Авторы
Кошевая М.А.
Организации
Московский физико-технический институт (национальный исследовательский университет)
Сессия
Космическое приборостроение и эксперимент
Форма представления
Устный
Научный руководитель
Д.В. Чурбанов
Место работы научного руководителя
Московский физико-технический институт (национальный исследовательский университет)
Текст тезисов
Возрастающее количество космических (КО) объектов требует быстрые методы определения их характеристик. Кривые блеска решают эту задачу. В данной работе предложен метод определения формы КО с помощью методов машинного обучения и нейронных сетей, которые помогут в классификации КО невыпуклых форм.
Для трех групп объектов простой геометрической формы был создан набор данных с кривыми блеска. Для одного КО, созданного со случайными параметрами, создавались 360 кадров наблюдений, моделирующих полное вращение КО. Кривая блеска получалась усреднением кадра наблюдения. Для наблюдений был добавлен гауссовский шум.
Размер набора данных кадров наблюдений для обучения уменьшался с 360 до 8 наблюдений, варьировался гауссовский шум.
Были реализованы следующие модели машинного обучения: метод опорных векторов с ядром Радиальной Базовой, случайный лес с оптимизацией гиперпараметров. Они показали точность (precision) больше 85% на выборках размером до 8 наблюдений и процентом шума до 15%.
Наборы данных разного размера и зашумленности так же были источником для обучения CNN, успешно показавшая себя в работе распознавания КО по кривым блеска [1]. Наборы данных уменьшенных размеров показали точность (accuracy) в 96% для набора из 28 компонент и 10% гауссовского шума.
CNN сохранила точность выше 90% для наборов разного размера и увеличением зашумленности до 20%.
Дальнейшая работа включает в себя работу с распознаванием материалов КО.
Литература
[1] Furfaro R., Linares R., Reddy V. Space objects classification via light-curve measurements: deep convolutional neural networks and model-based transfer learning //AMOS Technologies Conference, Maui Economic Development Board. – 2018.
Для трех групп объектов простой геометрической формы был создан набор данных с кривыми блеска. Для одного КО, созданного со случайными параметрами, создавались 360 кадров наблюдений, моделирующих полное вращение КО. Кривая блеска получалась усреднением кадра наблюдения. Для наблюдений был добавлен гауссовский шум.
Размер набора данных кадров наблюдений для обучения уменьшался с 360 до 8 наблюдений, варьировался гауссовский шум.
Были реализованы следующие модели машинного обучения: метод опорных векторов с ядром Радиальной Базовой, случайный лес с оптимизацией гиперпараметров. Они показали точность (precision) больше 85% на выборках размером до 8 наблюдений и процентом шума до 15%.
Наборы данных разного размера и зашумленности так же были источником для обучения CNN, успешно показавшая себя в работе распознавания КО по кривым блеска [1]. Наборы данных уменьшенных размеров показали точность (accuracy) в 96% для набора из 28 компонент и 10% гауссовского шума.
CNN сохранила точность выше 90% для наборов разного размера и увеличением зашумленности до 20%.
Дальнейшая работа включает в себя работу с распознаванием материалов КО.
Литература
[1] Furfaro R., Linares R., Reddy V. Space objects classification via light-curve measurements: deep convolutional neural networks and model-based transfer learning //AMOS Technologies Conference, Maui Economic Development Board. – 2018.