Вестник МГТУ, 2025, Т. 28, № 4/1.

Пашенцев С. В. Маневренное испытание "зигзаг" и обученная нейросеть как инструменты. для новой модели. Сохраненные в файле характеристики ее трека введем в форму диалога рис. 13 и получим скорректированные параметры модели для этого трека, завершив процедуру решения проблемы. Рис. 14. Ручное изменение 4 параметров модели Fig. 14. Manual change of 4 parameters of the model Результаты и обсуждение Окончательную проверку результата прогноза проведем с помощью той же программы, которая формировала обучающее множество. Прежде чем продемонстрировать результат визуально (на графике), рассмотрим альтернативу для нейронной сети, используя сгенерированный массив для обучения. Переведем его в пакет Mathcad15 и считываем в него матрицу размером 600 х 61. Выделив в ней две подматрицы трековых измерений и варьированных параметров модели, найдем траекторию, наиболее близкую к той, которая получена при ручном изменении параметров модели, с помощью коротких подпрограмм в стиле Mathcad. Сравнение производится не с реальными данными, а их нормированными образами, так как данные очень неоднородны по величине (например, присутствуют координаты, имеющие порядок тысяч, и угловые скорости поворота порядка тысячных долей). На самом деле пакет SNN предварительно делает с неоднородными данными то же самое (режим Pred\Post), но этот процесс от нас скрыт. Мы делаем его явным, позволяя производить корректно дальнейшие сравнения траекторий. На рис. 15 показаны три программы, которые решают задачу сравнения траекторий. Вверху слева VNorm(V) нормализуют вектор, справа MNorm(M) нормализует матрицу. При нормализации значения всех переменных сводятся к отрезку [0, 1], что делает дальнейшие сравнения корректными. Программа внизу ищет минимум стандартного отклонения среди строк матрицы M от заданного вектора V. Результатом работы программы является номер найденной траектории. MNonn(M) := col ч—cols(M) for nc € 0.. col - 1 VN <- VNonJ N rnc>I ,(ne) MN return MN ■VN Рис. 15. Программы нормализации вектора и матрицы (вверху) и программа поиска строки матрицы с минимальным отклонением от заданного вектора Fig. 15. Vector and matrix normalization programs (top) and program for finding a matrix row with minimal deviation from the given vector (bottom) На рис. 16 представлено графическое координатное поле программы, которая формировала обучающее множество (рис. 1). На поле нанесены четыре траектории, которые получены разными способами: черная - 568