Алгоритм створення нейронної мережі для класифікації ударних безпілотних літальних апаратів

 Метою статті є розроблення алгоритму створення нейронної мережі для класифікації ударних безпілотних літальних апаратів за їхніми тактико-технічними характеристиками на основі елементів штучного інтелекту. Під час проведення дослідження застосовано основні принципи теорії штучного інтелекту, положення системного підходу, методи формальної логіки, аналізу та порівняння документів. Це поєднання дало змогу розробити алгоритм створення нейронної мережі для класифікації ударних безпілотних літальних апаратів. Запропоновано алгоритм створення нейронної мережі для класифікації ударних безпілотних літальних апаратів за їхніми тактико-технічними характеристиками. Описано підходи до проєктування архітектури, методів навчання, підготовки даних для проведення навчання, тренування та тестування нейронної мережі для класифікації ударних безпілотних літальних апаратів. Продемонстровано, що процес створення та навчання нейронної мережі має шість етапів: формування бази даних; вибір архітектури нейронної мережі; навчання нейронної мережі; вибір алгоритму навчання; оцінювання результатів навчання; використання нейронної мережі. Розроблено структурно-функціональну схему нейронної мережі, що складається з вхідного, прихованого та вихідного шарів, кожен окремий нейрон описано відповідною активаційною функцією із підібраними ваговими коефіцієнтами. На основі аналізу різних типів та архітектур нейронних мереж обрано один із типів багатошарової нейронної мережі, а саме згорткову нейронну мережу (Convolutional neural network). Оскільки пакет МАТLAB пропонує декілька інструментів для побудови нейронних мереж, то для класифікації ударних безпілотних літальних апаратів вибрано інструмент побудови архітектури нейронної мережі Pattern Recognition app, який формує двошарову нейронну мережу прямого зв’язку із прихованим і вихідним шарами та сигмоїдною функцією активації у прихованому шарі. Для навчання нейронної мережі, базу даних ударних безпілотних літальних апаратів поділено на тренувальний, перевірочний та тестовий набори, у співвідношенні 70% : 15% : 15% відповідно. Навчання мережі здійснюється за алгоритмом зворотного поширення Левенберга–Марквардта, який має найбільшу стійкість і високу швидкість збіжності. Результати оцінювання свідчать, що загальна точність нейронної мережі становить 98,9%, а значення похибки – 0,03868 вказує на високу продуктивність мережі. Наукова новизна полягає у розробленому алгоритмі створення нейронної мережі для класифікації ударних безпілотних літальних апаратів, який узагальнює типові етапи та процеси класифікації рою ударних безпілотних літальних апаратів на основі методів штучного інтелекту. Практичною і теоретичною значущістю викладеного у статті є можливість використання результатів дослідження для створення нейронної мережі залежно від складності й типу завдання, а також для класифікації ударних безпілотних літальних апаратів залежно від їх тактико-технічних характеристик. Напрямом подальшого дослідження може бути створення нейронних мереж для класифікації об’єктів групових цілей, а також – розв’язання задачі розподілу неоднорідного рою ударних безпілотних літальних апаратів по об’єктах нестаціонарної неоднорідної групової цілі.