КЛАСТЕРИЗАЦІЯ ТА КЛАСИФІКАЦІЯ УДАРНИХ БЕЗПІЛОТНИХ ЛІТАЛЬНИХ АПАРАТІВ НА ОСНОВІ НЕЙРОННИХ МЕРЕЖ

Анотація

У роботі показано, що для розв’язання задач кластеризації та класифікації ударних безпілотних літальних апаратів можуть бути застосовані методи штучного інтелекту, а саме нейронні мережі. Результати аналізу залежності точності кластеризації від кількості нейронів у прихованому шарі показали, що нейронна мережа кластеризації ударних безпілотних літальних апаратів NN SOM FPV UAVs має найкращу точність при 18 нейронах у прихованому шарі. Кластеризація ударних безпілотних літальних апаратів продемонструвала, що їх можна поділити на 4 кластери. При цьому за кількістю БпЛА у кожному кластері їх можна згрупувати у 3 класи.
Навчання СNN FPV UAVs здійснювалось за допомогою алгоритму Левенберга-Марквардта. За результатами навчання нейронну мережу класифікації ударних безпілотних літальних апаратів було навчено з точністю 99,2%, перевірено і протестовано з точностями – 98,1%, а загальна точність нейронної мережі класифікації ударних безпілотних літальних апаратів становила 98,9%. Результати аналізу гістограми похибок між цільовими значеннями та прогнозованими значеннями після навчання нейронної мережі класифікації безпілотних літальних апаратів свідчать про те, що значення похибки становить 0,03868. Оскільки похибки близькі до нуля, то навчена нейронна мережа здійснює класифікацію ударних безпілотних літальних апаратів добре. Перевірка роботи СNN FPV UAVs на довільному наборі ударних безпілотних літальних апаратів показала 100% збіг класів фактичних ударних безпілотних літальних апаратів та даних, які отримано з використанням СNN FPV UAVs.
Напрямом подальшого дослідження може бути створення нейронних мереж для кластеризації та класифікації об’єктів групових цілей, а також для розв’язання задачі розподілу неоднорідного рою ударних безпілотних літальних апаратів по об’єктах нестаціонарної неоднорідної групової цілі.