автореферат диссертации по транспорту, 05.22.19, диссертация на тему:Интеллектуальная система автоматического управления судном по курсу

ч

На правах рукописи

Седова Нелли Алексеевна

ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА АВТОМАТИЧЕСКОГО УПРАВЛЕНИЯ СУДНОМ ПО КУРСУ

05.22.19 - Эксплуатация водного транспорта, судовождение

Автореферат диссертации на соискание ученой степени кандидата технических наук

10 ДЕК

20рд

Владивосток - 2009

003488039

Работа выполнена в Федеральном государственном образовательном учреждении высшего профессионального образования «Морской государственный университет имени адмирала Г. И. Невельского»

Научный руководитель:

доктор технических наук, доцент Глушков Сергей Витальевич

Официальные оппоненты:

доктор технических наук, профессор Кувшинов Геннадий Евграфович

кандидат технических наук, доцент Оловянников Аркадий Львович

Ведущая организация:

Тихоокеанский военно-морской институт им. С. О. Макарова (ТОВМИ) г. Владивосток

Защита состоится 23 декабря 2009 г. в 14 часов на заседании диссертационного совета Д 223. 005. 01 при Морском государственном университете имени адмирала Г. И. Невельского: 690059, г. Владивосток, ул. Верхнепортовая, 50а, ауд. 241 УК-1, тел/факс +7 (4232) 414-968

С диссертацией можно ознакомиться в читальном зале УК-1 Морского государственного университета имени адмирала Г. И. Невельского

Автореферат разослан 16 ноября 2009 г.

Ученый секретарь

диссертационного совета

Резник А. Г.

Общая характеристика работы

Актуальность темы. Задача управления судном по курсу является сложно формализуемой, не имеющей адекватного математического описания, поэтому применение традиционных подходов становится малоэффективно. Следует также отметить, что в Федеральной целевой программе «Глобальная навигационная система. Технология высокоточной навигации и управления движением», утвержденной президентом Российской Федерации на период до 2011 года, особое место отводится разработке интеллектуальных систем управления. Программа предполагает разработку и создание интегрированных информационных навигационных комплексов, обеспечивающих принятие решений по всему аспекту навигационных задач, связанных с обработкой и хранением информации, прогнозированием ситуаций и более эффективному их решению. Также следует отметить требование Международной морской организации (1МО) к системам управления движением судна, которое указывает на необходимость обеспечения стабилизации судна на заданной траектории и определенном курсе в современных условиях судоходства.

Использование для задач управления систем искусственного интеллекта (СИИ) позволяет моделировать поведение объекта управления на основе анализа работы реальной системы или данных экспериментов и наблюдений. Однако в работах отечественных и зарубежных авторов по применению СИИ в теории управления не уделено должного внимания задаче управления судном по курсу, поэтому исследования в данной области представляют теоретический и практический интерес. Возросшие требования к судовым навигационным системам, отсутствие методик моделирования процесса управления судном по курсу с помощью нейросетевых технологий определяют актуальность работы.

Цель работы заключается в разработке адаптивной управляющей системы судна по курсу с привлечением теоретических и практических основ СИИ для обеспечения безопасности мореплавания.

Область исследования - разработка методов и систем обеспечения безопасного плавания в современных условиях судоходства.

Объектом исследования является совокупность методов и средств навигации и судовождения, в частности, системы автоматического управления (САУ) судном по курсу, а предметом исследования - интеллектуальная система автоматического

управления (ИСАУ) судном по курсу и методы, обеспечивающие требуемую точность и качество управления при неопределенности гидродинамических характеристик судна и внешних климатических воздействий.

Для достижения поставленной цели решены следующие задачи:

1. Разработка модели ИСАУ судном по курсу на базе нейросетевых технологий, позволяющей выявлять наилучший тип и структуру нейронной сети (НС), моделирующей движение судна.

2. Синтез нейросетевых моделей движения судна при различных погодных условиях, скорости и водоизмещении судна.

3. Разработка метода выделения критериальных признаков движения судна по курсу, позволяющего выявить наилучший тип и структуру нейронной сети, моделирующей движение судна.

4. Разработка метода определения наилучшей настройки регулятора на нечёткой логике САУ судном по курсу по критериальным признакам движения судна по курсу.

5. Имитационное моделирование движения судна по курсу при различных погодных условиях, скорости и водоизмещении судна для определения нейросетевых моделей движения судна.

6. Компьютерное моделирование ИСАУ судном по курсу на базе нейросетевых технологий для проверки работоспособности предложенных методов и модели ИСАУ в целом.

Основные результаты и положения, выносимые на защиту:

1. Функциональная модель ИСАУ судном по курсу на базе нейросетевых технологий.

2. Метод получения нейросетевых моделей движения судна по курсу при различных погодных условиях, изменении скорости и водоизмещения судна.

3. Метод определения наилучшего типа и структуры нейронной сети, моделирующей движение судна.

4. Метод определения наилучшей настройки регулятора на базе нечёткой логики ИСАУ судном по курсу по критериальным признакам движения судна по курсу, позволяющий обеспечить требуемое качество и точность движения судна по курсу.

Методы исследования. При решении поставленных научных задач в работе использовались методы системного анализа, математической статистики, спектрального анализа случайных процессов, теории искусственных нейронных сетей, нечеткой логики, генетических алгоритмов, имитационного моделирования. Исследование предложенных в работе методов проводилось с использованием авторских модулей для пакета MATLAB 7.0, а также разработанного специализированного программного обеспечения.

Научная новизна. Научную новизну работы определяют следующие положения:

1. Предложена и исследована принципиально новая функциональная модель ИСАУ судном по курсу на базе нейросетевых технологий.

2. Предложен метод получения нейросетевых моделей движения судна по курсу при различных погодных условиях, скорости и водоизмещении судна.

3. Проведён анализ, показывающий, что для различных типов судов и условий плавания требуются разные нейросетевые модели движения судна по курсу. Предложен метод определения наилучшего типа НС, её структуры и метода обучения, оптимальным образом отражающие характеристики судна в конкретных условиях плавания.

4. Обоснован метод определения наилучшей настройки нечёткого регулятора ИСАУ судном по курсу по критериальным признакам движения судна по курсу, что позволяет обеспечить требуемое качество и точность движения судна по курсу при различных внешних воздействиях.

Достоверность результатов проведённых исследований обеспечивается использованием современных методик планирования эксперимента, корректным применением принципов построения модели САУ судном по курсу, а также качественным и количественным совпадением результатов компьютерного и имитационного моделирования, проведённого на сертифицированном оборудовании (имитатор сигналов для авторулевого ИС-2005 ЗАО «Инженерный центр информационных и управляющих систем»).

Практическая значимость работы заключается в том, что результаты проведённой работы могут быть использованы при разработке современных САУ судном

по курсу. В работе представлены алгоритмы и программное обеспечение для технической реализации ИСАУ судном по курсу на базе НС.

Тема связана с теми НИР и ОКР, которые проводились и проводятся на кафедрах «Технические средства судовождения» и «Автоматические и информационные системы» ФГОУ ВПО МГУ им. адм. Г. И. Невельского в соответствии с общесоюзной программой «Океан», федеральными целевыми программами «Мировой океан» (1998-2012 гг.) и «Развитие транспортной системы России» (2010-2015 гг.), планами НИР вуза в рамках тем «Датчики навигационной информации для судового измерительного комплекса», «Повышение эффективности технических средств навигации и разработка методов их комплексного использования».

Реализация результатов работы. Результаты работы непосредственно использованы при выполнении госбюджетных и хоздоговорных НИР, которые велись на кафедре «Автоматические и информационные системы» ФГОУ ВПО МГУ им. адм. Г. И. Невельского. Выводы и рекомендации, полученные при разработке диссертации, были внедрены в ФГОУ ВПО МГУ им. адм. Г. И. Невельского в процесс обучения курсантов и студентов (в виде лекций, курсового и дипломного проектирования).

Апробация работы. Результаты работы докладывались и обсуждались на конференциях и семинарах различного уровня: ежегодные научно-технические конференции Морского государственного университета им. адм. Г. И. Невельского в г. Владивостоке (2006-2008 гг.); 64-я региональная студенческая научная конференция «Научно-технические проблемы транспорта, промышленности и образования» в г. Хабаровске (ДВГУПС, 2006 г.); научно-практическая конференция «Безопасность судоходства в Дальневосточном бассейне» в г. Владивостоке (2008 г.); всероссийская выставка научно-технического творчества молодежи в г. Москве (ВВЦ, 2005 г.); XIV, XV и XVII всероссийские семинары «Нейроинформатика, ее приложения и анализ данных» в г. Красноярске (2006, 2007 и 2009 г.); II международная конференция «Параллельные вычисления и задачи управления» в г. Москве (ИПУ им. В.А. Трапезникова РАН, 2004 г.); международная конференция «НеЙросетевые технологии и их применение» в г. Краматорске (Украина) (ДГМА, 2004 г.).

Публикации. По результатам исследований опубликовано 10 печатных работ, в том числе 2 работы опубликованы в журналах, рекомендованных ВАК. Получен 1 патент РФ.

Структура работы. Диссертационная работа состоит из введения, четырех глав, заключения, библиографического списка из 156 наименований и четырех приложений. Основная часть работы изложена на 123 страницах машинописного текста, содержит 94 рисунка, 5 таблиц. В диссертации принята двойная нумерация формул, рисунков и таблиц: первая цифра указывает номер главы, вторая - порядковый номер внутри данной главы.

Основное содержание работы

Во введении кратко рассмотрены задачи и роль САУ судном по курсу. Обоснована актуальность, сформулирована цель работы, дано краткое изложение результатов работы.

В первой главе представлены основные принципы разработки ИСАУ судном по курсу. ИСАУ судном по курсу явились развитием адаптивных систем в направлении расширения возможностей выполнения сложных задач в неопределённой среде при неполной информации, требуемой для решения задач управления судном по курсу. К ИСАУ судном по курсу относятся САУ, использующие математический аппарат теории искусственных нейронных сетей, САУ на основе нечёткой логики (НЛ), САУ на основе экспертных систем, САУ на основе генетических алгоритмов (ГА) или их комбинации.

Рассмотрена функциональная схема классической САУ, включающая объект управления и средства управления. Представлена классификация регуляторов в зависимости от элементной базы. Наибольшие возможности для управления судном предоставляют электронные цифровые регуляторы. Переход к компьютерной технике в регуляторе расширяет возможности применения для управления судном по курсу эффективных алгоритмов. Несмотря на различные схемотехнические реализации и элементную базу, практически все применяемые в настоящее время САУ судном по курсу относятся к классу пропорционально-дифференциальных (ПД) или пропорционально-интегрально-дифференциальных (ПИД) регуляторов. Эти регуляторы строятся на основе классической теории управления и просты для понимания и

7

анализа, однако классические авторулевые, реализованные на ПД и ПИД регуляторах, являются морально и технологически устаревшими, не соответствуют современным требованиям к САУ судном по курсу и имеют множество недостатков, главным из которых является низкая эффективность ручной настройки параметров, не обеспечивающая оптимальный режим работы системы как при автоматической стабилизации судна на курсе, так и при маневрировании.

В настоящее время развиваются ИСАУ на нечёткой логике и с нейронным управлением. Для первых характерно реализуемое средствами нечёткой логики эвристическое построение стратегий управления с использованием экспертных знаний. Основой вторых систем служит искусственная НС, способная к обучению и выбору в различных условиях эксплуатации таких значений своих параметров, при которых она наилучшим образом справляется с поставленной задачей. Достоинство обоих видов систем заключается в отсутствии необходимости для решения задачи аналитического описания движения объекта управления. Проведен анализ, подтверждающий возможность использования теории нечёткой логики для разработки интеллектуальных регуляторов, описаны основные этапы функционирования интеллектуальных систем на основе нечёткой логики.

Анализ патентных и непатентных источников показывает, что дальнейшее совершенствование ИСАУ может заключаться в использовании преимуществ нейро-сетевых технологий и интеллектуальных систем на основе нечёткой логики. Таким образом, предлагается использовать ИСАУ судном по курсу, функциональная схема которой представлена на рисунке 1.

ИСАУ судном по курсу способна выбирать и работать с нейронными сетями, наилучшими для моделирования динамики движения судна по курсу в текущих условиях плавания. Количество типов нейросетевых моделей динамики движения судном в составе ИСАУ, с одной стороны, ограничено производительностью вычислительной архитектуры системы, а с другой, - предъявляемыми к ней требованиями.

Предлагаемая ИСАУ судном по курсу предусматривает последовательную реализацию следующих основных режимов: подготовки данных, обучения нейронных сетей, функционирования.

Рисунок 1 - Функциональная схема интеллектуальной системы автоматического управления судном по курсу РИЛ—регулятор на нечёткой логике, ОУ — объект управления, БО - блок оптимизации, НСМ ОУ - нейросетевая модель объекта управления, НСА - нейросетевой классификатор, Кз - заданный курс, е/- ошибка управления, в] - ошибка идентификации, а - управляющее воздействие (угол кладки пера руля), К-значение действительного курса судна, ум - значение действительного курса модели судна, ^ - внешние воздействия, IV- вектор параметров нейронной сети, V, - вектор настраиваемых параметров регулятора, - вектор данных управляющих воздействий, Уу - вектор данных действительного курса судна, Уа — вектор критериальных признаков движения судна

Режим подготовки данных о курсе судна состоит из трех последовательных процессов: формирования исходных векторов данных; идентификации исходных векторов данных; создания рабочих массивов данных. Формирование исходных векторов данных происходит по следующей схеме: данные о курсе судна собираются в исходные векторы, каждый из которых представляет собой совокупность данных о курсе судна, данных о скорости рыскания, кладках пера руля, скорости перекладок пера руля, средней скорости движения судна. Идентификация исходных векторов данных о характеристиках рыскания судна заключается в присвоении им идентификационных меток Р,. Идентификационные метки соответствуют уникальным свойствам этих векторов. Процесс идентификации векторов заключается в осуществлении соответствующих вычислений над их элементами. Предлагаемыми принципами идентификации исходных векторов данных являются анализ спектра данных, полученного с помощью дискретного преобразования Фурье и измерение статистических характеристик сигнала с объекта управления. Процесс создания рабочих массивов

данных о курсе судна состоит в установлении соответствия каждому сформированному в долговременной памяти базы знаний исходному вектору данных действительного курса судна У, вектора меток Р}. В результате этого образуется рабочий массив данных о поведении судна по курсу А}= {К, Р}^ после чего над ними производят дальнейшие операции (обучение и/или обработку) в зависимости от режима работы ИСАУ судном по курсу. Массив представляет собой базу знаний, созданную для того, чтобы в будущем, при появлении таких же (или близких по статистическим признакам) характеристик поведения судна по курсу, по вектору идентификационных меток выбирать готовую (обученную) НС в качестве модели судна и соответствующий ей регулятор на нечёткой логике.

В режиме обучения требуется осуществить изменение весовых коэффициентов матриц связей НС определенной архитектуры, сформированной заранее с функцией активации. Целью обучения является настройка НС весовых коэффициентов и',у своей матрицы связей IV между входным Х} и выходным У] векторами данных НС для определяемого множества всех возможных комбинаций вектора меток Р), что достигается путем поиска наилучших характеристик используемой архитектуры НС: алгоритма обучения данных, алгоритма обработки данных о движении судна по курсу, числа слоев НС, числа нейронов в каждом слое НС.

В режиме функционирования при движении судна ИСАУ судном по курсу собирает данные вектора по значениям угла рыскания судна, скорости изменения этого угла, значений перекладок руля, скорости изменения кладок пера руля. Затем происходит спектральный анализ этого вектора с выделением нескольких гармоник для каждого сигнала плюс линейное значение скорости движения судна, которые являются характеристиками движения судна по курсу при данных погодных условиях. Эта значения подаются на вход нейросетевого классификатора, который определяет, какая из нейронных сетей по статистическим данным лучше всего подходит под эти характеристики, загружает ее в качестве модели судна и загружает соответствующие ей оптимальные параметры нечёткого регулятора. Основной задачей блока оптимизации является настройка авторулевого на нечёткой логике по нейросете-вой модели судна в конкретных эксплуатационных и погодных условиях.

По результатам проведённых теоретических исследований сделаны выводы, в которых сформулированы научные задачи, требующие решения.

Во второй главе получены нейросетевые модели движения судна по курсу при различных погодных условиях и изменении скорости и водоизмещения. В качестве примеров классических математических моделей выступают модели, основанные на научных и исследовательских трудах Я. И. Войткунского, Ю. И. Юдина, Ю. А. Лукомского, К. Номото, А. М. Басина, Д. А. Скороходова, Р. Я. Першица, А. Д. Гофмана, К. К. Федяевского, Н. Норрбина, В. И. Белоглазова, А. П. Тумащика, Г. В. Соболева, А. В. Васильева, В. Г. Павленко, однако они не являются корректными для любого режима плавания. Нейросетевые модели получены с помощью имитатора ИС-2005, который позволяет моделировать шесть различных моделей судов (пассажирское судно прибрежного плавания (ПСПП), траулер, транспортный рефрижератор (ТР), автомобильно-пассажирское судно (АПП), танкер, супертанкер (СТ)), характеристики которых приведены в таблице 1.

Таблица 1

Характеристики судов

Тип судна Траулер АПП ПСПП Танкер ТР Супертанкер

Длина, м 85 158 35,5 179,9 107,8 325

Ширина, м 15,9 25 7,2 31 18,2 53

Осадка, м 5,6 6,5 2,15 10 7,5 22

Коэфф. общей 0,64 0,58 0,63 0,813 0,638 0,81

полноты

Площадь руля, м^ 11,7 23,9 1,5 25,7 42,8 124,2

Число винтов 2 1 1 1 1 1

Тип винта ВРШ ВРШ ВРШ ВФШ ВФШ ВФШ

Диаметр винта, м 4,6 6 1 6 4 9,1

Тип двигателя Дизель Дизель Дизель Дизель Дизель Турбина

Скорость хода 8; 12; 15 15 8 15 15 15,6

шах, уз

Для каждого судна было проведено имитационное моделирование следующих условий плавания: скорость ветра 1-2 м/сек, высота волны 3% обеспеченности 0,25 м; скорость ветра 2-5 м/сек, высота волны 0,85 м; скорость ветра 5-8 м/сек, высота волны 1,25 м; скорость ветра 8-10 м/сек, высота волны 1,25 м. Для каяодой кривой движения судна при различных эксплуатационных факторах обучено 79 нейронных сетей, отличающихся типом, архитектурой и алгоритмом обучения. По результатам оценки среднеквадратичной ошибки (СКО) были выбраны восемь нейронных сетей, которые позволяют с наименьшей СКО моделировать движения судов, характеристики которых представлены в таблице 1 (рисунок 2).

1 2 3 А 3 • 7 в

Тип м«йроимой мтм

Рисунок 2 - Зависимость среднеквадратичной ошибки от типа НС

Обозначения на рисунке 2 - цифрам 1-3 соответствуют нейронные сети прямого распространения с алгоритмом обучения Левенберга-Марквардта, 4 - НС прямого распространения с алгоритмом обучения Моллера (комбинация метода сопряженного градиента с квазиньютоновским подходом), 5 - 7 - рекуррентные нейронные сети Элмана с алгоритмом обучения Левенберга-Марквардта, 8 - рекуррентная НС Элмана с алгоритмом обучения Моллера. Для всех типов нейронных сетей производилось 100, 500 и 1000 циклов обучения. Анализ результатов моделирования показал, что в качестве нейросетевой модели судна предпочтительнее использовать НС прямого распространения с алгоритмом обучения Левенберга-Марквардта.

Получены зависимости СКО обучения НС от погодных условий эксплуатации и от типа судна, также приведены результаты определения наименьшего количества циклов обучения. Например, на рисунке 3 представлены графики СКО обучения нейронных сетей для судна типа траулер, движущегося при различных условиях плавания. Анализ полученных данных показал, что для траулера достаточное количество циклов обучения равно 300, т.к. после 300 циклов обучения происходит незначительная адаптация, при которой СКО практически не изменяется.

Проведённые исследования для различных судов и разных условий плавания показывают достаточность 450 циклов обучения для любого типа нейронных сетей.

1.0Е-07 -1-,-,-,-,-,-,-1-,-1-1-1-1-,-,-,-,-,-,-

50 100 150 200 250 300 350 400 450 500 550 600 650 700 750 >00 650 000 950 1000 Количество нюх

ветер 90-1-2. волнение 90-0.25 -e— aeiep Be 2 Ь, волнение ЭО-О В5 ватер SO 5 Д. волнение 90-1.25 ветерд0-8-10, вощение 90-1.25

Рисунок 3 - Изменение СКО в процессе обучения нейронных сетей для траулера

Третья глава посвящена алгоритмической реализации и исследованию разработанной ИСАУ судном по курсу. Структура ИСАУ представляет собой совокупность взаимосвязанных программных модулей, реализующих функции, описанные в главе 1. Представлена методика синтеза нейросетевого классификатора, предлагается механизм спектрального анализа данных кривых движения судна по курсу. Исследован и описан регулятор на нечёткой логике и блок оптимизации, настраивающий регулятор на нечёткой логике по нейросетевой модели судна.

Для исследования и выявления достаточного количества гармоник разработан алгоритм специального модуля для восстановления кривой движения судна до восьми гармоник и определяющего соответствующую интегральную составляющую. Для каждой модели судна, после проведения спектрального анализа и получения восьми основных гармоник, рассчитывается интегральный критерий ] (3) возможности использования меньшего количества гармоник для идентификации нейросетевой модели судна в базе знаний нейросетевого классификатора. Основной сигнал К/ (1) состоит из суммы восьми составляющих, а сравниваемый сигнал (2) состоит из суммы исследуемого количества составляющих, где N количество введенных гармоник:

Jí=¿4sHi(ffl(A), (1)

1 = (3)

' о

2Я-

где ш =-, а) - наименьшая частота из заданных гармоник.

аМ

В таблице 2 представлены значения интегральных составляющих для всех типов судов.

Таблица 2

Значения интегральных составляющих

Количество гармоник Типы судов

АПП ПСПП СТ танкер ТР траулер

8 0,0005 0,0009 0,0001 0,0006 0,0004 0,0009

7 0,0061 0,7041 0,0034 0,1458 0,1494 0,1159

6 0,0079 0,9147 0,0044 0,2015 0,1975 0,1737

5 0,0099 1,2117 0,0052 0,2751 0,2460 0,2625

4 0,0114 1,5624 0,0066 0,3307 0,3823 0,4528

3 0,2188 1,9603 0,0072 0,4570 0,5861 0,8593

2 0,4722 2,8627 0,1134 0,6194 0,7848 3,0851

1 1,1696 3,5679 0,5178 2,0548 3,9800 6,3098

Имитационным моделированием для шести моделей судов при четырёх различных погодных условиях с проведением дискретного преобразования Фурье были получены векторы меток, характеризующие коэффициенты амплитуд восьми основных гармоник при изменении значений курса судна, угловой скорости рыскания, угла кладки руля и средней линейной скорости (всего 65 элементов для каждого вектора). В качестве примера на рисунке 4 представлены зависимости интегральной составляющей от частоты кривой движения траулера для различных условий плавания. Анализ полученных данных для шести судов показал изменение спектральной характеристики моделей судов при смене погодных условий, что особенно характерно для малотоннажных судов, таких как ПСПП и траулер.

По полученным данным был исследован вопрос достаточности количества гармоник для получения требуемой характеристики движения исследуемых моделей судов при различных погодных условиях.

D Скорость ветра 1-2 м/сек, высота

волны 0,25 м ш Скорость ветра 2-5 м/сек, высота

волны 0,85 м а Скорость ветра 5-8 м/сек, высота

волны 1,25 м и Скорость ветра 8-10 м/сек, высота волны 1,25 м

ы. се«"'

0,008 0,013 0,018 0,025 0,030 0,043 0,050 0,055

Рисунок 4 - Зависимость изменения гармонического состава кривой движения траулера для различных условий плавания

На рисунке 5 представлены зависимости интегральной составляющей от количества гармоник для траулера при различных условиях плавания.

В скорость ветра 1-2 м/с, высота волны 0,25 м П скорость ветра 2-5 м/с, высота волны 0,85 м И скорость ветра 5-8 м/с, высота волны 1,25 м ¡2 скорость ветра 8-10 м/с, высота волны 1,25 м

Рисунок 5 - Зависимость интегральной составляющей от количества гармоник для траулера

Проведенные исследования для всех рассматриваемых моделей судов показали, что погрешность моделирования различных типов судов по-разному зависит от количества участвующих гармоник. Если у малотоннажных судов наблюдается поч-

та линейная зависимость, то у более инерционных объектов управления (крупнотоннажных судов) - нелинейная, поэтому возможно использование меньшего количества гармоник.

Анализ непатентных источников показал, что для классификации кривых движения судов по критериальным признакам, таким как спектральные характеристики, перспективно использовать нейронные сети с радиально-базисными функциями активации (РБФ). Для обучения НС РБФ были использованы 96 примеров. Данные считывались из файлов, масштабировались и заносились в массив. На рисунке 6 представлены отклики функций Гаусса для траулера при различных условиях плавания (а - скорость ветра 1-2 м/сек, высота волны 0,25 м; б - скорость ветра 25 м/сек, высота волны 0,85 м; в - скорость ветра 5-8 м/сек, высота волны 1,25 м; г -скорость ветра 8-10 м/сек, высота волны 1,25 м). Итогом проведённых экспериментов и обучения нейросетевого классификатора стала база знаний на 24 нейросетевые модели движения различных судов при различных погодных условиях.

В четвертой главе приведены результаты проверки работоспособности разработанных методов и алгоритмов, которая проводилась в два этапа. Первый этап заключался в проведении компьютерного моделирования для наполнения базы знаний нейросетевого классификатора нейросетевыми моделями судов при различных климатических условиях. Второй этап заключался в проведении имитационного моделирования для модели судна типа траулер при различных скоростях движения и изменении погодных условий для проверки процесса адаптации авторулевого на нечеткой логике.

На рисунке 7 показаны кривые поведения судна типа траулер по курсу и выходе на новый курс с адаптированным и неадаптированным авторулевым при ветре от 8 до 10 м/сек и высоте волны 1,25 метра. Анализ результатов показал, что нейро-сетевой регулятор требует дополнительной настройки при плохой погоде, что является подтверждением обоснования введения нейросетевого классификатора с базой знаний нейронных сетей с наилучшей идентификацией движения судна для различных погодных условий. Адаптация авторулевого на нечеткой логике приводила к новым значениям настроечных параметров.

Рисунок 6 - Поверхность кластера для траулера для различных условий плавания

I 10

8

6

4

2

О

■2

Рисунок 7 - Движение судна типа траулер по курсу до (курс 1) и после (курс 2) адаптации

После проведения серии экспериментов моделирования в базе знаний нейро-~ сетевого классификатора было сохранено 12 нейросетевых моделей траулера для различных погодных условий и различной скорости движения. Поведение модели судна типа траулер при скорости ветра 8-10 м/сек, высоте волны 1,25 м до и после | адаптации представлено на рисунке 8.

-курс 1

— руль 1 -курс 2

ШШлп1^ /.сек

Рисунок 8 - Выход траулера на курс 10 град до и после адаптации

На рисунке 9 показан процесс адаптации для судна типа траулер при резком изменении погоды (скорость ветра от 0 до 2 м/сек, высота волны 0,25 м; скорость

ветра от 8 до 10 м/сек, высота волны 1,25 м)

Л

л -курс ------руль

/ ГЦ чп -Д| (1(1 II 11

■ и. 1- ш ЩЦТГ'Г.

Рисунок 9 — Адаптация судна типа траулер при изменении погодных условий

Среднеквадратический интегральный критерий отклонения судна от курса уменьшился с 2,43 (за первые три минуты) до 0,16 (за последние 3 минуты). Оптимизация критерия проходила при условии обеспечения работы рулевой машины не более 2/3 исследуемого периода (рисунок 10, курс 1). При адаптации регулятора возможны и другие целевые функции, позволяющие минимизировать нагрузку на рулевой привод при соблюдении условия качественного удержания судна на курсе. Если ослабить требования времени работы до 1/2 (рисунок 10, курс 2), т.е ввести в условие оптимизации параметров регулятора на нечеткой логике целевую функцию вида (4).

1 0,25 10 9,75 9,5

руль 1 ■ 1шп ШЯЯПп руль 2 40 №МНН МШ ШЛ 80 М """"" ШНШ1 ■■ мХшРС\ 1 вншян mnm гтпт ■ ШШЦу ММГ I UjL IMTlTfl ВВШ riTrinTi 120 t. ...

Рисунок 10 - Изменение качества удержания судна по курсу и режима работы рулевой машины при изменении целевой функции оптимизации авторулевого на нечеткой логике

В работе использовался случайный метод (генетический алгоритм) оптимизации параметров предикатных правил авторулевого на нечеткой логике, который по-

j г

min/ =- {a'dl, (4)

кеК т J

UK j

где к - параметры настройки регулятора на нечеткой логике, а'- производная от угла кладки пера руля (для рулевой машины с соленоидной системой управления а'= ±3 град/сек = const), то нагрузка на рулевую машину уменьшается, сокращается время работы машины, но несколько ухудшается качество удержания судна на курсе. Интегральный критерий в этом случае составляет 0,31.

10,5 К

зволяет избежать остановки алгоритма на локальном экстремуме и не зависеть от размерности задачи.

В приложениях представлены копия полученного патента, акт о внедрении результатов в учебный процесс, таблицы значений среднеквадратичной ошибки обучения нейронных сетей для шести типов судов и таблицы значений основных амплитуд и частот кривых движения судов, полученных дискретным преобразованием Фурье.

Заключение

В диссертационной работе на основании выполненных исследований получены следующие основные научные результаты и выводы:

1. Разработана модель ИСАУ судном по курсу на базе нейросетевых технологий, позволяющая выявлять наилучший тип и структуру нейронной сети, моделирующей движение судна.

2. Синтезированы нейросетевые модели движения судна при различных погодных условиях, скорости и водоизмещении судна.

3. Разработан метод выделения критериальных признаков движения судна по курсу, позволяющий выявить наилучший тип и структуру нейронной сети, моделирующей движение судна.

4. Разработан метод определения наилучшей настройки регулятора на нечёткой логике САУ судном по курсу по критериальным признакам движения судна по курсу, позволяющей обеспечить требуемое качество и точность движения судна по курсу.

5. Получены путём проведения имитационного моделирования нейросетевые модели движения судна по курсу при различных погодных условиях, скорости и водоизмещении судна.

6. Анализ результатов компьютерного моделирования ИСАУ судном по курсу на базе нейросетевых технологий подтвердил достоверность разработанных методов, выводов и рекомендаций, полученных теоретическим путем.

7. Для представленных методов разработаны алгоритмы и программное обеспечение, подтверждённые патентом.

Основные положения диссертации опубликованы в работах объемом 2

п. л., с авторским вкладом 33-100%

Работы, опубликованные в изданиях, определенных ВАК РФ

1. Седова, Н. А. Теоретические аспекты нейросетевого управления курсом судна [Текст] / С. В. Глушков, Н. А. Седова // Транспортное дело России. Спецвыпуск № 7. - М.: Морские вести России, 2006. - С. 54-57.

2. Седова, Н. А. Интеллектуальная система автоматического управления курсом судна [Текст] / Н. А. Седова И Транспортное дело России. Спецвыпуск № 7. - М.: Морские вести России, 2006. - С. 58-61.

Доклады на конференциях

3. Седова, Н. А. Выбор оптимальной нейронной сети для автоматического управления курсом судна [Текст] / Н. А. Седова, С. В. Глушков // Материалы XIV Всероссийского семинара «Нейроинформатика, её приложения и анализ данных»: 57 октября 2007 г./под. ред. А.Н.Горбаня, Е.М. Миркеса. Отв. за выпуск Г.М. Садовская, ИВМ СО РАН, Красноярск, 2007. - С. 135-136.

4. Седова, Н. А. Информационно-вычислительный комплекс автоматического управления курсом судна [Текст] / Н. А. Седова // Материалы XIV Всероссийского семинара «Нейроинформатика, её приложения и анализ данных»: 5-7 октября 2007 г. /под. ред. А.Н.Горбаня, Е.М. Миркеса. Отв. за выпуск Г.М. Садовская, ИВМ СО РАН, Красноярск, 2007. - С. 137-138.

5. Седова, Н. А. Архитектура интеллектуально-вычислительного комплекса управления курсом судна [Текст] / Н. А. Седова, С. В. Глушков, // Сборник докладов научно-практической конференции «Безопасность судоходства в Дальневосточном бассейне»: 24-25 октября 2007 г. - Владивосток: Мор. гос.ун-т, 2007. - С. 223-228.

6. Седова, Н. А. Алгоритм вычисления параметров нечеткого регулятора [Текст] / С. В. Глушков, Н. А. Седова, В. А. Седов // Материалы XVII Всероссийского семинара «Нейроинформатика, её приложения и анализ данных»: 2-4 октября 2009 г./ под. ред. А.Н.Горбаня, Е.М. Миркеса; ИВМ СО РАН, отв. за вып. Г.М. Садовская. -Красноярск; ИПК СФУ, 2009. - С. 40-43.

7. Седова, H. А. Зависимость ошибки обучения нейронной сети, при моделировании судна как объекта управления, от погодных условий эксплуатации [Текст] / В. А. Седов, Н. А. Седова, С. В. Глушков // Материалы XVII Всероссийского семинара «Нейроинформатика, её приложения и анализ данных»: 2-4 октября 2009 г./ под. ред. А.Н.Горбаня, Е.М. Миркеса; ИВМ СО РАН, отв. за вып. Г.М. Садовская. -Красноярск; ИПК СФУ, 2009. - С. 140-142.

8. Седова, Н. А. Результаты нейросетевого моделирования динамики движения судна [Текст] / H.A. Седова, C.B. Глушков, В.А. Седов // Материалы XVII Всероссийского семинара «Нейроинформатика, её приложения и анализ данных»: 2-4 октября 2009 г./ под. ред. А.Н.Горбаня, Е.М. Миркеса; ИВМ СО РАН, отв. за вып. Г.М. Садовская. - Красноярск; ИПК СФУ, 2009. - С. 142-144.

9. Седова, Н. А. Система управления курсом судна на основе нечеткой логики [Текст] / Н. А. Седова, С. В. Глушков, В. А. Седов // Материалы XVII Всероссийского семинара «Нейроинформатика, её приложения и анализ данных»: 2-4 октября 2009 г./ под. ред. А.Н.Горбаня, Е.М. Миркеса; ИВМ СО РАН, отв. за вып. Г.М. Садовская. - Красноярск; ИПК СФУ, 2009. - С. 144-146.

Свидетельства о патентах и изобретениях

10. Седова, H. A. RU 2 359 308С2, МПК G 05 D 1/02 Нейросетевой регулятор для управления курсом судна / Н. А. Седова, С. В. Глушков, - № 2007144406/28 (048654), заявлено 29.11.2007; опубл. 28.03.2008, Бюл. № 17.

Личный вклад автора. Работы [2, 4] выполнены автором лично. В работах [1, 5] автор участвовал в постановке задач, разработке методов, алгоритмов и структурных схем. В работах [3, 7, 8] автор участвовал в организации натурных испытаний, проводил обработку и анализ результатов вычислений. В остальных работах автор участвовал в постановке задач, разработке методов и алгоритмов, анализе полученных результатов.

Седова Нелли Алексеевна

ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА АВТОМАТИЧЕСКОГО УПРАВЛЕНИЯ

СУДНОМ ПО КУРСУ

Автореферат диссертации на соискание ученой степени кандидата технических наук

Уч. изд. л. 1,0 Тираж 100 экз.

Формат 60x84/16 Заказ №370

Отпечатано в типографии ИПК МГУ им. адм. Г.И. Невельского 690059 г. Владивосток, ул. Верхнепортовая, 50а

Основные условные сокращения и обозначения.

Введение.S

1 Основные принципы разработки интеллектуальных систем автоматического управления судном по курсу.

1.1 Структура систем автоматического управления судном по курсу.

1.2 Влияние различных факторов на управляемость судов.

1.3 Разработка интеллектуальных систем автоматического управления судном по курсу.

1.3.1 Разработка интеллектуальных систем автоматического управления на нечеткой логике.

1.3.2 Разработка интеллектуальных систем автоматического управления с использованием нейросетевых технологий.

1.4 Архитектура интеллектуальной САУ судна по курсу.

1.4.1 Режим подготовки данных интеллектуальной САУ судном по курсу.

1.4.2 Режим обучения интеллектуальной САУ судном по курсу.

1.4.3 Режим функционирования интеллектуальной САУ судном по курсу.

1.5 Выводы по первой главе.

2 Нейросетевое моделирование динамики движения судна.

2.1 Математическая модель движения судна.

2.2 Аппроксимационные свойства нейронных сетей.

2.3 Архитектуры нейронных сетей.

2.4 Определение наилучшей нейронной сети для моделирования динамики движения судна.

2.5 Исследование ошибки обучения нейронной сети от погодных условий эксплуатации.

2.6 Зависимость ошибки обучения нейронной сети от типа судна.

2.7 Определение наименьшего количества циклов обучения НС при моделировании движения судна.

2.8 Выводы по второй главе.

3 Интеллектуальная САУ судном по курсу.

3.1 Нейросетевой классификатор интеллектуальной САУ судном по курсу.

3.1.1 Спектральный анализ кривых движения судов.

3.1.2 Влияние количества гармоник на классификацию кривых движения судов.

3.1.3 Классификация кривых движения судов нейронной сетью РБФ.

3.2 Интеллектуальное управление судном по курсу с использованием регулятора на нечёткой логике.

3.2.1 Структура и функциональные особенности регулятора на нечеткой логике.

3.2.2 Целесообразность применения генетических алгоритмов в задачах оптимизации нечёткого регулятора.

3.2.3 Настройка авторулевого на нечёткой логике по нейросетевой модели судна.

3.3 Выводы по третьей главе.

4 Проверка работоспособности метода и алгоритма синтеза системы управления судном по курсу.

4.1 Компьютерное моделирование для наполнения базы знаний нейросете-вого классификатора.

4.2 Имитационное моделирование для модели судна типа траулер.

4.3 Выводы по четвёртой главе.

Актуальность темы. Задача управления судном по курсу является сложно формализуемой, не имеющей адекватного математического описания, поэтому применение традиционных подходов становится малоэффективным.

Следует также отметить, что в Федеральной целевой программе «Глобальная навигационная система. Технология высокоточной навигации и управления движением», утвержденной президентом Российской Федерации на период до 2011 года, особое место отводится разработке интеллектуальных систем управления. Программа предполагает разработку и создание интегрированных информационных навигационных комплексов, обеспечивающих принятие решений по всему аспекту навигационных задач, связанных с обработкой и хранением информации, прогнозированием ситуаций и более эффективному их решению. Также следует отметить требование Международной морской организации (IMO) к системам управления движением судна, которое указывает на необходимость обеспечения стабилизации судна на заданной траектории и определенном курсе-в современных условиях судоходства.

Использование для задач управления систем искусственного интеллекта (СИИ) позволяет моделировать поведение объекта управления на основе анализа работы реальной системы или данных экспериментов и наблюдений. Однако в работах отечественных и зарубежных авторов по применению СИИ в теории управления не уделено должного внимания задаче управления судном по курсу, поэтому исследования в данной области представляют теоретический и практический интерес.

Возросшие требования к судовым навигационным системам, отсутствие методик моделирования процесса управления судном по курсу с помощью нейросетевых технологий определяют актуальность работы.

Цель работы заключается в разработке адаптивной управляющей системы судна по курсу с привлечением теоретических и практических основ СИИ для обеспечения безопасности мореплавания.

Область исследования — разработка методов и систем обеспечения безопасного плавания в современных условиях судоходства.

Объектом исследования является совокупность методов и средств навигации и судовождения, в частности, системы автоматического управления (САУ) судном по курсу, а предметом исследования - ИСАУ судном по курсу и методы, обеспечивающие требуемую точность и качество управления при неопределенности гидродинамических характеристик судна и внешних климатических воздействий.

Для достижения поставленной цели решены следующие задачи:

1. Разработка модели ИСАУ судном по курсу на базе нейросетевых технологий, позволяющей выявлять наилучший тип и структуру нейронной сети, моделирующей движение судна.

2. Синтез нейросетевых моделей движения судна при различных погодных условиях, скорости и водоизмещении судна.

3. Разработка метода выделения критериальных признаков движения судна по курсу, позволяющего выявить наилучший тип и структуру нейронной сети, моделирующей движение судна.

4. Разработка метода определения наилучшей настройки регулятора на нечёткой логике САУ судном по курсу по критериальным признакам движения судна по курсу.

5. Имитационное моделирование движения судна по курсу при различных погодных условиях, скорости и водоизмещении судна для определения нейросетевых моделей движения судна.

6. Компьютерное моделирование ИСАУ судном по курсу на базе нейросетевых технологий для проверки работоспособности предложенных методов и модели ИСАУ в целом.

Основные результаты и положения, выносимые на защиту:

1. Функциональная модель ИСАУ судном по курсу на базе нейросе-тевых технологий.

2. Метод получения нейросетевых моделей движения судна по курсу при различных погодных условиях и изменении скорости и водоизмещения судна.

3. Метод определения наилучшего типа и структуры нейронной сети, моделирующей движение судна.

4. Метод определения наилучшей настройки регулятора на базе нечёткой логики ИСАУ судном по курсу по критериальным признакам движения судна по курсу, позволяющий обеспечить требуемое качество и точность движения судна по курсу.

Методы исследования. При решении, поставленных научных задач в работе использовались методы системного анализа, математической статистики, спектрального анализа случайных процессов, теории искусственных нейронных сетей, нечеткой логики, генетических алгоритмов, имитационного моделирования. Исследование предложенных в работе методов, проводилось с использованием авторских модулей для пакета MATLAB 7.0, а также разработанного специализированного программного обеспечения.

Научная новизна; Научную новизну работы определяют следующие положения:

1. Предложена и исследована принципиально новая функциональная модель ИСАУ судном по курсу на базе нейросетевых технологий.

2. Предложен метод получения нейросетевых моделей движения судна по курсу при различных погодных условиях, скорости и водоизмещении судна.

3. Проведён анализ, показывающий, что для различных типов судов и условий плавания требуются разные нейросетевые модели движения судна по курсу. Предложен метод определения наилучшего типа НС, её структуры и метода обучения, оптимальным образом отражающие характеристики судна в конкретных условиях плавания.

4. Обоснован метод определения наилучшей настройки нечёткого регулятора ИСАУ судном по курсу по критериальным признакам движения судна по курсу, что позволяет обеспечить требуемое качество и точность движения судна по курсу при различных внешних воздействиях.

Достоверность результатов проведённых исследований обеспечивается использованием современных методик планирования эксперимента, корректным применением принципов построения модели САУ судном по курсу, а также качественным и количественным совпадением результатов компьютерного и имитационного моделирования, проведённого на сертифицированном оборудовании (имитатор сигналов для авторулевого ИС-2005 ЗАО «Инженерный центр информационных и управляющих систем»).

Практическая значимость работы заключается в том, что результаты проведённой работы могут быть использованы при разработке современных САУ судном по курсу. Представлены алгоритмы и программное обеспечение для технической реализации ИСАУ судном по курсу на базе нейронных сетей. <

Тема связана с теми НИР и ОКР, которые проводились и проводятся на кафедрах «Технические средства судовождения» и «Автоматические и информационные системы» ФГОУ ВПО МГУ им. адм. Г. И. Невельского в соответствии с общесоюзной программой «Океан», федеральными целевыми программами «Мировой океан» (1998-2012 гг.) и «Развитие транспортной системы России» (2010-2015 гг.), планами НИР вуза в рамках тем «Датчики навигационной информации для судового измерительного комплекса», «Повышение эффективности технических средств навигации и разработка методов их комплексного использования».

Реализация результатов работы. Результаты работы непосредственно использованы при выполнении госбюджетных и хоздоговорных НИР, которые велись на кафедре «Автоматические и информационные системы» ФГОУ ВПО МГУ им. адм. Г. И. Невельского. Выводы и рекомендации, полученные при разработке диссертации, были внедрены в ФГОУ ВПО МГУ им. адм. Г. И. Невельского в процесс обучения курсантов и студентов (в виде лекций, курсового и дипломного проектирования).

Апробация работы. Результаты работы докладывались и обсуждались на конференциях и семинарах различного уровня: ежегодные научно-технические конференции Морского государственного университета им. адм. Г. И. Невельского в г. Владивостоке (2006 — 2008 гг.); 64-я региональная студенческая научная конференция «Научно-технические проблемы транспорта, промышленности и образования» в г. Хабаровске (ДВГУПС, 2006 г.); научно-практическая конференция «Безопасность судоходства в Дальневосточном бассейне» в г. Владивостоке (2008 г.); всероссийская выставка научно-технического творчества молодежи в г. Москве (ВВЦ, 2005 г.); XIV, XV и XVII всероссийские семинары «Нейроинформатика, ее приложения и анализ данных» в г. Красноярске (2006, 2007 и 2009 г.); II международная конференция «Параллельные вычисления и задачи управления» в г. Москве (ИПУ им. В.А. Трапезникова РАН, 2004 г.); международная конференция «Нейросетевые технологии и их применение» в г. Краматорске (Украина) (ДГМА, 2004 г.).

Публикации. По результатам исследований опубликовано 10 печатных работ, в том числе 2 работы опубликованы в журналах, рекомендованных ВАК. Получен 1 патент РФ.

Структура работы. Диссертационная работа состоит из введения, четырех глав, заключения, библиографического списка из 156 наименований и четырех приложений. Основная часть работы изложена на 123 страницах машинописного текста, содержит 94 рисунка, 5 таблиц. В диссертации принята двойная нумерация формул, рисунков и таблиц: первая цифра указывает номер главы, вторая - порядковый номер внутри данной главы.

4.3 Выводы по четвёртой главе

Анализ результатов проведённого моделирования показал качественное удержание судна по курсу при помощи авторулевого на нечеткой логике и при заданной нагрузке на рулевой привод. По проведенным исследованиям следует также отметить, что адаптированный регулятор на нечеткой логике удерживает судно по курсу в заданных пределах рыскания (1 градус) для всех введенных условий плавания. К тому же из-за малых размеров испытательного судна оно считается трудным в управлении. Качественная работа авторулевого на таком судне позволяет говорить о его работоспособности на судах, имеющих гораздо большие размеры и, следовательно, менее чувствительных к внешним воздействиям. Проведенные компьютерное и имитационное моделирование подтверждают теоретические выводы работы.

ЗАКЛЮЧЕНИЕ

В диссертационной работе на основании выполненных исследований получены следующие основные научные результаты и выводы:

1. Разработана модель ИСАУ судном по курсу на базе нейросетевых технологий, позволяющая выявлять наилучший тип и структуру нейронной сети, моделирующей движение судна.

2. Синтезированы нейросетевые модели движения судна при различных погодных условиях, скорости и водоизмещении судна.

3. Разработан метод выделения критериальных признаков движения судна по курсу, позволяющий выявить наилучший тип и структуру нейронной сети, моделирующей движение судна.

4. Разработан метод определения наилучшей настройки регулятора на нечёткой логике САУ судном по курсу по критериальным признакам движения судна по курсу, позволяющей обеспечить требуемое качество и точность движения судна по курсу.

5. Получены путём проведения имитационного моделирования нейросетевые модели движения судна по курсу при различных погодных условиях, скорости и водоизмещении судна.

6. Анализ результатов компьютерного моделирования ИСАУ судном по курсу на базе нейросетевых технологий подтвердил достоверность разработанных методов, выводов и рекомендаций, полученных теоретическим путем.

7. Для представленных методов разработаны алгоритмы и программное обеспечение, подтверждённые патентом.

1. Агеев, А. Д. Нейроматематика Текст. / Кн. 6: Учеб. Пособие для вузов / Агеев А. Д., Балухто А. Н., Бычков А. В. и др.; Общая ред. А. И. Галушкина. М.: ИПРЖР, 2002. - 448 с.

2. Ананьев, Д. М. Некоторые задачи теории управляемости судна на волнении Текст. / Д. М. Ананьев Труды ТПИ, вып. 194, 1962. С. 17-31.

3. Ананьев, Д. М. Об устойчивости судна на курсе в условиях волнения Текст. / Д. М. Ананьев (НТО Судостроит, пром-сти им. А. Н. Крылова). Мореходные качества судов: Материалы по обмену опытом, вып. 54, 1964.-С. 84—93.

4. Арнольд, В. И. О представлении функций нескольких переменных в виде суперпозиции функций меньшего числа переменных Текст. / В. И. Арнольд // Математическое просвещение, 1958. Вып. 3. С. 41-61.

5. Арнольд, В. И. О функциях трёх переменных Текст. / В. И. Арнольд // Докл. АН СССР, 1957. т. 114, № 4. С. 679-681.

6. Афремов, А. Ш. О выборе закона работы авторулевого при движении судна на нерегулярном волнении Текст. / А. Ш. Афремов, Ю. П. Васильев Труды ЦНИИ им. А. Н. Крылова, вып. 2321966. С. 22-34.

7. Афремов, А. Ш. Рыскание судов на волнении Текст. / А. Ш. Афремов Труды ЦНИИ им. А. Н. Крылова, вып. 2321966. С. 3-21.

8. Бавин, В. Ф. Ходкость и управляемость судов Текст. / В. Ф. Бавин, В. И. Зайков, В. Г.Павленко, JL Б. Сандлер / Под. ред. В. Г. Павленко. М.: Транспорт, 1991. - 397 с.

9. Басин, А. М. Гидродинамика судов на мелководье Текст. / А. М. Басин, И. О. Веледницкий, А. Г. Ляховицкий Л., Судостроение, 320 е., 1976.

10. Басин, А. М. Теория устойчивости" на курсе и поворотливость судна Текст. / А. М. Басин М.: Гостехиздат, 1949. - 228 с.

11. Березин, С. Я. Системы автоматического управления движением судна по курсу Текст. / С. Я. Березин, Б. А. Тетюев Судостроение -Л.:, 1990.

12. Блейхут, Р. Быстрые алгоритмы цифровой обработки сигналов Текст. / Р. Блейхут / Пер. с англ. М.: Мир, 1989. - 448 с.

13. Богданов, В. И. Синергетика и нейросетевые системы управления курсом судна. Текст. / В. И. Богданов, Я. JI. Виткалов, С. В; Глушков, А. С. Потапов. Монография. — Москва — Санкт-Петербург — Владивосток, Питер, 2006. 205 с.

14. Большаков, В. П. К теории управляемости корабля Текст. / В: П. Большаков Тр. ВМАКВ им. акад. А. Н. Крылова, вып. XIX, с. 3—19, 1959.

15. Борисов, А. Н. Обработка нечёткой информации в системах принятия решений Текст.А. Н. Борисов М.: Радио и связь, 1989. - 181 с.

16. Ваганов, А. М. Общее устройство судов Текст. / А. М. Ваганов, А. Б. Карпов Д., Судостроение, 1965.

17. Ваганов, Г. И. Тяга судов Текст. / Г. И.Ваганов, В. Ф. Воронин, В. К. Шанчурова (методика и примеры выполнения, судовых тяговых расчетов): Учебное пособие для вузов. М., Транспорт, 1986. с. 199.

18. Вагущенко, Л. JI., Цымбал Hi Н. Системы автоматического, управления движением судна Текст. / Л. Л. Вагущенко^ Н. Н. Цымбал Учебник. 3-е изд, перераб. и доп. - О.: Феникс; —М.: ТрансЛит, 2007. -376 с.

19. Васильев, А. В; Управляемость судов Текст. / А. В. Васильев -Л.: Судостроение, 1989.-328 с.

20. Веденов, А. А. Архитектурные модели и функции нейронных ансамблей:Текст. / А. А. Веденов, А. А. Ежов, Е. Б. Левченко// PIHT. Сер.: Физические и математические модели нейронных сетей; — 1990. — Т. 1.— С. 44-92.

21. Виткалов, Я. Л. Исследование проблем синтеза нейросетевого контроллера в задаче управления курсом судна: автореф. Дис. Канд. Техн. Наук: 05.22.19 / Виткалов Ярослав Леонидович. ФГОУ ВПО МГУ им. адм. Г.И. Невельского, Владивосток, 2006. — 180 с.

22. Войткунский, Я. И. Сопротивление движению судов Текст. / Я. И. Войткунский Учебник. Л., Судостроение, 1988. с. 288.

23. Вороновский, Г. К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности Текст. / Г. К. Вороновский и др. // Основа. Харьков, 1997. — 231 с.

24. Галушкин, А. И. Теория нейронных сетей. Текст. / А. И. Галушкин / Общая ред. А. И. Галушкина. Кн. 1: Учеб. пособие для вузов -М.: ИПРЖР, 2000.-416 с.

25. Гаскаров, Д. В. Интеллектуальные информационные системы Текст. / Д. В. Гаскаров Учеб. Для вузов. М.: Высш. шк., 2003. - 431 с.

26. Гире, И. В. Аэродинамические характеристики речных судов Текст. / И. В. Гире, А. М. Сарибан Судостроение, № 9, 1939.

27. Глушков, С. В. Автоматическое управление курсом судна с использованием регулятора на нечеткой логике. Текст. / С. В. Глушков, // М.: Новые технологии, Мехатроника, Автоматизация, Управление, 2007. -Вып 12.-С. 32-36.

28. Глушков, С. В. Использование нечеткой логики в системе автоматического управления курсом судна Текст. / С. В. Глушков // Приборы и системы. Управление, контроль, диагностика, 2007. — Вып. 8. -С. 28-32.

29. Глушков, С. В. Нечеткие множества в системах управления курсом судна Текст. / С. В. Глушков // Транспортное дело России. М.: Морские вести России, 2006. Выпуск №7. - С. 14-15.

30. Голд, Б., Рэйдер Ч. Цифровая обработка сигналов Текст. / Б. Голд, Ч. Рэйдер Пер. с англ. / Под ред. Трахтмана А. М. М.: Сов. радио, 1973.-368 с.

31. Головко, В. А. Нейронные сети обучение, организация и применение Текст. / В. А. Головко Кн. 4: Учеб. пособие для вузов / Общая ред. А. И. Галушкина. -М.: ИПРЖР, 2001.-256 с.

32. Горбань А. Н. Функции многих переменных и нейронные сети Текст. / А. Н. Горбань // Соросовский образователный журнал, 1998, № 12.-С. 105-112.

33. Горбань, А. Н. Обобщённая аппроксимирующая терема и вычислительные возможности нейронных сетей Текст. / А. Н. Горбань // Сибирский журнал вычислительной математики, 1998. т. 1, № 1. С. 1224.

34. Горбань, А. Н. Обучение нейронных сетей Текст. / А. Н. Горбань // Параграф. Ленинград, 1990. - 468 с.

35. Гордиенко, Е. К. Искусственные нейронные сети Текст. / Е. К. Гордиенко, А. А. Лукьяница Ч. 1. Основные определения и модели // Изв. РАН. Сер.: Техническая кибернетика. 1994. - № 5. - С. 79 - 92

36. Гофман, А. Д. Движительно-рулевой комплекс и маневрирование судна Текст. / А. Д. Гофман Справочник. Л.: Судостроение, 1988. -360 с.

37. Гофман, А. Д. Теория и расчет поворотливости судов внутреннего плавания Текст. / А. Д. Гофман Л., Судостроение, 1971.

38. Гуральник, Б. С. Метод расчета операторов дополнительного сопротивления промысловых судов на волнении Текст. / Б. С. Гуральник Мореходные качества промысловых судов. КТИРПиХ, в. 81, 1979. С. 6570.

39. Даджион, Д. Цифровая обработка многомерных сигналов Текст. / Д. Даджион, Р. Мерсеро Пер. с англ. М.: Мир, 1988. - 488 с.

40. Девнин, С. И. Аэрогидромеханика плохообтекаемых конструкций Текст. / С. И. Девнин Справочник. Л., Судостроение, с. 320, 1983.

41. Денисов, И. В. Архитектуры систем искусственного интеллекта Текст. / И. В. Денисов Владивосток: Изд-во МГУ им. адм. Г. И. Невельского, 2004. — 232 с.

42. Дьяконов, В. Математические пакеты расширения MATLAB Текст. / В. Дьяконов, В. Круглов Специальный справочник. СПб.: Питер, 2001.-480 с.

43. Ермоленко, В. Применение нечеткой логики в микроконтроллерном управлении Текст. / В. Ермоленко // Радиолюбитель. Ваш компьютер. 1997. №3.-С. 13-17.

44. Ефимов, Д. В. Адаптивная система управления с нейронной сетью. Методы и аппаратные средства цифровой обработки сигналов Текст. / Д. В. Ефимов, В. А. Терехов, И. Ю. Тюкин // Изв. ГЭТУ. 1996. - Вып. 490.-С. 32-35.

45. Звягин, П. Н. Нейросетевое управление морским динамическим объектом Текст. / П. Н. Звягин, Ю. И. Нечаев // Нейроинформатика 2006, часть II. - С. 81-87.

46. Имитатор сигналов ИС-2005 для авторулевого Электронный ресурс. Режим доступа: http://www.ec-ics.ru/sim4ap.htm, свободный — Загл. с экрана.

47. Колмогоров, А. Н. О представлении непрерывных функций нескольких переменных суперпозициями непрерывных функций меньшего числа переменных Текст. / А. Н. Колмогоров // Докл. АН СССР. 1956. — Т. 108.-№2. -С. 179-182.

48. Колмогоров, А. Н. О представлении непрерывных функций нескольких переменных в виде суперпозиций непрерывных функций одного переменного и сложения Текст. / А. Н. Колмогоров // Докл. АН СССР. — 1957. Т. 114. - № 5. - С. 953-956.

49. Комарцова, JI. Г. Нейрокомпьютеры Текст. / JL Г. Комарцова, А. В. Максимов Уч. пособие для вузов. М.: Изд-во МГТУ им. Н, Э. Баумана; 2002. - 320 с.

50. Костюков, А. А. Сопротивление воды движению судов Текст. / А. А. Костюков Л., Судостроение, 448 е., 1966.

51. Кузьмин, В. Б. Теория нечётких множеств в задачах управления и принципах устройства нечётких процессоров Текст. / В. Б. Кузьмин, С. И. Травкин // АиТ. 1992. - № 11. - С. 7-36.

52. Леоненков, А. В. Нечеткое моделирование в среде MATLAB и FuzzyTECH Текст. / А. В. Леоненков СПб.: БХВ-Петербург, 2005. - 736 с.

53. Липис, В. Б. Гидродинамика гребного винта при качке судна Текст. / В. Б. Липис Л., Судостроение, с. 264, 1975.

54. Липис, В. Б. Расчет дополнительного сопротивления движению судна на нерегулярном волнении Текст. / В. Б. Липис Труды ЦНИИМФ. Л., Транспорт, вып. 221, 1977. С. 43-61.

55. Лукин, А. Введение в цифровую обработку сигналов: Математические основы Текст. / А. Лукин- Изд-во Моск. ун-та, 2002. 44 с.

56. Лукомский, Ю. А. Навигация и управление движением судов Текст. / Ю. А. Лукомский, В. Г. Пешехонов, Д. А. Скороходов Учебник. СПб.: «Элмор», 2002. - 360 с.

57. Мак-Каллок, У. С., Питтс В. Логическое исчисление идей, относящихся к нервной активности Текст. / У. С. Мак—Каллок, В. Питтс // В сб.: «Автоматы» под ред. К. Э. Шеннона и Дж. Маккарти. М.: Изд-во иностр. лит., 1956. - С. 363-384.

58. Марпл, С. Л. Цифровой спектральный анализ и его применения Текст. / С. Л. Марпл М., Мир, 1990, 584 с.

59. Мартынов, Н. Н. MATLAB 5. х. Вычисление, визуализация, программирование Текст. / Н. Н. Мартынов, А. П.Иванов М.: КУДИЦ-ОБРАЗ, 2000.-336 с.

60. Мартюк, Г. И. Учет ветра в математической модели судна с целью оценки его влияния на маневренные характеристики Текст. / Г. И. Мартюк, Ю. И. Юдин, А. Ю. Юдин // Вестник МГТУ, том 7, №3, 2004. -С. 375-380.

61. Мартюк, Г. И. Учет волнения в математической модели судна с целью оценки его влияния на маневренные характеристики Текст. / Г. И. Мартюк, Ю. И. Юдин, А. Ю. Юдин // Вестник МГТУ, том 7, №3, 2004. -С. 381-389.

62. Мартюк, Г. И. Учет мелководья в математической модели судна с целью оценки его влияния на маневренные характеристики Текст. / Г. И. Мартюк, Ю. И. Юдин, А. Ю. Юдин // Вестник МГТУ, том 7, №3, 2004. С. 390-397

63. Мастушкин, Ю. М. Управляемость промысловых судов Текст. / М.: Лёгкая и пищевая пром-сть, 1981. - 232 с.

64. Медведев, В. С. Нейронные сети. MATLAB 6 Текст. / В. С. Медведев, В. Г. Потёмкин-М.: ДИАЛОГ-МИФИ, 2002. 496 с.

65. Мелихов, А. Н. Ситуационные советующие системы с нечёткой логикой Текст. / А. Н. Мелихов, Л. С. Бернштейн, С. Я. Коровин — М.: Наука, Гл. ред. Физ. -мат. лит., 1990. 128.

66. Минский, М. Персептроны Текст. / М. Минский, С. Пейперт // Мир. Москва, 1971. - 329 с.

67. Олссон, Г. Цифровые системы автоматизации и управления Текст. / Г. Олссон, Дж. Пиани — СПб.: Невский диалект, 2001. 557 с.

68. Оппенгейм, А. В. Цифровая обработка сигналов Текст. / А. В. Оппенгейм, Р. В. Шафер Пер. с англ. / Под ред. С. Я. Шаца. М.: Связь, 1979.-416 с.

69. Орлов, В. А. Автоматизация промыслового судовождения Текст. / В. А. Орлов М.: Агропромиздпт, 1989. — 256 с.

70. Орловский, С. А. Проблемы принятия решений при нечёткой исходной информации Текст. / С. А. Орловский, М.: Наука, 1981. 194 с.

71. Оссовский, С. Нейронные сети для обработки информации Текст. / С. Оссовский,— М.: Финансы и статистика, 2002. 344 с

72. Павленко, В. Г. Маневренные качества речных судов (Управляемость судов и составов) Текст. / В. Г. Павленко, Учеб. пособие для ин-тов водн. трансп. М., Транспорт, с. 184, 1979.

73. Павленко, Г. Е. Сопротивление движению судов Текст. / Г. Е. Павленко, М., Морской транспорт, 508 е., 1956.

74. Першиц, Р. Н. Управляемость и управление судном Текст. / Р. Н. Першиц Д.: Судостроение, 1983. - 272 с.

75. Применение цифровой обработки сигналов Текст. / / Под ред. А. Оппенгейма М., Мир, 1980, 552 с.

76. Рабинер, JL, Гоулд Б. Теория и практика цифровой обработки сигналов Текст. / JI. Рабинер, Б. Гоулд-М., Мир, 1978, 847 с.

77. Райфа, X. Анализ решений. Введение в проблему выбора в условиях неопределённости Текст. / X. Райфа М.: Наука, 1989. — 408 с.

78. Розенблатт, Ф. Принципы нейродинамики. Перцептрон и теория механизмов мозга Текст. / Ф. Розенблатт // Мир. Москва, 1965. — 466 с.

79. Седова, Н. A. RU 2 359 308С2, МПК G 05 D 1/02 Нейросетевой регулятор для управления курсом судна / Н. А. Седова, С. В. Глушков, № 2007144406/28(048654), заявлено 29.11.2007; опубл. 28.03.2008, Бюл. № 17.

80. Седова, Н. А. Интеллектуальная система автоматического управления курсом судна Текст. / Н. А. Седова // Транспортное дело России. Спецвыпуск № 7. М.: Морские вести России, 2006. — С. 58-61.

81. Седова, Н. А. Теоретические аспекты нейросетевого управления курсом судна Текст. / С. В. Глушков, Н. А. Седова // Транспортное дело России. Спецвыпуск № 7. М.: Морские вести России, 2006. - С. 54— 57.

82. Соларев, Н. Ф. Управление судами и составами Текст. II Н. Ф. Соларев, В. И. Белоглазов, В. А. Тронин и др.: Учебник для вузов. 2-е изд., перераб. и доп. - М.: Транспорт, 1983. - 296 с.

83. Терехов, В. А. Нейроеетевые системы управления Текст. / Учеб. пособие для вузов / В. А. Терехов, Д. В. Ефимов, И. Ю. Тюкин. М.: Высш. шк., 2002. - 183 с.

84. Третьяк, А. Г. Практика управления морским судном Текст. / А. Г. Третьяк, JI. А. Козырь М.: Транспорт, 1988. - 112 с.

85. Уидроу Б. Адаптивная обработка сигналов Текст. / Б. Уидроу, С. Стирнз-М., Радио и связь, 1989, 440 с.

86. Федяевский, К. К. Управляемость судна Текст. / К. К. Федя-евский, Г. В. Соболев-М.: Судпромгиз, 1963. — 376 с.

87. Хайкин, С. Нейронные сети: полный курс Текст. / С. Хайкин, 2-е изд., испр.: Пер. с англ. М.: ООО «И. Д. Вильяме», 2006. - 1104 с.

88. Хаскинд, М. Д. Теория сопротивления при движении судна на волнении Текст. / М. Д. Хаскинд, Изв. АН СССР, № 2,, 1959. С. 46-56.

89. Хуанг, Т. С. Быстрые алгоритмы цифровой обработки сигналов Текст. / Т. С. Хуанг, Дж. О. Эклунг, Г. Дж. Нуссбаумер, Ш. Зохар, Б. И. Юстуссон, Ш. Г. Тян Пер. с англ. М.: Радио и связь, 1984. - 224 с.

90. Цыпкин, Я. 3. Основы теории автоматических систем Текст. / Я. 3. Цыпкин, М.: Наука, Гл. ред. физ. -мат. лит., 1977. — 560 с.

91. Шифрин, JI. С. Моделирование на ЭВМ дополнительного сопротивления судна в условиях морского волнения Текст. / JI. С. Шифрин Судостроение, № 1, 1975. С. 13-18.

92. Шифрин, JI. С. Приближенный расчет дополнительного сопротивления на регулярном волнении Текст. / JI. С. Шифрин Судостроение, № 12, 1973.

93. Юдин, Ю. И. Метод расчёта параметров математической модели судна Текст. / Ю. И. Юдин, А. Н. Гололобов, А. Г. Степахно // Вестник МГТУ, том 12, №1, 2009. С. 5-9.

94. Юревич, Е. И. Теория автоматического управления Текст. / Е. И. Юревич 3-е изд. - СПб.: БХВ-Петербург, 2007. - 560 с.

95. Barron, A. R. Universal approximation bounds for superposition of a sigmoidal function Text. / A. R. Barron // IEEE Trans. Inform. Theory. 1993. vol. 39.-P. 930-945.

96. Cooley, J. W., Tukey J. W. An Algorithm for the Machine Computation of Complex Fourier Series Text. / J. W. Cooley, J. W. Tukey Mathematics Computation, Vol. 19, April 1965. P. 297-301.

97. Cybenko, G. Aproksimation by superpositions of a sigmoidal function Text. / G. Cybenko //Mathematics of control, signals and systems, 1989, vol. 2.-P. 303-314.

98. Eda, H. Characteristics of ships in calm water and waves Text. / H. Eda, C. Crane, L. Jr. Steering / Trans. SNAME, 1965. P. 135-177.

99. Elman, J. Finding structure in time Text. / J. Elman // Cognitive Science, 1990, № 14.-P. 179-211.

100. Fossen, Т. I. Guidance and control of ocean vehicles Text. / Т. I. Fossen // John Wiley & Sons Ltd., 1994.

101. Fredrick, J. H. On the Use of Windows for Harmonic Analysis with the Discrete Fourier Transform Text. / J. H. Fredrick // Proc. IEEE, Vol. 66, No. 1,1978.-P. 51-83.

102. Funahashi, K. On the approximate realization of continuous mappings by neural networks Text. /K. Funahashi //Neural networks, 1989, vol. 2.-P. 183-192.

103. Fyfe, C. Artificial neural networks Text. / C. Fyfe // The University of Paisley, 1996. 336 p.

104. Gallant, A. R. There exists a neural network that does not make avoidable mistakes Text. / A. R. Gallant, H. White // IEEE International conference on neural network, 1988, vol. I,, San Diego, CA. P. 657-664.

105. Gorban, A. N. Approximation of continuous functions of several variables by an arbitrary nonlinear continuous function of one variable, linear functions, and their superpositions Text. / A. N. Gorban / Appl. Math. Lett., 1998. Vol. 11, №3. P. 45-49.

106. Guang, R. Studies on RBF neural-network controller with application to ship control Text. / R. Guang, Y. Lin, J. Zhang // Intelligent Control and Automation, Proceedings of the 4th World Congress — 2002, vol. 1. -P. 21-25.

107. Gupta, J. H. Static and dynamic neural networks: From Fundamentals to Advanced Theory Text. / J. H. Gupta Wiley, 2003. - 751 p.

108. Hagan, M. T. Training feedforward networks with the Marquardt algorithm Text. / M. T. Hagan, M. Menhaj // IEEE Transactions on Neural Networks. 1994. vol. 5, № 6. P. 989-993.

109. Hebb, D. O. The Organization of Behavior: A Neuropsychological Theory Text. / D. O. Hebb New York: Wiley, 1949.

110. Hecht-Nielsen, R. Kolmogorov's maping neural network existence theorem Text. / R. Hecht-Nielsen // First IEEE International conference on neural networks, 1987, vol. III. P. 11-14

111. Hopfield, J. J. Neural Networks and Physical systems with emergent collective computational abilities Text. / J. J. Hopfield // Proc. Nat. Acad. Sci. USA. - 1982. - № 79. - P. 2554 - 2558

112. Hopfield, J. J. Neurons with graded response have collective computation properties like those of two-state neurons Text. / J. J. Hopfield // Proc. Nat. Acad. Sci. 1984. -№ 81. - P. 3088 - 3092

113. Isherwood, R. Wind resistance of merchant ships Text. / R. Isherwood//TRINA, v. 1151973.-P. 327-335.

114. Kohonen, T. Self-organization and associative memory Text. / T. Kohonen Berlin: Sringer-Verlag, 1987

115. Kreinovich, V. Y. Arbitrary nonlinearity is sufficient to represent all functions by neural networks: A theorem Text. / V. Y. Kreinovich / Neural Networks, 1991, Vol. 4, №3. P. 381-383.

116. Kreinovich, V. Y., Quintana C. Neural networks: what nonlinearity to choose? Text. / V. Y. Kreinovich, C. Quintana // Proc. 4th University of

117. New Brunswick Artificial Intelligence Workshop. Fredericton, NB, Canada. 1991.-P. 627-637.

118. Lackenby, H. The effect of shallow water on ship speed Text. / H. Lackenby // The Shipbuilder and Marine Enginebuilder, September, 1963. P. 13-19.

119. Mamdani, E. H. Advances in the linguistic synthesis of fuzzy controllers Text. / E. H. Mamdani // Intarnational Journal of Man-Machine Studies, vol. 8, 1976. P. 669-678.

120. Mamdani, E. H. Application of fuzzy to approximate reasoning using linguistic synthesis Text. / E. H. Mamdani // IEEE Transactions on computers, vol. 26, no 12, 1977. P. 1182-1191.

121. Marquardt, D. An algorithm for least squares estimation of nonlinear parameters Text. / D. Marquardt // SIAM, 1963. P. 431-442

122. McCalloch, W. S. A logical calculus of the ideas immanent in nervous activity Text. / W. S. McCalloch, W. Pitts // Bull. Math. Biophys. -1943.-V.5.-P. 115-133.

123. McGookin, E. W. Parameter optimization of a non-linear tanker control system using genetic algorithms Text. / E. W. McGookin, D. J. Murray-Smith, Y. Li, Т. I. Fossen In genetic algorisms in engineering systems: innovations and applications, 1997.

124. Mizuno, N. Minimum time ship maneuvering method using neural network and nonlinear model predictive compensator Text. / N. Mizuno, M. Kuroda, T. Okazaki, K. Ohtsu // Control Applications in Marine Systems -2007, vol. 15.-P. 757-765.

125. Moller, M. F. A scaled conjugate gradient algorithm for fast supervised learning Text. / M. F. Moller // Neural Networks. 1993. vol. 6. P. 525-533

126. Nakamura, M. Guaranteed intervals for Kolmogorov's theorem (and their possible relation to neural networks) Text. / M. Nakamura, R. Mines, V. Kreinovich / Interval Computations, 1993, №3. P. 183-199.

127. Nomoto, К. Loss of Propulsion Power Caused by Yawing with Particular Reference to Automatic Steering Text. / K. Nomoto, T. Motoyama // J. Soc. Nav. Arch. Jahan. Dec. 1966. Vol. 120, N 12. P. 71-80

128. Nomoto, K. Response analysis of maneuverability and its application to ship design Text. / K. Nomoto / 60 Anniv. Series. Vol. 11, Soc. Nav. Archs. Japan.

129. Pervozvansky, A. A. Some error bounds for approximation by artificial neural network Text. / A. A. Pervozvansky // Proc. 13-Triennial World Congress. San Francisco, USA, 1996.-P. 157-162.

130. Schlichting, O. Shiffswiderstand auf Beschraukter Wassertiefe. Widerstand von Seeschiffen auf flachen Wasser Text. / O. Schlichting // Jahrbuch STG, Bd. 35, 1934. P. 127-148.

131. Sugeno, M. Fuzzy measures and fuzzy integrals: a survey (in M. M. Gupta, G. N. Saridis, B. R. Gaines, editors) Text. / M. Sugeno // Fuzzy automata and decision processes, North-Holland, New York, 1977. P. 89102.

132. Sun, P. Optimal Idle Speed Control of an Automotive Engine Text. / P. Sun, B. Powell, D. Hrovat // Proc. of American Control Conference 200. 26 30 Jun. - Chicago, 2000. - P. 1018 - 1026.

133. Swaan, W. A. The influence of principal dimension on ship behavior in irregular waves Text. / W. A. Swaan // Int. Shipbuild. Progr., N82, v. 8, 1961

134. Takagi, T. Fuzzi identification of systems and its application to modeling and control Text. / T. Takagi, M. Sugeno // IEEE Trans. SMS, 1985.-P. 116-132.

135. Velagic, J. Adaptive fuzzy ship autopilot for track—keeping Text. / J. Velagic, Z. Vukic, E. Omerdic // In manoeuvring and control of marione craft, 2000. proceeding of the 5th IF AC conference.

136. Weierstrass, K. Uber die analytische Darstellbarkeit sogenanter willkurlicher Funktionen einer reellen veranderlichen Text. / K. Weierstrass // -Berlin, 1985. P. 633-639, 789-905.

137. Williams, R. A learning algorithm for continually running fully recurent neural networks Text. / R.Williams, D. Zipser // Neural Computers, 1989.-Vol. l.-P. 270-280.

138. Zadeh, L. A. Fuzzy sets Text. / L. A. Zadeh // Information and Control, 1965. P. 338-353.

139. Zadeh, L. A. The concept of linguistic variable and its application to approximate reasoning Text. / L. A. Zadeh // Part 1—3 // Information Sciences, 1975.-P. 199-249.

140. Zimmermann, H. J. Fuzzy set theory and its applications Text. / H. J. Zimmermann Boston: Kluwer, 1985.1. Р©(ОШЙ(СЖАЖ ФВДШРАЩШШж жжжжж жж жж ж ж ж ж1. НА ИЗОБРЕТЕНИЕ2359308

141. ОСЕТЕВОЙ РЕГУЛЯТОР ДЛЯ У КУРСОМ СУДНАь(ли): Седова Нелли Алексеев Витальевич (RU)ова Нелли Алексеевна (RU), Tj<1. Заявка №2007144406

142. Приоритет изобретения 29 НО: , Зарегистрировано в Государстеей изобретений Российской Федё.""

143. Срок действия патента истекает 29 :

144. Руководитель Федеральной слу: собственности, патентам и

145. Ж ж ж ж ж ж жжжжжжжжжжжжжжжжжжжжжжжжжж1. АКТ О ВНЕДРЕНИИ