Аннотация
ВВЕДЕНИЕ 5
Глава 1. Орбитальный резонанс 7
1.1 Понятие орбитального резонанса 7
1.2 Геометрия резонанса 7
1.3 Резонансный аргумент 12
Глава 2. Машинное обучение 14
2.1 Общее понятие машинного обучения 14
2.2 Описание используемых методов машинного обучения 15
2.2.1 Искусственные нейронные сети 15
2.2.1 Сверточные нейронные сети 17
Глава 3. Разработка программного обеспечения 21
3.1 Модуль pl_kernel 23
3.2 Модуль dataset 25
3.2 Модуль model 25
Глава 4. Результаты 26
4.1 Проблема дисбаланса классов 26
4.2 Классификация 28
4.2.1 Модель resnet50 29
4.2.2 Модель efficientnet_b7 30
4.2.3 Модель convnext_base 31
4.3 Подведение итогов классификации 32
ЗАКЛЮЧЕНИЕ 33
ЛИТЕРАТУРА 34
Приложение 1 35
1.1 Модуль dataset 35
1.2 Модуль pl_kernel 37
1.3 Модуль predict 39
Приложение 2 40
2.1 Модель resnet50 40
2.2 Модель efficientnet_b7 43
2.3 Модель convnext_base 45
Научный интерес к исследованию астероидной динамики, в частности динамики астероидов, сближающихся с Землей (АСЗ), обусловлен рядом причин, одной из которых является опасность их столкновения с Землей. На сегодняшний день выявление потенциально опасных для Земли астероидов и исследование эволюции их орбит является важной и актуальной задачей, поскольку на крайне высоких скоростях падение даже небольшого небесного тела может привести как к региональной, так и к глобальной катастрофе.
Необходимо также отметить, что в изучении динамики АСЗ большую роль играет исследование орбитальных резонансов с планетами, так как они оказывают значительное влияние на движение исследуемых объектов. Способствуя поддержанию геометрической конфигурации «астероид-планета», устойчивый резонанс является своего рода механизмом для защиты астероида от сближений с соответствующей планетой, в то время как неустойчивый резонанс приводит к регулярным сближениям и к хаотичности движения. Таким образом, неустойчивые орбитальные резонансы могут вызывать тесные и многократные сближения АСЗ с большими планетами, что в свою очередь приводит к существенным изменениям параметров орбит астероидов и увеличивает вероятность столкновений с планетами [1 ].
Одной из основных проблем классификации орбит астероидов по типу резонансных соотношений является необходимость обработки большого объема данных, что в настоящее время осуществляется вручную. Данный процесс является очень трудоемким для человека и требует больших затрат времени, в связи с чем остро стоит задача автоматизации ручного труда путем использования методов численного моделирования и машинного анализа данных. Использование методов машинного обучения для классификации орбит астероидов уже применялось ранее, только там использовалась автоматическая разметка данных [2].
Цель настоящей бакалаврской работы заключается в том, чтобы разработать программное обеспечение, предназначенное для разделения резонансного и нерезонансного движения астероидов.
Для достижения поставленной цели в бакалаврской работе решаются следующие задачи:
1) ознакомление с теорией по динамике резонансных астероидов;
2) разработка системы классификации орбит астероидов по типу резонансного аргумента;
3) проведение экспериментов для выбора наилучшего классификатора;
4) анализ результатов;
5) написание документации.
В данной бакалаврской работе выполнена разработка программного обеспечения, предназначенного для классификации орбит астероидов по типу резонансного аргумента. Проведена разметка временных рядов в интерактивном режиме. Далее размеченные данные конвертировались в трехканальные изображения для корректной работы сверточной нейронной сети. В результате экспериментов были выбраны три лучшие архитектуры для этой задачи классификации: resnet50, efficientnet_b7 и convnext_base. Из тройки архитектур СНС convnext_base показала наилучшие результаты с значением accuracy 92.8 процентов.
