Системы определения местоположения водного транспорта
ВВЕДЕНИЕ
Актуальность темы обусловлена тем, что автоматизация – это один из основных принципов современного судовождения. Выработка курса, скорости; прокладка маршрута, определение местоположения судна (ОМС) – все эти задачи в навигации и судовождении может решать электронно-картографическая навигационно-информационная система (ЭКНИС).
Как видно из вышесказанного, ЭКНИС в значительной мере облегчает работу штурмана. Однако, аварийность не идёт на убыль, а число аварий по вине человека остаётся прежней. В связи с этим необходимо оптимизировать систему «человек-машина». К тому же, из-за увеличения числа морских судов вопрос безопасности судовождения стоит остро как никогда.
В современные электронно-картографических навигационно-информационных системах (ЭКНИС) имеется достаточный функционал для определения местоположения судна (ОМС), потому что точное и быстрое определение местоположения судна является одним из важных факторов безопасности судовождения. Поэтому ведутся работы и пред
ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ4
1 ОСОБЕННОСТИ ПРИМЕНЕНИЕ КЛАССИЧЕСКИХ МЕТОДОВ ОПРЕДЕЛЕНИЯ МЕСТОПОЛОЖЕНИЯ СУДНА В СОВРЕМЕННОМ СУДОХОДСТВЕ11
1.1 Этапы развития автономных и неавтономных методов определения местоположения судна в море11
1.2 Точность и надежность навигации при определении местоположения судна с помощью глобальных космических систем и сигналов автоматической идентификационной системы21
1.3 Обоснованность применения нейронной сети для построения модели счисления пути судна и коррекции движения путём ввода контрольных обсерваций36
1.4 Актуальность внедрения нейросетевых технологий для определения местоположения при управлении судном системами интегрированного ходового мостика в концепции е-Навигации40
1.5 Выводы по главе42
2 АНАЛИЗ НЕЙРОННЫХ, А ТАКЖЕ ГИБРИДНЫХ НЕЙРО-НЕЧЁТКИХ СИСТЕМ ДЛЯ СОЗДАНИЯ РАБОЧЕГО АЛГОРИТМА СИСТЕМЫ44
2.1 Элементарные и продвинутые конфигурации нейронных сетей44
2.2 Адаптивная резонансная теория. Искусственные нейронные сети Гроссберга-Карпентера. Рекуррентные сети60
2.3 Варианты архитектуры сети, её алгоритма обучения, а также числа эпох, достаточного для обеспечения заданной точности обсервации67
2.4 Комплексная оценка точности полученной позиции, а также вероятные риски при использовании нейронных сетей для контроля местоположения судна73
2.5 Вывод по главе82
3 НЕКОТОРЫЕ ПРЕДЛОЖЕНИЯ ДЛЯ АВТОМАТИЗАЦИИ ОПРЕДЕЛЕНИЯ МЕСТОПОЛОЖЕНИЯ И СЧИСЛЕНИЯ СУДНА84
3.1 Особенности построения рекуррентных нейронных сетей в пакете прикладных программ для решения задач технических вычислений84
3.2 Разработка математической модели автоматизированной обсервации93
3.3 Реализация алгоритма настройки свободных параметров сети (алгоритм обучения) и его параметров105
3.4 Обучение и апробация созданной рабочей модели автоматизированных ОМС на основе нейросетевых технологий на имитационных данных из ЭКНИС для уменьшения влияния систематических ошибок в ходе натурного эксперимента116
3.5 Выводы по главе123
Резолюция A.953(23). Всемирная радионавигационная система: принята 5 декабря 2003 года. – СПб.: Моркнига, 2004. – 14 с.
Пат. 102420 Российская Федерация, МПК G08C 21/00. Устройство для определения местоположения судна / Сорокин А.Б.; заявитель и патентообладатель Сорокин Александр Борисович. – № 2010127005/11; заявл. 25.05.2010; опубл. 27.02.2011, – 13 с.
Пат. 2678762 Российская Федерация, МПК B63H25/00. Способ и система контроля местоположения судна с помощью нечеткой логики / Кондратьев С.И. [и др.]; заявитель и патентообладатель Федеральное государственное бюджетное образовательное учреждение высшего образования "Государственный морской университет имени адмирала Ф.Ф. Ушакова". – № 2018105412; заявл. 13.02.2018; опубл. 31.01.2019, Бюл. № 4. – 16 с.
Пат. 2685705 Российская Федерация, МПК G01S 15/06. Способ определения собственного местоположения судна на основе сигналов автоматической идентификационной системы и устройство для его осуществления / Трусов С.В. [и др.]; заявитель и патентообладатель Акционерное общество "Российская корпорация ракетно-космического приборостроения и информационных систем" (АО "Российские космические системы"). – № 2018131173; заявл. 30.08.2018; опубл. 23.04.2019, Бюл. № 12. – 8 с.
Аванесова, Т. П. Способ решения проблемы уменьшения влияния человеческого фактора при расхождении судов в море / Т. П. Аванесова, Д. В. Язов, А. В. Меланич // Вестник Адыгейского государственного университета. Серия 4: Естественно-математические и технические науки. – 2014. – № 1(133). – С. 126-130.
Авдонькин, Д. С. Стохастизм навигационных измерений в системах ГЛОНАСС и GPS как фактор выбора периода обсервации / Д. С. Авдонькин, Л. Н. Юсупов // Транспортное дело России. – 2010. – № 2. – С. 93-96.
Алгоритмы цифровой коррекции информационно-измерительных каналов для комплексной системы судовождения / Г. Г. Куликов [ и др.] // Вестник Уфимского государственного авиационного технического университета. – 2007. – Т. 9. – № 5. – С. 9-15.<
Рисунок 2.14 – Развёртывающие нейронные сети
Генеративные состязательные сети (generative adversarial networks, GAN) — это сети другого вида, они похожи на близнецов. Такие сети состоят из любых двух (обычно из FF и CNN), одна из которых контент генерирует, а другая — оценивает. Сеть-дискриминатор получает обучающие или созданные генератором данные. Степень угадывания дискриминатором источника данных в дальнейшем участвует в формировании ошибки. Таким образом, возникает состязание между генератором и дискриминатором, где первый учится обманывать первого, а второй — раскрывать обман (похоже на ситуацию «банкир-фальшивомонетчик»). Обучать такие сети весьма тяжело, поскольку нужно не только обучить каждую из них, но и настроить баланс.
Рисунок 2.15 – Развёртывающие нейронные сети
Рекуррентные нейронные сети (recurrent neural networks, RNN) — это сети типа FFNN, но с особенностью: нейроны получа