прогнозы.
4. Экспертная система
Экспертная система на базе нейросети для прогнозирования MUF и OWF включает следующие компоненты:
1) База данных исторических показаний foF2 и hF2
База данных содержит исторические сведения о значенияхfoF2 и hF2 за предыдущие годы, которые могут быть собраны из различных источников, включая геофизические и ионосферные станции. Эти данные используются для обучения нейросетевой модели.
2) Нейросетевая модель
Архитектура нейросетевой модели включает временные рекуррентные нейронные сети (RNN) или временные свёрточные нейронные сети (TCNN), что позволяет учитывать временные зависимости и исторические тренды в данных foF2 и hF2. Обучение модели происходит на основе исторических данных, что позволяет прогнозировать значения foF2 и hF2 на заданную дату.
3) Модуль расчета MUF и OWF
После прогнозирования значений foF2 и hF2, система использует эти значения вместе с введенным расстоянием для расчета MUF и OWF. MUF и OWF вычисляются на основе эмпирических или физических моделей, учитывающих ионосферные условия и особенности распространения радиоволн.
4) Интерфейс пользователя
Интерфейс пользователя позволяет вводить дату сеанса связи и расстояние между передатчиком и приемником. Эти данные необходимы для выполнения прогноза и последующего расчета MUF и OWF.
5. Алгоритм работы программы на Python
Рисунок 1 - Алгоритм работы экспертной системы на базе нейросети
6. Заключение
Экспертная система на базе нейросети для прогнозирования MUF и OWF представляет собой перспективное решение для задач радиосвязи на больших расстояниях. Использование исторических данных foF2 и hF2 совместно с передовыми нейросетевыми методами позволяет значительно повысить точность прогнозов. Реализация на Python обеспечивает гибкость и эффективность разработки, предоставляя пользователям удобный инструмент для планирования радиосвязи. Список использованной литературы:
1. Экспертные системы. Принципы работы и примеры / ред. Р. Форсайт. - М.: Радио и связь, 2009. - 224 с.
2. Барский, А.Б. Логические нейронные сети: Учебное пособие / А.Б. Барский. - М.: Бином. Лаборатория знаний, 2007. - 352 с.
3. Максимальная полезная частота // wikipedia URL: https://en.rn.wikipedia.org/wiki/ Maximum_usable_ frequency (дата обращения: 20.05.2024).
© Царегородцев В.В., 2024
