Описание

Введение

Цель исследования: Основной целью исследования, освещаемого в статье, является разработка метода идентификации технического состояния радиотехнических средств (РТС) военного назначения с использованием технологий искусственных нейронных сетей. Проблема заключается в отсутствии эффективных и полностью автоматических систем для идентификации технического состояния различных типов РТС. Актуальность: В условиях усложнения функциональных и технологических характеристик современных РТС возрастает необходимость в системах, способных осуществлять надежный мониторинг и контроль их состояния. Применение машинного обучения и нейронных сетей представляется перспективным направлением для решения этой задачи, что делает данное исследование актуальным в контексте развития технологий в области обороны.

Методология

Описание методов: В исследовании используется многослойная нейронная сеть прямого распространения с тремя скрытыми слоями. Количество нейронов входного слоя соответствует числу контролируемых параметров РТС, а выходного слоя — количеству возможных классов технического состояния. Для обучения сети применяется эвристическая модификация алгоритма Левенберга–Марквардта. Обоснование выбора методов: Выбор многослойной нейронной сети обусловлен ее высокой информационной емкостью и способностью к обобщению, что важно для надежной идентификации состояния РТС. Эвристическая модификация алгоритма Левенберга–Марквардта позволяет повысить скорость обучения и снизить чувствительность к локальным минимумам.

Основные результаты

Ключевые находки: Метод позволяет в реальном времени идентифицировать классы технического состояния РТС на основе измерений контролируемых параметров. Эксперимент показал, что достоверность оценки технического состояния составила 93%. Статистическая значимость: Исследование проводилось на выборке из 3800 наблюдений с контрольной выборкой в 15%, что подтверждает статистическую значимость полученных результатов.

Обсуждение и интерпретация

Анализ результатов: Авторы интерпретируют результаты как свидетельство эффективности предложенного метода для идентификации состояния РТС. Высокая достоверность оценки указывает на потенциал метода для практического применения. Сравнение с предыдущими исследованиями: В отличие от существующих подходов, предложенный метод обеспечивает более высокую оперативность и достоверность благодаря использованию нейронных сетей и алгоритмов машинного обучения.

Заключение

Основные выводы: Метод, основанный на прецедентных принципах машинного обучения, позволяет эффективно идентифицировать техническое состояние РТС в реальном времени. Практическая значимость: Результаты могут быть использованы для создания комплексных систем мониторинга состояния РТС, что повысит надежность их эксплуатации. Ограничения исследования: Основное ограничение связано с необходимостью наличия обучающей выборки достаточного объема. Рекомендации для будущих исследований: Необходимы дальнейшие исследования для увеличения достоверности идентификации и адаптации метода к различным типам РТС.

Ключевые слова и термины

Ключевые термины: идентификация технического состояния, искусственные нейронные сети, радиотехнические средства, машинное обучение, нормировка данных, эвристическая модификация алгоритма Левенберга–Марквардта.

Библиография

• Ссылки на ключевые источники:
• Допира Р.В., Щербинко А.В., Брежнев Д.Ю., Щербинко Т.А. Методический подход к построению диагностической модели поиска отказов сложной технической системы.
• Бабокин Г.И., Шпрехер Д.М. Контроль технического состояния электромеханических систем при помощи нейросетевых схем распознавания.