О статье

АЛГОРИТМ ОПТИМИЗАЦИИ ГИПЕРПАРАМЕТРОВ МНОГОСЛОЙНОГО ПЕРСЕПТРОНА ДЛЯ РЕШЕНИЯ ЗАДАЧИ ПРОГНОЗИРОВАНИЯ ТЕХНИЧЕСКОГО СОСТОЯНИЯ КОСМИЧЕСКОГО АППАРАТА
ALGORITHM FOR OPTIMIZING THE HYPERPARAMETERS OF A MULTILAYER PERSEPTRON FOR SOLVING THE PROBLEM OF PREDICTING THE TECHNICAL STATE OF A SPACE VEHICLE

DOI: 10.46573/2658-5030-2021-1-64-70

Скачать статью

Авторы

Г.А. ЗУБКОВ, научный сотрудник

Аннотация

Статья посвящена разработке алгоритма оптимизации гиперпараметров многослойного персептрона для обучения алгоритма прямого распространения, который решает задачу прогнозирования технического состояния космического аппарата. Актуальность прогнозирования состояния космических аппаратов обуслов-лена возрастающим уровнем сложности задач, выполняемых сектором анализа центра управления полетом. Предложенный алгоритм включает в себя определение эмпирического распределения значений гиперпараметров со случайным поиском значений из этого распределения, а также проведение дальнейшего поиска значений гиперпараметров модели на сетке. Данный алгоритм позволил существенно сократить время нахождения оптимальных гиперпараметров по сравнению с остальными мето-дами поиска гиперпараметров. Качественная оценка производилась путем сравнения итогового времени нахождения гиперпараметров с использованием алгоритма и применением иных методов.

Ключевые слова

нейронная сеть, многослойный персептрон, гиперпараметры, оптимизация, космический аппарат, машинное обучение, поиск на сетке.

Abstract

The article is devoted to the development of an algorithm for optimizing the hyperparameters of a multilayer perceptron for training the feedforward algorithm, which solves the problem of predicting the technical state of a spacecraft. The relevance of predicting the state of spacecraft is due to the increasing level of complexity of the tasks performed by the analysis sector of the mission control center. The proposed algorithm includes the determination of the empirical distribution of hyperparameter values with a random search for values from this distribution, as well as further search for the values of the model hyperparameters on the grid. The use of this algorithm made it possible to significantly reduce the time for finding the optimal hyperparameters in comparison with other methods of searching for hyperparameters. A qualitative assessment was made by comparing the total time of finding the hyperparameters using the algorithm and using other methods.

Keywords

neural network, multilayer perceptron, hyperparameters, optimization, spacecraft, machine learning, grid search.