Профиль героя завтрашнего дня CNN Знакомьтесь с Эмбер Ян. Она пытается предотвратить катастрофу космического мусора , описывает исследование использования сверточной нейронной сети (CNN) для прогнозирования возможных столкновений на низкой околоземной орбите.
Если я правильно понимаю, поиск и предсказание потенциальных столкновений (таких как SOCRATES , например) выполняются путем обработки необработанных чисел, распространения всех известных объектов с чем-то вроде SGP4 в сочетании с некоторыми базовыми алгоритмами, которые только тщательно исследуют пары объектов с некоторой возможностью пересекающиеся орбиты. Можно было бы не вычислять расстояние наибольшего сближения между парой круговых орбит, например, если бы одна была GEO, а другая MEO.
Как можно применить CNN к этой проблеме? Правдоподобные предположения приветствуются, так как это несколько новый подход.
edit: я нашел краткое, но интересное введение в проблему (см. блок-схему на странице 6), но я не думаю, что это должно быть полным описанием техники.
ниже: сюжет из статьи CNN .
Хорошее видео, если у вас мало времени, посмотрите хотя бы последние две минуты!
Как специалист по данным, интересующийся космическими вещами, я могу дать ответ на этот вопрос. Должен признаться, я не совсем понимаю, что происходит в этой системе, только по слайдам лекций, поэтому мой ответ будет скорее обоснованным предположением.
На первый взгляд, здесь нет особого смысла использовать нейронную сеть . Задачи, которые способны решать нейронные сети, как правило, довольно мягкие и нечеткие (как в математическом смысле, так и в смысле «это изображение кота?»). Задачи физического моделирования имеют четко определенные правила, и лучший способ их решения — это, как правило, старое доброе моделирование методом грубой силы.
Я думаю, что здесь происходит то, что обучение нейронной сети используется для создания статистического объекта, своего рода распределения вероятностей. Один из способов думать о нейронных сетях состоит в том, что они действуют как форма сжатия данных. Обучая нейронную сеть на чем-то, вы, по сути, подгоняете сложную многомерную кривую, состоящую из сотен параметров, к данным, которые могут содержать миллионы точек. (В каком-то смысле это делают и люди. Мы берем калейдоскопическое разнообразие индивидуального опыта и придаем ему смысл с помощью относительно небольшого числа эмпирических правил, которые затем используем для принятия решений в отношении будущих событий, которые вряд ли окажутся в точности правильными. аналогично предыдущему событию).
Как упоминалось в ответе LeWavite на один из ваших предыдущих вопросов, для n объектов у вас есть 1/2 n (n-1) возможных столкновений, о которых нужно беспокоиться. В настоящее время отслеживается около ~ 17 000 частиц космического мусора, что означает, что необходимо отсортировать ~ 144 500 000 возможных столкновений, довольно громоздкое число.
Ключевой слайд из ее презентации:
Из того, что я могу понять из этой диаграммы, есть две нейронные сети с двумя разными функциями. Диаграмма слева выглядит как своего рода диаграмма состояний систем управления, которую используют робототехники. Красная нейронная сеть принимает 5 параметров орбиты (те, которые необходимы для определения орбиты, но не того, где находится объект на орбите). Мне не ясно, что такое три выходных параметра (Y(1),Y(2),Y(3)) , кажется, они больше нигде не появляются.
Синяя нейронная сеть, по-видимому, действует аналогично расширенному фильтру Калмана в том смысле, что предсказания красной нейронной сети постоянно обновляются новыми данными отслеживаемых объектов, поскольку их орбиты естественным образом отклоняются от их кеплеровских идеалов. Обучая нейронную сеть на этих обновлениях, она как бы изучает «чувство» того, как орбиты объекта имеют тенденцию меняться с течением времени.
Это все, что я могу извлечь из схемы. Учитывая, что это проприетарная система, я сомневаюсь, что будет что-то большее.
Я сомневаюсь в полезности использования сверточных нейронных сетей. Они используются в ситуациях, когда отдельные столбцы данных связаны пространственно, как точки на сетке. В основном вы видите их с нейронными сетями для обработки изображений, но они могут делать и другие вещи, например генерировать ландшафт из нарисованных линий . В обеих нейронных сетях, показанных в докладе, всего 5 входных параметров, и они представляют разные концепции, поэтому я не понимаю, как здесь могут помочь CNN.
ГдД
ооо
ооо
Дюкчжоу
ооо
Крис
Корнпоб Бхиромбхакди
ооо
ооо
Корнпоб Бхиромбхакди
ооо