Генеративные нейросетевые структуры для оптимизации каналов связи и определения оптимального зондирующего воздействия на физические системы

Целью диссертационного исследования было создание и исследование алгоритмов формирования оптимального зондирующего воздействия и оптимальных сигналов для переноса информации в нестационарных многомасштабных физических системах со стохастическими помехами. Для достижения этой цели были поставлены и решены следующие задачи: 1) Разработка алгоритма оптимизации воздействия на физические среды и системы и теоретическое обоснование его эффективности для нестационарных условий со стохастическими помехами. 2) Исследование методов анализа физических систем, которые возможно использовать в алгоритме оптимизации воздействия при разном соотношении априорных и апостериорных данных. 3) Исследование нейросетевых методов эмуляции физических сред и систем. 4) Разработка и исследование метода оптимизации нейронных сетей с физически интерпретируемыми параметрами для их использования в современных измерительных комплексах. В ходе решения описанных задач было получено множество результатов в области оптимизации атмосферной оптической и акустической связи, а также в задачах оптимального приема сигналов и увеличения эффективности нейросетевых систем анализа экспериментальных данных. Разработан и теоретически обоснован нейросетевой алгоритм оптимизации зондирующего воздействия на физические системы. Теоретически показано, что совместное обучение трех нейронных сетей: формирователя воздействия, эмулятора физической системы и анализатора отклика позволяет управлять состоянием исследуемой системы и соответствующим этому состоянию откликом. Для канала связи показано, что разработанный алгоритм позволяет уменьшать потери информации в любой среде распространения сигналов, где преобразование сигнала каналом связи можно описать непрерывным оператором. Теоретически и экспериментально исследовано формирование и корректировка акустических сигналов и волновых фронтов, переносящих информацию в нестационарных акустических средах со стохастическими искажениями, с помощью системы связанных нейронных сетей. Разреботанный нейросетевой алгоритм оптимизации акустического канала связи был исследован с помощью натурных и модельных экспериментов с многоантенными системами. В ходе экспериментов в многоантенном канале связи с замираниями нейросетевая система выработала метод кодирования и приема сигналов позволяющий уменьшить вероятность ошибки приема бита не менее чем на 10% по сравнению со стандартными методами. Кроме того, разработанный алгоритм адаптивен и способен за несколько секунд перестроить параметры приемников и передатчиков под новые резко изменившиеся условия в тракте без потери информационной емкости канала связи. Разработан и верифицирован адаптивный нейросетевой метод коррекции оптического волнового фронта в турбулентной атмосфере. Метод позволяет значительно снизить искажения, вызванные сильной турбулентностью, а использование специальной нейросетевой архитектуры снижает требования к информационной емкости служебного канала связи более чем в сто раз по сравнению с аналогичными адаптивными методами коррекции волнового фронта. Выявлены и исследованы особенности сигнала ЯКР тринитротолуола, обуславливающие оптимальность для его детектирования нейронной сетью с архитектурой выбранной исходя из априорных знаний о свойствах сигнала. Обоснован, разработан и исследован нейросетевой метод обнаружения сигналов ЯКР TNT в сильном шуме в условиях температурной неопределённости вещества. Экспериментальная верификация метода продемонстрировала его превосходство по критерию точность/скорость работы в сравнении с классическими методами обнаружения сигналов ЯКР с априори неизвестными параметрами. При температурной неопределенности более 7 К физически обоснованная нейронная сеть приближается по точности обнаружения к классическим методам, но превосходит их по скорости работы более чем на два порядка. Разработан метод компрессии нейронных сетей, который позволяет редуцировать физически интерпретируемые параметры нейросетевой модели в процессе обучения таким образом, чтобы обученная сеть не была разреженной. Эксперименты показали, что метод позволяет в 2 раза уменьшить количество параметров стандартных полносвязных сетей с эмпирически подобранным количеством нейронов в слоях. Также метод позволяет в полтора раза уменьшить количество параметров стандартной сверточной сети для распознавания изображений.