автореферат диссертации по транспорту, 05.22.19, диссертация на тему:Нейросетевой метод идентификации надводных объектов в решении задач автоматизации судовождения

На правах рукописи

□031727Э2

Жеретинцева Наталья Николаевна

НЕЙРОСЕТЕВОЙ МЕТОД ИДЕНТИФИКАЦИИ НАДВОДНЫХ ОБЪЕКТОВ В РЕШЕНИИ ЗАДАЧ АВТОМАТИЗАЦИИ СУДОВОЖДЕНИЯ

05 22 19 - Эксплуатация водного транспорта, судовождение

Автореферат диссертации на соискание ученой степени кандидата технических наук

Ч 6 ['!<Т'

Владивосток - 2008

003172792

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

Научный руководитель кандидат технических наук, доцент

Глушков Сергей Витальевич

Официальные оппоненты

доктор технических наук, профессор Розенбаум Анатолий Наумович кандидат технических наук, доцент Радионов Александр Юрьевич

Ведущая организация Тихоокеанский военно-морской институт

имени адмирала С О Макарова (ТОВМИ)

Защита состоится 9 июля 2008 года в 14 00 на заседании совета по защите докторских и кандидатских диссертаций 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 библиотеке Морского государственного университета имени адмирала Г И Невельского

Автореферат разослан 07 июня 2008 года

Ученый секретарь диссертационного совета

А Г Резник

Общая характеристика работы Актуальность темы В различных ситуациях во время рейса судоводителю приходится решать задачу идентификации целей на море для последующего выбора маневра, который позволит максимально безопасно разойтись с опознаваемым объектом Актуальность темы подтверждается правительственными документами, выпущенными в последнее время Федеральная целевая программа «Глобальная навигационная система Технология высокоточной навигации и управления движением», утвержденная Президентом Российской Федерации на период до 2011 года особое место отводит разработке интеллектуальных систем, повышающих безопасность морского судоходства Согласно резолюции ИМО А477 (12) PJ1C должна определить скорость и координаты встречного объекта не более чем за 3 мин

Степень разработанности темы. Проблеме распознавания объектов посвящены многочисленные исследования отечественных и зарубежных ученых, таких как В И Богданов, В А Иванов, В А Пятакович, И И Юшков, А В Рудинский, А С Ермоленко, Ю J1 Сиек, К J Hunt, S Chen, P M Grant, M.T Hagan и др

Современные научные разработки морской тематики связаны с определением элементов движения цели (ЭДЦ) и разработкой методов определения формы и размеров морских объектов по отраженному радиолокационному сигналу К таким методам относятся метод расщепления функции для распознавания объектов по собственным электромагнитным колебаниям, непрерывное вейвлет-преобразование для получения градиентов изображения, обработка изображения морфологическими фильтрами и другие методы, построенные на базе обработки радиолокационного наблюдения Эти методы позволяют на экране радара формировать контур морской цели Значительный вклад в развитие данного направления внесли как российские ученые (Ю В Кузнецов, Т Я Шевгунов, А Б Баев, О С Салычев, М А Бехтин, В Г Семин, А С Девятисильый, В М Гриняк, Н В Лоскутов, В Ю Королев, В М Дорожко) так и зарубежные (Е К Miller, JI Льюнг, М L Van Blaricum,

A J Mackay, T К Sarkar, D D Werner, Lee Yunwoo, Kozaitis Samuel, Yang Li и др)

Современные суда оснащаются навигационными автоматизированными комплексами (HAK), определяющими место положения судна с помощью средств радионавигации и позволяющими максимально возможно автоматизировать операции судовождения.

Как одна из составных частей HAK используются системы автоматической радиолокационной прокладки (САРП) для повышения безопасности мореплавания за счет обеспечения судоводителя непрерывной информацией об элементах движения цели (ЭДЦ)

В портах созданы центры систем управления движением судов (СУДС) и мониторинга в прибрежных морских районах, оснащенные автоматизированными информационными системами (АИС) для автоматического сбора информации о судах

Идентификация морских объектов на текущий момент не выполняется и распознается судоводителем по показаниям HAK для ЭДЦ, и, конечно, зависит от квалификации судоводителя, являясь субъективной составляющей В то же время задача автоматизированной идентификации встречных объектов на пути следования судов является актуальной и разработка системы распознавания объектов позволит решить эту задачу

Целью и задачи работы. Целью данной диссертационной работы является разработка методики, обеспечивающей автоматизированную идентификацию надводных морских объектов в режиме реального времени

Для достижения указанной цели были поставлены и решены следующие задачи

1 Анализ существующих средств идентификации морских объектов

2 Определение параметров и возможных классов надводных морских объектов для идентификации

3 Сравнительный анализ и выбор нейронных сетей по критериям распознаваемости, скорости распознавания и скорости обучения

4 Разработка алгоритма и программного обеспечения для решения задачи идентификации морских надводных объектов

Задача идентификации морских объектов является интеллектуальной, и ее решение разгружает судоводителя В современных исследованиях, посвященных теории и практике применения нейронных сетей, показано, что эти высокоорганизованные структуры оказываются особенно перспективными для решения плохо формализованных задач

Объектом исследования являются нейронные сети в системе обеспечения безопасности мореплавания

Предметом исследования является идентификация морских надводных объектов на основе нейронных сетей

Теоретические основы исследования Теоретическую основу исследований составили работы отечественных и зарубежных авторов в области теории искусственного интеллекта, применения нейронных сетей в задачах классификации, теории радиолокационного наблюдения морских целей Основополагающими работами в исследовании стали труды С И Баскакова, Л Л Вагущенко, Роберта Калана и Л Льюнга

Проблема. С одной стороны, растут требования по обеспечению безопасности плавания по точности движения на заданном маршруте, по комплексной обработке информации от разнородных приборов в режиме реального времени С другой стороны, проблема заключается в том, что на сегодняшний день нет отечественных систем, обеспечивающих безопасность судовождения с возможностью автоматизированной идентификации надводных морских объектов, отвечающих современным требованиям.

При определении опасности обнаруженной цели, а также при выборе маневра одним из значимых факторов является тип целей, расхождение с которыми регламентируется международными правилами предупреждения столкновения судов на море - МППСС 72 Часто в одной и той же ситуации, но с различными типами целей действия судоводителя могут сильно разли-

чаться Хотя, как показывает практика, расхождение с определенными типами объектов в соответствии с правилами не всегда приемлемо и безопасно

Задача идентификации встречных надводных объектов является наиболее актуальной в случаях

- нежелания быть распознанными для судов, занимающихся незаконным выловом морепродуктов,

- отсутствия оснащения АИС,

- большого количества объектов и необходимости автоматизировать процесс их распознавания,

- неопознанных объектов,

- в близи большого промышленного центра, где большое количество радиопомех,

- поиска и спасения шлюпок и барж и др

В ряде случаев развивающаяся ситуация на море или в проливе не может быть описана каким-либо правилом В этих ситуациях судоводителю приходится самостоятельно рассчитывать маневр, тогда особое значение имеет характер обрабатываемой цели При этом задача штурмана значительно усложняется различными факторами, среди которых можно выделить следующие:

- погодные условия, ограничивающие видимость (туман, мгла, снегопад,

сильный ливень, песчаная буря и др),

- близость берегов или стесненные условия плавания при напряженном

трафике

Возможность идентификации морских объектов позволит обеспечить:

- автоматизацию идентификации объекта, что важно для последующего

процесса расхождения судов,

- повышение скорости обработки целей,

- параллельность обработки целей Судоводитель может вести наблюдение одновременно за несколькими целями, количество которых зависит от его

опыта и, это число обычно не превышает десяти Реализация нейронной сети на ЭВМ обеспечивает большую скорость обработки информации, и при этом количество одновременно обрабатываемых целей возрастает на несколько порядков и фактически зависит от скорости и памяти ЭВМ на которой реализована сеть - качество распознавания. Применение определенных методов построения и обучения нейронных сетей для решения вопросов классификации дает хорошие результаты Основные положения и результаты, выносимые на защиту: 1 Методика идентификации морских надводных объектов на основе нейро-сетевых технологий

2. Алгоритм и программное обеспечение системы, обеспечивающий распознавание объектов с использованием нейросетевых технологий

3. Функциональная и структурная схема системы идентификации морских объектов

Методы исследования Методы системного анализа, методы математического моделирования, методы линейного и нелинейного программирования, положения теории нейронных сетей

Научная новизна работы заключается в применении нейросетевых технологий в обработке эхо-сигналов радаров для разработки высокоэффективной системы идентификации морских надводных объектов, позволяющей решать задачи автоматизированных навигационных комплексов движения судна по маршруту следования, в том числе.

- определение параметров и классов идентификационных морских целей,

- выбор оптимальной структуры нейронной сети по критериям распознаваемости, скорости распознавания и скорости обучения,

- разработка методики, алгоритма и программного обеспечения решения задачи идентификации морских надводных объектов различных по классам и уровню помех

в

Достоверность результатов обусловлена корректностью применения математического аппарата неросетевых технологий, современных средств компьютерного моделирования (МАТЬАВ 7 0) и близостью результатов теоретических исследований с данными имитационного компьютерного моделирования

Практическая ценность работы Разработанный метод, алгоритм и программное обеспечение могут быть применены для разработки систем идентификации морских надводных объектов, используемых в навигационных автоматизированных комплексах для решения задач судовождения Разработанные методика, алгоритм и программное обеспечение могут быть реализованы в имитационно-тренажерных системах, необходимых для обучения инженеров-судоводителей

Реализация результатов работы. Результаты работы непосредственно использованы при выполнении госбюджедных исследовательских работ, которые велись на кафедрах автоматизированных информационных систем и технических судовых систем ФГОУ ВПО МГУ им адмирала Г И Невельского Выводы и рекомендации диссертации внедрены в процесс обучения ФГОУ ВПО МГУ им адмирала Г И. Невельского (лекции, лабораторные работы, курсовое и дипломное проектирование)

Апробация результатов работы. Основные положения подтверждены экспериментально при компьютерном моделировании программного комплекса Материалы работы были доложены и одобрены на1

- международной технической конференции «Безопасность на море» в Разделе «Проблемы транспорта Дальнего Востока», 2005,

- межвузовских научно-технических конференциях МГУ им адмирала Г И Невельского 2004-2007 г.г.,

- VII Международном Форуме студентов, аспирантов и молодых ученых Стран Азиатско-Тихоокеанского региона, 2007 г,

- V Международной научной конференции творческой молодежи «Научно-техническое и экономическое сотрудничество стран АТР в XXI веке», 2007 г,

- IX Международной очно-заочной научно-практической конференции «Интелектуальный потенциал вузов - на развитие Дальневосточного региона России и стран АТР»,

- Всероссийской научно-технической конференции «Искусственные сети и модели в нероинформатики, промышленности и экологии», 2007 г,

- XV Всероссийском семинаре Секция «Нейроинформатика и ее приложения», 2007 г;

- 2-ой научной конференции с международным участием «Технические проблемы освоения Мирового океана», 2007 г

Публикации По результатам исследований опубликовано 12 работ, в том числе 4 - на международных конференциях, 3 - на всероссийских, 5 - на региональных, из них 3 работы опубликованы в изданиях, рекомендованных списком ВАК

Структура и объем диссертации Диссертация представлена на 162 листах машинописного текста и состоит из введения, четырех глав, заключения, списка использованных источников из 118 наименований и приложения Работа содержит 48 иллюстраций и 4 таблицы

Основное содержание работы

Введение. Возрастающая интенсивность судоходства, увеличение грузоперевозок, интенсификация трафика требуют активного внедрения средств автоматизации и вычислительной техники в процессы судовождения В целях повышения безопасности морского судоходства процесс выполнения операций судовождения автоматизируется В настоящее время технической основой автоматизации операций судовождения стали электронные вычислительные машины (ЭВМ), а также микропроцессоры и микро ЭВМ, на базе которых строятся современные навигационные автоматизированные ком-

плексы Они берут на себя функции обработки и хранения информации, прогнозирования развития ситуаций, управления движением и т д, включая выбор мер, повышающих эффективность решаемых задач. В настоящее время задача идентификации встречных объектов на пути следования судов является интеллектуальной и разгружает судоводителя

Также во введении обоснована актуальность и сформулирована цель работы, дано краткое изложение результатов работы.

В первой главе приведен анализ существующих судоводительских систем, решающих задачи распознавания встречных объектов, таких как

- навигационные автоматизированные комплексы (HAK), определяющие место положения судна с помощью средств радионавигации и позволяющие максимально возможно автоматизировать операции судовождения

- одна из составных частей HAK - подсистема автоматической радиолокационной прокладки (САРП) для повышения безопасности мореплавания за счет обеспечения судоводителя непрерывной информацией об ЭДЦ

В первой главе также рассмотрены возможные погрешности измеряемых величин и приведен анализ существующих методов распознавания

Во второй главе выполнена формализация задачи, а именно предложен ряд параметров, по которым будут идентифицироваться морские надводные объекты, и их классификация, т е объединения ряда похожих объектов в крупные классы Как показано в диссертации, по предложенному ряду параметров будет готовиться входной набор данных для обучения нейронной сети, а по количеству классов объектов - выходной набор Каждая строка входного набора данных будет соответствовать конкретному объекту класса согласно предложенной классификации

Формализация задачи классификации будет выглядеть следующим образом

Идентифицируемый объект характеризуется параметрами р1 р„. Объекты классифицированы М классами объектов, С; Ст

Вектор р характеризует наблюдаемый объект- р (р, р„) На основании вектора р мы должны решить, к какому классу отнести объект, т е выбрать с„ к которому принадлежит объект, характеризуемый набором параметров р Решение задачи можно представить в виде вектора с (с, ст), где выполняются условия

м

0<см<1 и =1 (1)

т=1

Здесь с„ - вероятность, с которой объект относится к классу ст Если рассматривать с„ как вероятности, то должны выполняться условия (1) К примеру, с,=0,9, о=0,1 означает, что объект с данным набором параметров р с вероятностью 0,9 относится к классу с(ис вероятностью 0,1 - к классу с2

Как показано в работе, для решения задачи идентификации взяты характеристики ЭДЦ и электронной картографической системы, которые также в дальнейшем будут использоваться в программном комплексе

Параметры, характеризующие морские подвижные объекты, представлены в табл 1

В качестве характеристик ЭДЦ предложено использовать курс - к, скорость - V, дистанцию обнаружения - с/, параметры эхо-сигнала относительные длина - / и ширина эхосигнала - т (табл 1)

В качестве расчетных величин дополнительно предложено взять ускорение - а и угловую скорость - ш, которые рассчитываются как наибольшие изменения скорости и курса за промежуток времени от начала наблюдения и до момента расчета параметра

Также полезными данными для решения задачи идентификации являются также глубина - А в районе обнаружения и дальность до ближайшего берега - Ь, которые могут быть сняты с электронной карты

В диссертационной работе идентификацию морских объектов предлагается выполнять посредством разработанного программного комплекса на

базе обученной нейронной сети, где каждый наблюдаемый объект будет характеризоваться вектором параметров, приведенных в табл 1:

р (V, а, со, с/, I, т, д, И, Ь)

Таблица 1

р Обозначение Название параметра Ед.изм. Описание параметра

Р1 V Скорость узел Наибольшая скорость, развитая объектом за время наблюдения

Рг а Ускорение узел/мин Наибольшее изменение скорости, достигнутое объектом за время наблюдения

Рз 0) Угловая скорость градус/ сек Наибольшее изменение курса объекта за время наблюдения

Р4 (1 Дистанция обнаружения морская миля Дистанция, на которой был засечен объект

Р5 1 Относительная длина эхосигнала Отношение длины эхосигнала объекта на радаре к шкале дальности радара

Рб т Относительная ширина эхосигнала Отношение ширины эхосигнала объекта на радаре к шкале дальности радара

Р7 Ч Качество эхосигнала % Относительная характеристика, определяющая качество эхосигнала на радаре

Р8 Ь Глубина метр Глубина в районе обнаружения объекта

Р9 Ь Дистанция до берега морская миля Дистанция от объекта до береговой черты

Все надводные морские объекты были разбиты на крупные классы, каждый из которых включает большой набор объектов Деление морских надводных объектов на классы выполнено с учетом поведения, размеров и характера движения объектов Крупнотоннажные суда с большой скоростью, такие как сухогрузы, танкера, химовозы, газовозы и др, объединены в класс - «грузовые суда» Средние суда с большой скоростью объединены в класс «контейнерные суда», а суда для ловли рыбы - в «рыболовные суда» В табл 2 приведены характеристики объектов всех классов с описанием входящего в них набора объектов.

Таблица 2

Класс Название класса. Объекты принадлежащие к классу

с( Грузовые суда Сухогрузы, танкера, химовозы, газовозы (крупнотоннажные суда с большой скоростью)

с2 Контейнерные суда Контейнеровозы (средние суда с большой скоростью)

Сз Рыболовные суда Рыболовные суда.

с4 Яхты Яхты

с3 Летательные аппараты Низколетящие летательные аппараты, могущие попасть в зону действия радара, такие как гидросамолеты, другие самолеты небольших габаритов, вертолеты

с6 Отдельные плавучие объекты Небольшие объекты, находящиеся наплаву и свободно дрейфующие, такие как мусор, бочки, контейнеры и тп

С7 Стационарные навигационные объекты Буи, радиобуи, радиолокационные маяки и т п

С, Элементы ландшафта Острова, полуострова, мысы, осыхаемые участки береговой черты и др

С, Метрологические явления Облака нижнего слоя, дожди, могущие попасть в зону действия радара

Для обучения нейронной сети, решающей задачу идентификации объектов, необходимо собрать и подготовить входные наборы данных для каждого класса Каждый обучающий набор представляет собой многочисленные наблюдения, для которых указаны значения входных переменных и выходных функций Размерность набора, как описано в работе, должна быть правильно подобрана Известен ряд эвристических правил, увязывающих число необходимых наблюдений с размерами сети (простейшее из них гласит, что число наблюдений должно быть в десять раз больше числа связей в сети) Для большинства реальных задач бывает достаточным несколько сотен наблюдений

В процессе обучения сеть строит отображение Р-+С Целиком извлечь это отображение сеть не позволяет, но можно получить произвольное количество пар (р—связанных отображением Для произвольного вектора р на

входе мы можем получить вероятности принадлежности к классам на выходе При успешном обучении нейронной сети на выходе получается идентификация сети в виде вероятности от 0 до 1, и второе условие (2) выполняется лишь приблизительно

2>.«1 (2)

(Я=1

Неточность - следствие аналоговое™ нейронных сетей Большинство результатов, даваемых нейронными сетями, неточно Кроме того, при обучении сети указанные условия, накладываемые на вероятности, не вводятся в сеть непосредственно, а неявно содержатся во множестве данных, на которых обучается сеть Это вторая причина некорректности результата

В обучающем наборе был выполнен анализ параметров входного вектора, большая часть которых была масштабирована по линейной шкале в пределах (О, I) за исключением hub — дистанции до берега и глубины в районе наблюдаемого объекта Эти два параметра теоретически могут лежать в пределах от (0, /w) и (0, b тах) соответственно, где /w- значение самой глубокой точки на планете , b та - дистанция до берега в самой удаленной точке мирового океана

В третьей главе приведен анализ существующих нейронных сетей, пригодных для применения к поставленной задаче Описаны математические модели, структуры и свойства нейронных сетей, их архитектуры и функции активации Представлены наиболее распространенные архитектуры нейронных сетей и их параметры, охарактеризованы методы обучения нейронных сетей и основные типы правил обучения.

На основе анализа работ зарубежных авторов Madan М Gupta, S Haykin, В D Ripley, а также руководствуясь научными разработками Ермоленко А С, Рудинского А В для задач классификации, к которым относится рассматриваемая задача, в качестве наиболее подходящей архитектуры нейронных сетей рекомендуется использовать вероятностные нейронные се-

ти (PNN — Probabilistic Neural Networks), основанные на радиалыю-базисных функциях (RBF - Radial Basis Functions)

Входной слой (Слой параметров)

Выходной слой (Слой классов)

Слой образцов (по 300 образцов на каждый класс М=2700)

Рис. 1 Архитектура вероятностной нейронной сети

Использование вероятностной нейронной сети позволяет интерпретировать уровни выходного сигнала, считая их вероятностями При этом сеть сообщает, насколько можно доверять ее решению

Количество нейронов входного слоя (рис 1) при двоичном представлении данных определяется выражением

x = Y,[log1p, ]

(3)

Нейроны слоя образцов представляют собой радиальные базисные элементы, активность которых определяется функцией Гаусса с нормальным законом распределения

У, = ехр

1К

2<т

(4)

где и1 у - весовые коэффициенты, равные элементам соответствующего вектора-образца, х>~элементы неизвестного входного вектора, а2 —дисперсия, характеризующая ширину радиально-базисной функции.

Количество радиальных элементов определяется векторами обучающего множества (по 300 на каждый класс итого 2700 образцов), причем каждый вектор входа ставится в соответствии одному из классов

Радиальный элемент сети Р№^1 задается своим центром и «радиусом» Положение точки в Ы-мерном пространстве определяется N числовыми параметрами и их ровно столько же, сколько весов у линейного элемента Поэтому координаты центра радиального элемента принимаются как «веса», а его радиус (отклонение) принимается как «порог» Фактически, «веса» и «пороги» радиального элемента принципиально отличаются от весов и порогов линейного элемента Радиальные веса на самом деле представляют точку, а радиальный порог - отклонение Вероятностная нейронная сеть типа радиальной базисной функции (ЯВР) имеет промежуточный слой из радиальных элементов (рис 1), каждый из которых воспроизводит гауссову поверхность отклика Поскольку эти функции нелинейные, то нет необходимости брать более одного промежуточного слоя

Проектирование нейронной сети и расчет ее параметров были выполнены при помощи математического пакета МАТЬАВ 7 0 На рис 2 приведена структурная схема сети, полученная в пакете МАТЬАВ Для обучения вероятностной сети были использованы 2700 образцов, по 300 образцов на каждый класс объектов Примеры были подобраны таким образом, чтобы наиболее полно отобразить множество представителей каждого класса После того как данные для обучения были подготовлены, была создана нейронная сеть Для оценки качества обучения была выбрана среднеквадратическая ошибка

Входы Первый слой Второй слой

Рис 2 Структурная схема сети

Где

11-110 - входы нейронной сети, ^{1,1} — веса со входа на слой 1, В {1} - пороговые уровни слоя 1, 1^(2,1}- веса со слоя 1 на слой 2, В{2} - пороговые уровни слоя 2, [—' - функция активации

При моделировании для получения адекватного выхода нейронной сети необходимо взять линейную комбинацию скрытых радиальных элементов (т е взвешенную сумму гауссовых функций) и их достаточное количество Сеть ЛВР также имеет выходной слой, состоящий из элементов с линейными функциями активации

На начальном этапе подготовки данные считывались из файлов и заносились в массив. После чего данные масштабировались и заносились в масштабированный массив сходного размера:

* = (Хиос - т)с (4)

где хисх - исходный вектор, х - масштабированный. Вектор т - усредненное значение совокупности входных данных с - масштабный коэффициент Выполнение масштабирования необходимо для того, чтобы привести данные к допустимому диапазону

Обучение Р1\ГМ-сети проводилось в течение нескольких этапов Сначала определялись центры и отклонения для радиальных элементов, после этого оптимизировались параметры линейного выходного слоя

В третьей главе также описаны различные алгоритмы обучения вероятностных сетей Основной алгоритм использует двушаговую стратегию обучения, или смешанное обучение Алгоритм обучения оценивает позицию и ширину ядра с использованием алгоритма кластеризации «без учителя», а затем алгоритм минимизации среднеквадратической ошибки «с учителем» для определения весов связей между скрытым и выходным слоями Поскольку выходные элементы сети линейны, то применяется неитерационный алгоритм После получения этого начального приближения используется градиентный спуск для уточнения параметров сети Расположение центров соответствует кластерам, реально присутствующим в исходных данных Были рассмотрены два наиболее часто используемых метода кластеризации

- выборка из выборки, где в качестве центров радиальных элементов берутся несколько случайно выбранных точек обучающего множества В силу случайности выбора они «представляют» распределение обучающих данных в статистическом смысле Однако, если число радиальных элементов невелико, такое представление может быть неудовлетворительным,

- алгоритм К-средних Этот алгоритм стремится выбрать оптимальное множество точек, являющихся центроидами кластеров в обучающих данных При К радиальных элементах их центры располагаются таким образом, чтобы

□ каждая обучающая точка «относилась» к одному центру кластера и лежала к нему ближе, чем к любому другому центру,

□ каждый центр кластера был центроидом множества обучающих точек, относящихся к этому кластеру.

Кластеризация выполнялась по методу «К-средних» каждого из классов на 15 кластеров, таким образом в каждом кластере оказалось по 30 объектов Векторы центроидов кластеров заносились в массив. Рис 3 наглядно отображает результат кластеризации объектов разделенных на девять клас-

сов (табл. 2) по двум параметрам - ширине эхосигнала и скорости цели. Кругами отображаются центроиды кластеров соответствующего класса.

Рис. 3 Кластеризация объектов всех классов

Отклонение гауссовой функции для каждого центроида кластеров оп-1 ределялось по методу «К-ближайших соседей».

Радиус колокола каждого ядра рассчитывался как средняя дистанция (опытным путем было установлено, что ошибка сети наименьшая при К=3) ближайших соседних центроидов и записывался в массив. Рис. 3 иллюстрирует распределение классов в зависимости от параметров скорости (у) и ширины эхо-сигнала (т).

На рис. 4 отображен результат радиусов колоколов гауссовых функций каждого центроида тех же объектов после их кластеризации. Большими кругами отображаются радиусы колоколов, мелкими - центроиды кластеров со! ответствующего класса. На рис. 4 а) К=1, т.е. использовалась дистанция до

[Plat Browser

File Edit View Insert Tools Desktop Window Help

РАСПРЕДЕЛЕНИЕ КЛАССОВ

0 РАСПРЕДЕЛЕНИЕ КЛАССОВ

0 ► Грузовые суда

0 О Центроиды гр. судов

0 <4 Контейнеровозы

0 Центроиды конт.

0 Т Рыболовные суда

0 О Центроиды рыб. судов

0 А Яхты

0 О Центроиды яхт

0 Летят. вппараты

0 О Центроиды лет. ап.

0 ш Плавучие объекты

0 О Центроиды пл. об.

0 £ На в и гацион. об ъекты

0 О Центроиды на в. об.

0 % Элементы ландшафта

0 Центроиды эл. лан.

0 О Метеоявления

0 О Центроиды метео

>н|гы ландшафта ]

Метеоявления

Грузовые

Контейнер!

СКОРОСТЬ

Навигаци. объекты!

ш от

ближайшего соседнего центроида, на рис. 4 б) К=3, средняя дистанция до трех ближайших соседей.

а) б)

Рис. 4 Кластеризация объектов всех классов

Обучение сети PNN с КВР функциями выполняется достаточно быстро (на порядок быстрее персептрона). Наиболее важные преимущества сетей PNN состоят в том, что выходное значение имеет вероятностный смысл и поэтому его легче интерпретировать. При обучении сети время тратится практически только на то, чтобы подавать ей на вход обучающие наблюдения.

По известным радиусам находились отклонения гауссовой функции и заносились в массив. Результатом подобного обучения являются весовые коэффициенты - векторы центроидов из массива аггО^ег и пороговые уровни слоя - отклонения из массива агг1)еУ'Ы1оп. На рис. 5 приведены отклики функций Гаусса для 15 центроидов для каждого класса по параметрам: ширина эхо-сигнала (т) и скорость объекта (у). Координаты центроида - вектор из массива аггО^ег, степень сжатия колокола характеризует величина отклонения, взятая из массива аггЦеуча^оп. Высота каждого такого колокола равна 1.

Рис. 5 Поверхность отклика функций Гаусса для каждого центроида по всем классам

В четвертой главе описан программный комплекс для решения задачи распознавания объектов. Программный комплекс предназначен для распознавания морских надводных объектов с использованием обученной веро-

ятностной нейронной сети Каждый класс морских объектов характеризуется параметрами, описанными табл 1 Значения параметров снимаются с электронной карты и с радара радиолокационной станции (элементы движения цели - ЭДЦ)

Программный комплекс может быть использован для распознавания морских подвижных объектов девяти классов (табл 2) по определенным признакам Для проверки работоспособности программного комплекса используются файлы сценариев Файлы сценариев созданы из обучающего набора

Программный комплекс выполняет классификацию не только при статических, но и при изменяемых во времени характеристиках объекта, которые зачастую имеют место в реальной ситуации

РЛС

Рис. 6 Структурная схема приложения

Программный комплекс состоит из скомпилированной программы и внешних данных Внешние данные разделены на два типа параметры ней-

ронной сети и сценарии цели. Параметры нейронной сети представляют собой два текстовых файла содержащие векторы центроидов кластеров и отклонения колоколов этих центроидов. Эти данные импортированы из пакета MATLAB после расчета параметров вероятностной нейронной сети. Сценарии цели представляют собой текстовые файлы, каждый из которых описывает поведение одной цели, ее состояние во времени.

Интерфейс программного комплекса (рис. 7) реализован в объектно-ориентированной программной среде Delphi 7.

Файл Настройки Моделирование Информация Помощь О программе Выход

штт яшшшт швш ® ®

:

is-

lilftr

щшшишшш

111Я1Ш

шЁтШттШт1Ш§ШШ1ЯШтшШШЯ

Управление просмотром объектов радара

•р В •""■'■'■"■р-Г Выбор диапазона

0 Масштабирование

Информация

Моделирование ,-, --,,-,

< : ,.. j щ j Пуск ) Останов ]) Очистка )

Скорость обработки ¡нный объект

Классификация выделенного объекта

Класс Вероятность, %

Грузовое 0,03%

Контейнерное 47,80%

Рыболовное 52,10%

Яхта 0,00%

Летательный аппарат 0,00%

Плавучий объект 0,00%

Надводный объект 0,00%

Ландшафт 0,00%

Осадки 0,00%

Объекты на радаре

1 Яхта

%Вероятн.

69,50%

92,50%

Рыболовное 52,10%

Кол-во объектов: 3 Время моделирования: 66 Состояние: Моделирование Х:-51 у: 137

Рис. 7 Интерфейс 1МО

Представление результатов работы программного комплекса осуществляется при помощи наглядного отображения сценария цели посредством вывода его на имитируемый монитор радара. Номер выделенного объекта курсором (крестиком) на имитаторе радара высвечивается в окне «Выделенный объект». В окне «Классификация выделенного объекта» показана про-

центная вероятность его распознавания принадлежности к каждому классу. Решения нейронной сети отображаются в режиме реального времени, что позволяет визуально наблюдать реакцию сети на изменение параметров цели и окружающей среды во времени

В этой же главе приведена инструкция по эксплуатации ПК В заключении делаются соответствующие выводы по результатам выполненных работ и рекомендации к практическому использованию программного комплекса

Основные научные и практические результаты По проведенным исследованиям получены следующие результаты

1 Выполнена формализация задачи в виде характеристики каждого объекта набором параметров в виде вектора р (V, а, со, ё, I, т, <?, Л, Ь) с классификацией объектов девятью классами

2 По результатам моделирования проведен выбор нейронной сети для поставленной задачи и выбрана вероятностная нейронная сеть

3 Предложен метод подготовки входных и выходных данных для обучения нейронной сети

4 Представлена методика построения и обучения нейронной сети в математической программной среде МаШЬаЬ 7

5 Создан программный продукт, выполняющий классификацию произвольных морских объектов на основе обученной нейронной сети

6 Доказана адекватность модели нейронной сети для распознавания произвольных морских объектов

ЗАКЛЮЧЕНИЕ

Таким образом в заключении могут бать представлены следующие результаты и выводы

1 Разработан алгоритм системы идентификации морских надводных объектов

2 Определены параметры идентификации надводных морских целей, представляющих опасность при решении задач судовождения, и проведена классификация морских объектов

3 Выбрана оптимальная нейронная сеть для решения задачи идентификации морских надводных объектов

4 Разработано программное обеспечение имитационной системы, позволяющее идентифицировать морские объекты по заранее заданному сценарию

Личный вклад автора. В работах «Решение задач распознавания объектов», «Задача распознавания объектов с использованием нейросетевых технологий», «Задача распознавания объектов при движении судна по траектории», «Алгоритмы обучения нейронной сети для задачи распознавания объектов при расхождении судов» и «Использование нейросетевых технологий при идентификации технического состояния судовых систем» автор участвовал в постановке задачи и разработке алгоритмов В работах «Параметрическая идентификация системы с учетом эксплуатационных и технологических отклонений параметров» и «Определение параметров динамических систем, обеспечивающих заданное качество функционирования» автор участвовал в анализе влияния зашумления на идентификацию объектов В работах «Использование нейронной сети для распознавания объектов при судовождении», «Решение задачи идентификации морских объектов», «Метод идентификации морских объектов» автор участвовал в задачах выбора архитектуры нейронной сети, ее построения в пакете МаЛЬаЬ и обучении, а также в создании структуры программного обеспечения

Основные положения проведенного исследования нашли отражение в следующих публикациях автора Публикации в изданиях перечня ВАК

1 Жеретинцева, H.H. Задача распознавания объектов при движении судна по траектории [Текст] / С В Глушков, Н Н Жеретинцева, И А. Жеретин-цев // Транспортное дело России, 2006 -№11ч 4 -с 12-16

2 Жеретинцева, H.H. Определение параметров динамических систем, обеспечивающих заданное качество функционирования [Текст] / С В Глушков, Н Н Жеретинцева, И А Жеретинцев // Транспортное дело России, 2006-№11 ч 4 -с 16-20

3 Жеретинцева, H.H. Параметрическая идентификация системы с учетом эксплуатационных и технологических отклонений параметров [Текст] / С В Глушков, Н Н Жеретинцева, И А Жеретинцев, Чемодакова Е Г // Транспортное дело России, 2006-№11 ч 4 -с 20-24

Статьи в сборниках научных трудов

4 Жеретинцева, H.H. Использование нейросетевых технологий при идентификации технического состояния судовых систем [Текст] / Глушков С В , Жеретинцев И А // Сборник «Труды Пятой межд научной конф творческой молодежи Хабаровск 17-19 апреля», 2007-с 80-84

5 Жеретинцева, H.H. Задача распознавания объектов с использованием нейросетевых технологий [Текст] / С В Глушков, Н Н Жеретинцева, И А Жеретинцев, Е Г Чемодакова // IX межд очно-заочная научно-практическая конф "Интеллектуальный потенциал вузов - на развитие Дальневосточного региона России и стран АТР" Владивосток, ВГУЭС, 2007-с 6-7

6 Жеретинцева, H.H. Алгоритмы обучения нейронной сети для задачи распознавания объектов при расхождении судов [Текст] / Глушков С В , Жеретинцев И А , Чемодакова Е Г // ВСЕРОССИЙСКАЯ НТК «ИС и модели в НИ, промышленности и экологии», Тула ТулГУ, 2007 - с 6-7

7 Жеретинцева, H.H. Определение параметров динамических систем, обеспечивающих заданное качество функционирования [Текст] / Глушков С В , Жеретинцев И А , Чемодакова Е Г // ВСЕРОССИЙСКАЯ НТК «ИС и модели в НИ, промышленности и экологии» Тула ТулГУ, 2007 - 8-9

8 Жеретинцева, H.H. Решение задач распознавания объектов [Текст] / Глушков С В , Жеретинцев И А , Чемодакова Е Г // 2-ая научная конференция с международным участием «Технические проблемы освоения Мирового океана», Владивосток ДВО РАН, 2007 - с 205-209

9 Жеретинцева, H.H. Метод построения области работоспособности в решении задачи технической диагностики системы [Текст] / С В Глушков, Н Н Жеретинцева, И А Жеретинцев, Е Г Чемодакова //2-ая научная конф с межд участием «Технические проблемы освоения Мирового океана», Владивосток ДВО РАН, 2007 - с 200-205

10 Жеретинцева, H.H. Использование нейронной сети для распознавания объектов при судовождении [Текст] / С В Глушков, Н Н Жеретинцева, Ю В Шемчук // XV Всероссийский семинар Секция «Нейроинформатика и ее приложения», ИВН СО РАН, Красноярск, - 2007 - с 28-30

http //icmconfs krasn ru/ru/mythesises/da213efl40d3e2b040e930e42463da4e/

11 Жеретинцева, H.H. Решение задачи идентификации морских объектов [Текст] / С.В Глушков, Н Н Жеретинцева, Ю В Шемчук // сборник докладов научно-практической конф «Безопасность судоходства в дальневосточном бассейне», 2007 -с 228-239

12.Жеретинцева, H.H. Метод идентификации морских объектов [Текст]/ С В Глушков, Н Н Жеретинцева, Ю В Шемчук // сборник трудов ДВТУ, 2007-Вып №146-с 221-225.

Жеретинцева Наталья Николаевна

НЕЙРОСЕТЕВОЙ МЕТОД ИДЕНТИФИКАЦИИ НАДВОДНЫХ ОБЪЕКТОВ В РЕШЕНИИ ЗАДАЧ АВТОМАТИЗАЦИИ СУДОВОЖДЕНИЯ

Автореферат диссертации на соискание ученой степени кандидата технических наук

Уел печ л 1,7 Формат 60 х 84 1/16 Тираж 100 экз_Заказ N° 390_

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

ОГЛАВЛЕНИЕ.

СПИСОК СОКРАЩЕНИЙ.

ВВЕДЕНИЕ.

Глава 1. АНАЛИЗ СИСТЕМ БЕЗОПАСНОСТИ МОРЕПЛАВАНИЯ.

1.1. Радиолокационные станции.

1.1.1. Основные тактико-технические характеристики РЛС и РНС.

1.2. Навигационные радиолокационные станции.

1.3. Системы автоматической радиолокационной прокладки.

1.4. Интегрированная информационная навигационная система.

1.5. Электронная картографическая навигационно-информационная система.

1.6. Автоматическая Идентификационная Система.

1.7. Транспондерные системы идентификации.

1.8. Системы Управления Движением Судов Транзас.

1.9. Система мониторинга судов "Виктория".

Глава 2. ФОРМАЛИЗАЦИЯ ЗАДАЧИ.

2.1. Выделение параметров классификации.

2.2. Задача классификации.

2.3. Процесс классификации.

2.4. Классификация морских надводных объектов.

2.5. Отбор данных.

2.5.1. Несбалансированный набор данных.

2.6. Технологии идентификации.

Глава 3. АНАЛИЗ И ВЫБОР НЕЙРОННЫХ СЕТЕЙ.

3.1. Основы искусственных нейронных сетей.

3.1.1. История нейронных сетей.

3.1.2. Биологический нейрон.

3.1.3. Структура и свойства искусственного нейрона.

3.1.4. Виды функции активации.

3.1.5. Объединение нейронов.

3.1.6. Структура нейронной сети.

3.2. Архитектура нейронных сетей.

3.2.1. Сети прямого распространения.

3.2.2. Сети обратного распространения.

3.3. Обучение нейронной сети.

3.3.1. Парадигмы обучения.

3.3.2. Порядок обучения.

3.3.3. Минимизации целевой функции ошибки нейронной сети.

3.4. Задачи классификации.

3.4.1. Классификация морских надводных объектов.

3.4.2. Отбор данных.

3.4.3. Выбор архитектуры сети.

3.4.4. Вероятностная нейронная сеть радиально-базисных функций.

3.4.5. Алгоритмы обучения сети

3.5. Расчет параметров вероятностной нейронной сети-классификатора.

3.5.1. Моделирование нейронных сетей в МАТЪАВ 7.

3.5.2. Этапы построения сети.

3.5.3. Определение массивов и переменных.

3.5.4. Отображение поверхностей распределения классов.

3.5.5. Масштабирование данных.

3.5.6. Кластеризация по методу «К-средних».

3.5.7. Отображение результатов кластеризации.

3.5.8. Отклонение гауссовой функции.

3.5.9. Отображение поверхности одного кластера.

3.5.10. Построение поверхностей откликов гауссовой функции центроидов по каждому классу.

3.5.11. Суммарная поверхность центроидов.

Глава 4. РЕАЛИЗАЦИЯ ПРОГРАММНОГО КОМПЛЕКСА.

4.1. Задача разработки программного комплекса.

4.2. Структура программного комплекса.

4.3. Разработка интерфейса.

Актуальность темы. В различных ситуациях во время рейса судоводителю приходится решать задачу идентификации целей на море для последующего выбора маневра, который позволит максимально безопасно разойтись с опознаваемым объектом. Актуальность темы подтверждается правительственными документами, выпущенными в последнее время. Федеральная целевая программа «Глобальная навигационная система. Технология высокоточной навигации и управления движением», утвержденная Президентом Российской Федерации на период до 2011 года особое место отводит разработке интеллектуальных систем, повышающих безопасность морского судоходства. Согласно резолюции ИМО А477 (12) PJIC должна определить скорость и координаты встречного объекта не более чем за 3 мин.

Стенень разработанности темы. Проблеме распознавания объектов посвящены многочисленные исследования отечественных и зарубежных ученых, таких как В.И. Богданов, В.А. Иванов, В.А. Пятакович, И.И. Юшков, A.B. Рудинский, A.C. Ермоленко, IO.JI. Сиек, K.J. Hunt., S. Chen, P.M. Grant, M.T. Hagan и др.

Современные научные разработки морской тематики связаны с определением элементов движения цели (ЭДЦ) и разработкой методов определения формы и размеров морских объектов по отраженному радиолокационному сигналу. К таким методам относятся: метод расщепления функции для распознавания объектов по собственным электромагнитным колебаниям, непрерывное вейвлет-преобразование для получения градиентов изображения, обработка изображения морфологическими фильтрами и другие методы, построенные на базе обработки радиолокационного наблюдения. Эти методы позволяют на экране радара формировать контур морской цели. Значительный вклад в развитие данного направления внесли как российские ученые (Ю.В. Кузнецов, Т.Я. Шевгунов, А.Б. Баев, О.С. Салычев, М.А. Бехтин, В. Г. Семин, A.C. Девятисильый, В.М. Гриняк, Н.В. Лоскутов, В.Ю. Королев, В.М.

Дорожко) так и зарубежные (E.K. Miller, Л. Лыонг, M.L. Van Blaricum, A.J. Mackay, Т.К. Sarkar, D.D. Weiner, Lee Yunwoo, Kozaitis Samuel, Yang Li и др).

Современные суда оснащаются навигационными автоматизированными комплексами (HAK), определяющими место положения судна с помощью средств радионавигации и позволяющими максимально возможно автоматизировать операции судовождения.

Как одна из составных частей HAK используются системы автоматической радиолокационной прокладки (САРП) для повышения безопасности мореплавания за счет обеспечения судоводителя непрерывной информацией об элементах движения цели (ЭДЦ).

В портах созданы центры систем управления движением судов (СУДС) и мониторинга в прибрежных морских районах, оснащенные автоматизированными информационными системами (АИС) для автоматического сбора информации о судах.

Идентификация морских объектов на текущий момент не выполняется и распознается судоводителем по показаниям HAK для ЭДЦ, и, конечно, зависит от квалификации судоводителя, являясь субъективной составляющей. В то же время задача автоматизированной идентификации встречных объектов на пути следования судов является актуальной и разработка системы распознавания объектов позволит решить эту задачу.

Цслыо и задачи работы. Целью данной диссертационной работы является разработка методики, обеспечивающей автоматизированную идентификацию надводных морских объектов в режиме реального времени.

Для достижения указанной цели были поставлены и решены следующие задачи:

1. Анализ существующих средств идентификации морских объектов.

2. Определение параметров и возможных классов надводных морских объектов для идентификации.

3. Сравнительный анализ и выбор нейронных сетей по критериям распознаваемости, скорости распознавания и скорости обучения.

4. Разработка алгоритма и программного обеспечения для решения задачи идентификации морских надводных объектов.

Задача идентификации морских объектов является интеллектуальной, и ее решение разгружает судоводителя. В современных исследованиях, посвященных теории и практике применения нейронных сетей, показано, что эти высокоорганизованные структуры оказываются особенно перспективными для решения плохо формализованных задач.

Объектом исследования являются нейронные сети в системе обеспечения безопасности мореплавания.

Предметом исследования является идентификация морских надводных объектов на основе нейронных сетей.

Теоретические основы исследования. Теоретическую основу исследований составили работы отечественных и зарубежных авторов в области теории искусственного интеллекта, применения нейронных сетей в задачах классификации, теории радиолокационного наблюдения морских целей. Основополагающими работами в исследовании стали труды С.И. Баскакова, Л.Л. Вагущенко, Роберта Калана и Л. Лыонга.

Проблема. С одной стороны, растут требования по обеспечению безопасности плавания по точности движения на заданном маршруте, по комплексной обработке информации от разнородных приборов в режиме реального времени. С другой стороны, проблема заключается в том, что на сегодняшний день нет отечественных систем, обеспечивающих безопасность судовождения с возможностью автоматизированной идентификации надводных морских объектов, отвечающих современным требованиям.

При определении опасности обнаруженной цели, а также при выборе маневра одним из значимых факторов является тип целей, расхождение с которыми регламентируется международными правилами предупреждения столкновения судов на море — МППСС 72. Часто в одной и той же ситуации, но с различными типами целей действия судоводителя могут сильно различаться. Хотя, как показывает практика, расхождение с определенными типами объектов в соответствии с правилами не всегда приемлемо и безопасно.

Задача идентификации встречных надводных объектов является наиболее актуальной в случаях:

- нежелания быть распознанными для судов, занимающихся незаконным выловом морепродуктов;

- отсутствия оснащения АИС;

- большого количества объектов и необходимости автоматизировать процесс их распознавания;

- неопознанных объектов;

- в близи большого промышленного центра, где большое количество радиопомех;

- поиска и спасения шлюпок и барж и др.

В ряде случаев развивающаяся ситуация на море или в проливе не может быть описана каким-либо правилом. В этих ситуациях судоводителю приходится самостоятельно рассчитывать маневр, тогда особое значение имеет характер обрабатываемой цели. При этом задача штурмана значительно усложняется различными факторами, среди которых можно выделить следующие:

- погодные условия, ограничивающие видимость (туман, мгла, снегопад, сильный ливень, песчаная буря и др.);

- близость берегов или стесненные условия плавания при напряженном трафике.

Возможность идентификации морских объектов позволит обеспечить:

- автоматизацию идентификации объекта, что важно для последующего процесса расхождения судов;

- повышение скорости обработки целей;

- параллельность обработки целей. Судоводитель может вести наблюдение одновременно за несколькими целями, количество которых зависит от его опыта и, это число обычно не превышает десяти. Реализация нейронной сети на ЭВМ обеспечивает большую скорость обработки информации, и при этом количество одновременно обрабатываемых целей возрастает на несколько порядков и фактически зависит от скорости и памяти ЭВМ на которой реализована сеть.

- качество распознавания. Применение определенных методов построения и обучения нейронных сетей для решения вопросов классификации дает хорошие результаты.

Основные положения и результаты, выносимые на защиту:

5. Методика идентификации морских надводных объектов на основе нейро-сетевых технологий.

6. Алгоритм и программное обеспечение системы, обеспечивающий распознавание объектов с использованием нейросетевых технологий.

7. Функциональная и структурная схема системы идентификации морских объектов.

Методы исследования. Методы системного анализа, методы математического моделирования, методы линейного и нелинейного программирования, положения теории нейронных сетей.

Научная новизна работы заключается в применении нейросетевых технологий в обработке эхо-сигналов радаров для разработки высокоэффективной системы идентификации морских надводных объектов, позволяющей решать задачи автоматизированных навигационных комплексов движения судна по маршруту следования, в том числе:

- определение параметров и классов идентификационных морских целей;

- выбор оптимальной структуры нейронной сети по критериям распознаваемости, скорости распознавания и скорости обучения;

- разработка методики, алгоритма и программного обеспечения решения задачи идентификации морских надводных объектов различных по классам и уровню помех.

Достоверность результатов обусловлена корректностью применения математического аппарата неросетевых технологий, современных средств компьютерного моделирования (МАТЬАВ 7.0) и близостью результатов теоретических исследований с данными имитационного компьютерного моделирования.

Практическая ценность работы. Разработанный метод, алгоритм и программное обеспечение могут быть применены для разработки систем идентификации морских надводных объектов, используемых в навигационных автоматизированных комплексах для решения задач судовождения. Разработанные методика, алгоритм и программное обеспечение могут быть реализованы в имитационно-тренажерных системах, необходимых для обучения инженеров-судоводителей.

Реализация результатов работы. Результаты работы непосредственно использованы при выполнении госбюджедных исследовательских работ, которые велись на кафедрах автоматизированных информационных систем и технических судовых систем ФГОУ ВПО МГУ им. адмирала Г.И. Невельского. Выводы и рекомендации диссертации внедрены в процесс обучения ФГОУ ВПО МГУ им. адмирала Г.И. Невельского (лекции, лабораторные работы, курсовое и дипломное проектирование).

Апробация результатов работы. Основные положения подтверждены экспериментально при компьютерном моделировании программного комплекса. Материалы работы были доложены и одобрены на:

- международной технической конференции «Безопасность на море» в Разделе «Проблемы транспорта Дальнего Востока», 2005;

- межвузовских научно-технических конференциях МГУ им. адмирала Г.И. Невельского 2004-2007 г.г.;

- VII Международном Форуме студентов, аспирантов и молодых учёных Стран Азиатско-Тихоокеанского региона, 2007 г.;

- V Международной научной конференции творческой молодежи «Научно-техническое и экономическое сотрудничество стран АТР в XXI веке», 2007 г.;

- IX Международной очно-заочной научно-практической конференции «Интелектуальный потенциал вузов - на развитие Дальневосточного региона России и стран АТР»;

- Всероссийской научно-технической конференции «Искусственные сети и модели в нероинформатики, промышленности и экологии», 2007 г.;

- XV Всероссийском семинаре. Секция «Нейроинформатика и ее приложения», 2007 г.;

- 2-ой научной конференции с международным участием «Технические проблемы освоения Мирового океана», 2007 г.

Публикации. По результатам исследований опубликовано 12 работ, в том числе 4 - на международных конференциях, 3 - на всероссийских, 5 - на региональных, из них 3 работы опубликованы в изданиях, рекомендованных списком ВАК.

Структура и объем диссертации. Диссертация представлена на 162 листах машинописного текста и состоит из введения, четырех глав, заключения, списка использованных источников из 118 наименований и приложения. Работа содержит 48 иллюстраций и 4 таблицы.

Выход

Количество объектов

Время моделирования

Состояние

Координаты

Рис. 4.2 Структура главной формы

Рис. 4.3 иллюстрирует структуру формы Радара.

Рис. 4.3 Структура формы радара

Рис. 4.4 иллюстрирует структуру формы Информация.

Форма Информации (РогтпЗ)

Панель Моделирование (Panel!) Панель Выделенный объект(Рапе!2)

Моделирование (Нзсго1!1) С

Пуск <Button1) Е

Останов (ВиНоп2)

Оистка (Button3)

Номер выделенного объекта (ЕсМ1)

Панель Классификация объектов (Рапе!3)

1. Battiti, R. First and second order methods for learning: Between steepest descent and Newton's method. Text. / R. Battiti. Neural Computation, vol. 4, no. 2, pp. 141-166, 1992.

2. Bondarev, V.N. On System Identification Using Pulse-Frequency Modulated Signal. Text.: EUT Report / Eindhoven University of Technology, Netherlands. 88-E-195. - Eindhoven, 1988. - 84 p. - ISBN 90-6144-195-1.

3. Caudill, M. Neural Networks Primer. Text. / M. Caudill. San Francisco, CA: Miller Freeman Publications, 1989.

4. Caudill, M. Understanding Neural Networks: Computer Explorations, Vols. 1 and 2, Cambridge, Text. / M. Caudill, C. Butler, MA: the МГГ Press, 1992.

5. Charalambous, C. "Conjugate gradient algorithm for efficient training of artificial neural networks," Text. / C. Charalambous. IEEE Proceedings, vol. 139, no. 3, pp. 301-310, 1992.

6. Chen, S.C. "Orthogonal least squares learning algorithm for radial basis function networks," Text. / S.C. Chen, F. N. Cowan, and P. M. Grant, IEEE Transactions on Neural Networks, vol. 2, no. 2, pp. 302-309, 1991.

7. Christopher, M.B. Neural Networks for Pattern Recognition Text. / M.B. Christopher, Oxford Univ. Press, 1995.

8. Elman, J. L. Finding structure in time Text. / J. L. Elman, Cognitive Science, vol. 14, pp. 179-211, 1990.

9. Escnel, ILG. Topological medianfilters. Text. / H.G. Esenel, P.R. Alan, D. Benoit// IEEE Trans. Image Process. 2002. Vol. 11, N 2. P.88-104.

10. O.Fletcher, R. Function minimization by conjugate gradients Text. / R. Fletcher, С. M. Reeves, Computer Journal, vol. 7, pp. 149-154. - 1964.

11. Foresee, F. D. Gauss-Newton approximation to Bayesian regularization. Text. / F.D. Foresee, and M. T. Hagan // Proceedings of the 1997 International Joint Conference on Neural Networks, pages 1930-1935, 1997.

12. Gupta, Madan M. Static and Dynamic Neural Networks. Text. / Madan M. Gupta, Liang Jin, and Noriyasu Homma. Published by John Wiley & Sons, Inc., Hoboken, New Jersey. 2003. - P.752. - ISBN 0-471-21948-7

13. Hagan, M. T. Neural Network Design. Text. / M.T. Hagan, H. B. Demuth, M.H. Beale. Boston, MA: PWS Publishing, 1996.

14. Hagan, M.T. Neural Networks for Control. Proceedings of the 1999 American Control Conference. Text. / M.T. Hagan, H.B. Demuth San Diego, CA, 1999, pp. 1642-1656.

15. Hagan, M.T. Training Recurrent Networks for Filtering and Control. Text. / M.T. Hagan, O. De Jesus, R. Schultz. // Chapter 12 in Recurrent Neural Networks: Design and Applications, L. Medsker and L.C. Jain, Eds., CRC Press, 1999, pp. 311-340.

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

17. Haykin, S. Neural Networks. Text. / S. Haykin. A Comprehensive Foundation New York: Prentice Plall Press, 1998.

18. Kohoncn, T. Self-Organizing Maps. Text. / Kohonen, T., Second Edition, Berlin: Springer-Verlag, 1997.

19. Laurene F. Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. Text. / F. Laurene. Prentice Hall, 1994.

20. Lec Yunwoo. Multiresolushin Gradient-Based Edge Detection in Noisy Images Using Wavelet Domain Filters. Text. / Lee Yunwoo, Kozaitis Samuil P. // Opt. Eng.: Jornal of Society of Photo-Optical Instrumentation Engineers. 2000. Vol. 39, N9. P. 2405-2412.

21. Lippman, R. P. An introduction to computing with neural nets. Text. / R.P. Lippman. // IEEE ASSP Magazine, pp. 4-22, 1987.

22. MoIlcr, M.F., A scaled conjugate gradient algorithm for fast supervised learning. Neural Networks, vol. 6, pp. 525-533, 1993.

23. Murray, R. Neural Networks for Modeling and Control of a Non-linear Dynamic System. Text. / Murray, R., D. Neumerkel, and D. Sbarbaro // Proceedings of the 1992 IEEE International Symposium on Intelligent Control, 1992, pp. 404-409.

24. Nguyen, D. Improving the learning speed of 2-layer neural networks by choosing initial values of the adaptive weights. Text. / D. Nguyen, B. Widrow. // Proceedings of the International Joint Conference on Neural Networks, vol 3, pp. 21-26, 1990.

25. Powell, M.J.D. Restart procedures for the conjugate gradient method. Text. / M.J.D. Powell. //Mathematical Programming, vol. 12, pp. 241-254, 1977.

26. R¡edniillcr, M. A direct adaptive method for faster backpropagation learning: The RPROP algorithm. Text. / M. Riedmiller, H. Braun. // Proceedings of the IEEE International Conference on Neural Networks. 1993.

27. Ripley, B.D. Pattern recognition and Neural Networks. Text. / B.D. Ripley // Cambridge University Press, 1996.-415 p.-ISBN: 05-2146-086-7

28. Rosenblatt, F. Principles of Neurodynamics. Text. / F. Rosenblatt. // Washington D.C.: Spartan Press, 1961.

29. Rumclhart, D. E. Learning representations by back-propagating errors. Text. / D. E. Rumelhart, G. E. Hinton, and R. J. Williams, Nature, vol. 323, pp. 533536, 1986.

30. Rumelhart, D. Parallel Distributed Processing. Text. / D. Rumelhart, E., J. L. McClelland and the PDF Research Group, eds., Vols. 1 and 2, Cambridge, MArTheM.I.T. Press, 1986.

31. Rumelhart, D.E. Learning internal representations by error propagation. Text. / D. E. Rumelhart and J. L. McClelland, eds. // Parallel Data Processing, vol.1, Cambridge, MA: The M.I.T. Press, pp. 318-362, 1986.

32. Wasserman, P. D. Advanced Methods in Neural Computing Text. / P.D. Wasserman, New York: Van Nostrand Reinhold, 1993.

33. Widrow, B. Adaptive switching circuits. Text. / B. Widrow, M. E. Hoff, 1960IRE WESCON Convention Record, New York IRE, pp. 96-104, 1960.

34. Yang LI. Yuan Xin. An Edge Detector Based On Wavelet Transform For SAR Image. Text. / Trans. Nanijing Univ. Aeron. And Astron. 2001 Vol. 8, N 1. P.258-269.

35. Абрамович, Б. Г. Информационные возможности интерполяционного измерителя скорости Текст. / Б. Г. Абрамович, А. В. Артемьев // XXXIII Всесоюз. межвуз. науч.-техн. конф. : Тез. докл. Т. I. Ч. 2 Владивосток, 1990.- С. 170-172.

36. Абрамович, Б. Г. Использование интерполяционных методов обработки эхосигналов для определения скорости судна Текст. / Б. Г. Абрамович,

37. A. В. Артемьев. Владивосток. : НТО ВТ, изд. № 120/2-В, 1992. - 38 с.

38. Абрамович, Б. Г. Использование методов интерполяционной обработки эхосигналов для измерения скорости судна Текст. / Б. Г. Абрамович, А.

39. Аидрезсп, В.А. Автоматизация судовых энергетических установок и систем Текст. / В.А.Андрезен, СПб. : Судостроение, 1993. - 278 с. - ISBN: 5-7355-0253-0.

40. Антипенко, Р. Автоматизация судовождения Текст. / Балтийская Государственная Академия Кафедра ТЭС и ПР. Реферат но теме: Автоматизация судовождения

41. Барский А.Б. Логические нейронные сети. Текст. / А.Б. Барский, — Издательство: Интуит 2007. 352 с. - ISBN: 978-5-9556-0094-9

42. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений. Текст. / А.Б. Барский, Издательство: Финансы и статистика, 2004. - 176 с. - ISBN 5-279-02757-Х

43. Баскаков, С.И. Радиотехнические цепи и сигналы. Текст. / С.И. Баскаков М.: Высш. шк. - 2005. 462 с. - ISBN: 5-06-003843-2.

44. Борисов, В.В. Нечеткие модели и сети. Текст. / В.В. Борисов, В.В. Круг-лов, A.C. Федулов. Горячая линия: Телеком, 2007. - 284 с. ISBN 5-93517278-Х

45. Боровиков, В.П. Прогнозирование в системе STATISTICA в среде WINDOWS Текст. / В.П. Боровиков, Г.И. Ивченко // М. Финансы и статистика. 1999. - 368 с. ISBN: 5-2790-3059-7

46. Вагущенко, Л.Л. Бортовые автоматизированные системы контроля мореходности Текст./ Л.Л. Вагущенко, Одесса: Феникс, 2005. - 274 с. -ISBN: 966-8631-16-1.

47. Виткалов, Я. Л. Автоматизированные системы управления и вычислительная техника на водном транспорте. Текст.: дис. канд. техн. наук: 05.22.19: утверждена 2006 / Ярослав Леонидович Виткалов Владивосток МГУ им. Невельского - 2006.

48. Головко, В. А. Нейронные сети. Обучение, организация и применение. Книга 4. Текст. / В. А. Головко, ИПРЖР, 2001. 256 с. - ISBN 5-9310805-8

49. Гоноровский, И.С. Радиотехнические цепи и сигналы. Текст. / И.С. Го-норовский, М.П. Демин М.: Радио и связь, 2006. - 719 с. - ISBN: 571077-985-7

50. Жеретиицева H.H. Решение задач распознавания объектов Текст. / Глушков C.B., Жеретинцев И.А., Чемодакова Е.Г. // 2-ая научная конференция с международным участием «Технические проблемы освоения Мирового океана»

51. Жеретинцсва, H.H. Задача распознавания объектов при движении судна по траектории Текст. / C.B. Глушков, H.II. Жеретинцева, И.А. Жеретинцев // Транспортное дело, 2007.-№ 11 .-с. 12-16.

52. Жеретинцева, H.H. Использование нейросетевых технологий при идентификации технического состояния судовых систем Текст. / Глушков C.B., Жеретинцев И.А. // Сборник «Труды Пятой межд. научной конф. творческой молодежи 17-19 апреля», 2007.-е. 80-84

53. Жеретинцева, H.H. Метод идентификации морских объектов Текст./ C.B. Глушков, H.H. Жеретинцева, Ю.В. Шемчук // сборник трудов ДВТУ, 2007.-№ 146.-е. 221-225.

54. Жеретинцева, H.H. Определение параметров динамических систем, обеспечивающих заданное качество функционирования Текст. / C.B. Глушков, H.H. Жеретинцева, И.А. Жеретинцев // Транспортное дело, 2007.-№ 11.-е. 16-20

55. Жеретинцева, H.H. Параметрическая идентификация системы с учетом эксплуатационных и технологических отклонений параметров Текст. / C.B. Глушков, H.H. Жеретинцева, И.А. Жеретинцев, Чемодакова Е.Г. // Транспортное дело, 2007.-№11.-е. 20-24

56. Жеретинцева, H.H. Решение задачи идентификации морских объектов Текст. / С.В.Глушков, H.H. Жеретинцева, Ю.В. Шемчук // сборник докладов научно-практической конф. «Безопасность судоходства в дальневосточном бассейне», 2007.-е. 228-239.

57. Жерлаков, A.B. Радиотехнические средства обеспечения безопасности морского судоходства. Учебное пособие для вузов. Текст. / A.B. Жерла-ков, Г.Е. Румянцев,А.А. Ильин, Транспорт, 1992. 216 с.

58. Калан, Роберт. Основные концепции нейронных сетей Текст./ Роберт Калан, М. [и др.]: Вильяме, 2003. - 288 с. - ISBN: 5-8459-0210-Х.

59. Комашннский, В.И. Нейронные сети и их применение в системах управления и связи Текст./ В.И. Комашинский, Д.А. Смирнов, Горячая линия: Телеком, 2002. - 94 с. - ISBN: 5-93517-094-9.

60. Комашинский, В.И. Нейронные сети и их применение в системах управления и связи Текст./ В.И. Комашинский, Д.А. Смирнов, Горячая линия: Телеком, 2002. - 94 с. - ISBN: 5-93517-094-9.

61. Королев, B.IO. Восстановление изображений методом вейвлет-управляемой анизотропной фильтрации. Текст.// Радиоэлектроника. 2002. №5. С. 20-28.

62. Круглов, В.В. Искусственные нейронные сети. Теория и практика. Текст./ В.В. Круглов, М.И. Дли, Р.Ю. Голунов, М.: Горячая линия: Телеком, 2002. - 382 с. - ISBN: 5-93517-031-0.

63. Круглов, В.В. Нечеткая логика и искусственные нейронные сети Текст./ В.В. Круглов, В.В. Борисов, М.: ФИЗМАТЛИТ, 2001. - 224 с. - ISBN: 594052-027-8.

64. Курбатова, Е.А. MATLAB 7. Самоучитель. Текст. / Е.А. Курбатова, М. : Диалектика, 2005. 256 с. - ISBN 5-8459-0904-Х

65. Кыонг, Фам Вьет. Алгоритмические методы повышения точности навигационного комплекса грузового судна. Текст. / Фам Вьет Кыонг// Автоматизация и современные технологии, М. : Машиностроение, 2007. — №7.

66. Лыо11г, Л. Идентификация систем. Теория для пользователя — М.: Наука. Гл. ред. физ.-мат. лит. 1991. -432 с.

67. Махотило К.В. Разработка методик эволюционного синтеза нейросетевых компонентов систем управления. Текст.: дис. канд. техн. наук: 05.13.06автоматизированные системы управления и прогрессивные информационные технологии, Харьков, ХГПУ, - 1998, — 189 с.

68. Медведев, B.C. Нейронные сети. MATLAB 6. Текст. / B.C. Медведев, В.Г. Потемкин. М. ДИАЛОГ-МИФИ, 2002. - 496 с. - ISBN:5-86404-163-7.

69. Михиенко Е.В. Логическая спецификация нейронных сетей Текст. / Ми-хиенко Е.В. // Вычисл. системы / РАН. СО. Ин-т математики. 2002. -Вып. 169: Математические модели в информатике: Сб. науч. тр. — С. 3-25. -Библиогр.: 19 назв.

70. Пилииьский М. Нейронные сети, генетические алгоритмы и нечеткие системы. Текст. / М. Пилиньский, Д. Рутковская, Л. Рутковский М. : Гор. линия-Телеком, 2007. - 452 с. - ISBN: 5-93517-103-1

71. Радче»ко, A.M. Ассоциативная память. Нейронные сети. Оптимизация нейропроцессоров. Текст. / A.M. Радченко, И: Наука, 1998. 261 с. — ISBN 5-02-026085-1

72. Рсдько, В.Г. Эволюция, нейронные сети, интеллект. Модели и концепции эволюционной кибернетики. Текст. / В. Г. Редько, КомКнига, 2007. — 224с. ISBN 5-484-00879-4

73. Рудинский, A.B. О применении гетерогенных нейронных сетей при построении классификаторов морских объектов. X Всероссийский семинар «Нейроинформатика и ее приложения» Конференции ИВМ СО РАН Текст. / A.B. Рудинский, A.C. Ермоленко, Ю.Л. Сиек

74. Сазонов, А. Е. Автоматизация судовождения Текст./ А.И. Радионов, А.Е. Сазонов; М. : Транспорт, 1992

75. Сараев П.В. Исследование эффективности алгоритмов обучения нейронных сетей. X Всероссийский семинар «Нейроинформатика и ее приложения» Конференции ИВМ СО РАН Текст. / П.В. Сараев

76. Сосулин, Ю.Г. Теоретические основы радиолокации и радионавигации. Текст./ Ю.Г.Сосулин, М. : Радио и связь, 1992. - 304 с. - ISBN: 5-25601019-0.

77. Тархов, Д.А. Нейронные сети как средство математического моделирования. Серия "Нейрокомпьютеры и их применение". Кн.22 Текст. / Д.А. Тархов, М.: Радиотехника, 2006. - 48 с. - ISBN 978-5-88070-089-9.

78. Тархов, Д.А. Нейронные сети. Модели и алгоритмы Текст./ Д.А. Тархов,- М. : Радиотехника, 2005. 256 с. - ISBN: 5-88070-067-4.

79. ФинкелыптсЙ11, М.И. Основы радиолокации: Учебник для вузов. 2-е изд.перераб и дои. Текст./ М.И. Финкельштейн, М.: Радио и связь, 1983г.- 536с.

80. Хайкин, С. Нейронные сети полный курс, 2-е изд. Текст./ Саймон Хай-кин, М. [и др.] : Вильяме, 2006. - 1104 с. - ISBN: 5-8459-0890-6.

81. Цыпкин, Я.З. Основы теории автоматических систем М.: Наука. -1977г.-559 с.

82. Шамис, A.J1. Пути моделирования мышления. Активные синергические нейронные сети, мышление и творчество, формальные модели поведения и «распознавания с пониманием». Текст./ A.JI. Шамис, М. : КомКнига, 2006. 336 с. - ISBN 5-484-00578-7

83. Ширман, Я.Д. Теория и техника обработки радиолокационной информации на фоне помехЯ.Д. Ширман, Манжос В.Н., М.: Радио и связь, 1981г.- 416с. ил.

84. Эдварде Ч. Г., Дифференциальные уравнения и краевые задачи: моделирование и вычисление с помощью Mathematica, Maple и MATLAB Текст.н*«

85. Ч.Г. Эдварде, Д.Э. Пенни, М.: Вильяме, 2007. 1104 с. - ISBN 978-58459-1166-7.

86. Яхъясва, Г.Э. Нечеткие множества и нейронные сети Текст. / Г.Э. Яхъ-яева, М. : Бином, 2006. 320 с. - ISBN 5-9556-0049-3.

87. Carriage requirements for ship borne navigational systems and equipment — SOLAS, Regulation 19, Item 2.4 Электронный ресурс. — Режим доступа: http://www.tuapseport.iTi/Solas/solaschVreg 19.zip

88. Воронцов, К.В. Лекции по статистическим (байесовским) алгоритмам классификации. Электронный ресурс. Режим доступа: http://www.ccas.ru/voron/download/Bayes.pdf

89. Глобализация ГЛОНАСС, Коллегия Минтранса/Навигация. Электронный ресурс. Режим доступа: http://www.morvesti.ru, 2006.

90. Дженн, Аннл К. Введение в искусственные нейронные сети. Электронный ресурс. Анил К. Джейн. 1996. — Режим доступа: http://victoria.lviv.ua/litml/oio/indexrus.html

91. Засицсв, И.В. Нейронные сети: основные модели. Электронный ресурс. Режим доступа: http://neuroschool.narod.ru/books/zaencev.html

92. Зыков, Р. Нейронные сети. Электронный ресурс. Режим доступа: http://kpis.ru/content/statistica/modules/stneunet.html

93. Интеграция систем управления судном. Электронный ресурс. Режим доступа: http://auto-film.info

94. Интегрированная Мостиковая Система. Электронный ресурс. — Режим доступа: http://www.transas.ru

95. Кмонг Ф.В. Алгоритмические методы повышения точности навигационного комплекса грузового судна. Электронный ресурс. Режим доступа: http://www.niiae.ru/referats/fam viet.pdf, 2007

96. Моделирование сетей RBF Электронный ресурс. Режим доступа: ■http://www.mathworks.com/namespace/mcode/vl/syntaxhighlight.dtd

97. Морозова, О. Искусственный интеллект для судоходства. Электронный ресурс. Режим доступа: http://pressa.kuhan.info

98. Справочник по нейросетям. Электронный ресурс. Режим доступа: http://www.neuroshell.forekc.ru/

99. Реальность и перспективы развития электронных картографических систем, Новости морской электроники. Электронный ресурс. Режим доступа: http://www.polarmar.ru

100. Тюрин, С. GPS Автоматические информационные системы будущего. Электронный ресурс. - Режим доступа: http://rix.com.ua/tech/441/404/841.html,

101. Уосссрмсн, Ф. Нейрокомпыотерная техника: Теория и практика. Перевод на русский язык, 10. А. Зуев, В. А. Точенов, 1992Электронный ресурс. Режим доступа: http://www.zipsites.ru/books/neirokomptekhnika/

102. Федеральная целевая программа «Глобальная навигационная система» Электронный ресурс. Режим доступа:http://fcp.vpk.ru/ext/! 17/content.htm

103. Чубукова, И.А. Data Mining. Электронный ресурс. Режим доступа: http://www.intuit.ru/department/database/datamining/

104. Энциклопедия Кругосвет Электронный ресурс. Режим доступа: http://www.krugosvet.ru/articles/l 3/1001378/print.htm