ПРИМЕНЕНИЕ МЕТОДА ПРОГНОЗИРОВАНИЯ В ЗАДАЧЕ УПРАВЛЕНИЯ СПУТНИКОВОЙ РАДИОЛИНИЕЙ ДЛЯ СВЯЗИ С ЛУННЫМ МОДУЛЕМ

Разработка космических систем требует проведения расчета энергетического запаса радиолинии. Точность расчета влияет на выбор требуемых характеристик приемо-передающих устройств для эффективной передачи данных в системах «Земля-космос». Необходимо учитывать степень влияния параметров на качественные показатели, описывающие требования к связи, энергетическую составляющую радиолинии, а также помеховую обстановку, влияющую на распространение сигнала в радиолинии.

На спутниковую радиолинию при передаче радиосигналов, влияет ряд искажений, такие как затухание или амплитудное искажение сигнала, потери в свободном пространстве, шум, атмосферное поглощение. Учет всех этих факторов при управлении спутниковой радиолинии является довольно сложной задачей.

Для решения проблемы управления радиолинией системы «Земля-Луна» с учетом потерь сигнала, необходимо разработать программное средство, выполняющий расчет бюджета радиолинии и прогнозирующий точное значение потерь сигнала для их минимизации. Для этого необходимо выбрать метод прогнозирования, который наиболее подходит для решения данной задачи.

Искусственный интеллект – новейшая информационная технология, имеющая специфический круг задач и базирующаяся на ранее существовавших технологиях [3]. 

В настоящее время существует множество различных методов и технологий, развиваемых в рамках искусственного интеллекта [1]. С учётом большого количества параметров следует выбирать метод из группы методов искусственного интеллекта, а именно нейросетевые технологии, основанные на использовании различных парадигм нейронных сетей и методов их обучения.

Применение метода искусственных нейронных сетей позволит выбрать оптимальную модель для прогнозирования потерь сигнала радиолинии системы "Земля-Луна". Нейронные сети позволяют находить решения для задач с высокой размерностью. Другая их особенность – возможность обучения такой сети [5].

Цель данной работы - использовать преимущества нейросетевого метода для выполнения задачи управления радиолинией космической связи "Земля-Луна".

Для целей прогнозирования более всего подходит нейронная сеть с прямым распространением сигнала, которая представляет собой многослойную нейронную сеть без обратных связей и задержек и способна установить функциональную связь между исходными и прогнозируемыми данными [4].

Алгоритм обратного распространения ошибки (АОРО) является одним из методов обучения многослойных нейронных сетей прямого распространения [2]. Основная идея этого метода состоит в распространении сигналов ошибки от выходов сети к ее входам, в направлении, обратном прямому распространению сигналом в обычном режиме работы. Недостатком метода является долгий процесс обучения нейронной сети, при этом она может вовсе не обучиться [6].

Выясним, как данный метод используется при решении задач прогнозирования. Рассмотрим сложную систем , в которой обозначим  – вектор входных воздействий,  – вектор результирующих характеристик (показателей), F– функциональное преобразование, осуществляемое системой S. Очевидно, что , , а прогноз, как интегральный показатель эффективности:

                                           (1)

Для прогнозирования ослабления сигнала был выбран нейросетевой метод на основе алгоритма обратного распространения ошибки. Это позволит системе становится гибкой и настраиваемой в зависимости от доступных ресурсов, а также увеличить скорость построения прогноза.

Процесс прогнозирования представлен на рисунке 1.

Рисунок 1. Схема процесса прогнозирования

После предоставления инженером параметров сигнала, земных станции и космических аппаратов, в том числе и лунного модуля, происходит занесение этих данных в БД и инициируется запуск расчет бюджета радиолинии. При получении результатов расчета, инженер инициирует алгоритм прогнозирования.

На рисунке 2 представлена диаграмма декомпозиции A0.

Рисунок 2. IDEF0 диаграмма А0

Входной информацией являются параметры, необходимые для проведения расчета бюджета радиолинии, а именно: сигнала, земных станции, космических аппаратов и лунного модуля.

Параметры сигнала подразумевают под собой сигнально-кодовую конструкцию, в которую входят такие параметры как тип кодирования, вид модуляции, скорость передачи данных и т.д. К остальным же параметрам относятся частоты, диаметры антенн, расстояние или географические координаты.

С помощью входной информации проводится расчет бюджета радиолинии по регламентам радиосвязи и методике расчета, а также проводится прогнозирование потерь сигнала с помощью нейросетевого метода.

Исполнение всех функций возложено на вычислительную машину (ЭВМ) и инженеров. Инженер вводит параметры для проведения расчета, после чего инициируется сам расчет и прогноз потерь сигнала.

Таким образом, предложенный метод позволит осуществить поддержку принятия решения характеристик приемо-передающих устройств с учетом потерь сигнала.