Предлагается подход к обоснованию архитектуры сверточной нейронной сети, обеспечивающий улучшение характеристик по числу весовых коэффициентов, соединений при сохранении точности распознавания объектов на изображениях. Обучение сверточной нейронной сети с выбранной архитектурой реализуется на Земле.
После обучения нейронная сеть используется в бортовых вычислительных системах для автономного распознавания объектов на изображениях. Проводится анализ особенностей построения сверточной нейронной сети для распознавания объектов на изображениях, и на его основе формулируются ограничения и правила разработки новых сверточных нейронных сетей. Сформулирована постановка комбинаторной задачи оптимизации, предлагается эвристический алгоритм для решения этой задачи на основе правил компоновки и отсечения неперспективных конфигураций сверточной нейронной сети. Для тестовых наборов данных Planetsnet и MNIST приведены результаты компьютерных экспериментов и выполнено сравнение с существующими архитектурами сверточной нейронной сети по числу весовых коэффициентов, соединений и точности в % ошибок на тестовом множестве. Показано, что предложенный алгоритм позволяет выбрать вариант архитектуры сверточной нейронной сети с меньшим числом весовых коэффициентов и соединений при практически той же точности в по % ошибок решения задачи распознавания объектов на изображении.