Дослідження стійкості роботи нейромережі в системі ідентифікації надводної обстановки

Г.В. Шапіро

doi:10.31498/2225-6733.47.2023.300122

Автор(и)

Г.В. Шапіро Державний університет інфраструктури та технологій, м. Київ, Україна https://orcid.org/0000-0003-4245-9365

DOI:

https://doi.org/10.31498/2225-6733.47.2023.300122

Ключові слова:

автоматизація, автоматизація процесу судноводіння, безпека мореплавання, датчики навігаційної інформації, доповнена реальність, джерело інформації, зона небезпеки, ідентифікація, ідентифікація обстановки, ідентифікація надводної обстановки, інформаційна модель прийняття рішення, програмний засіб, район плавання, розпізнавання надводної обстановки, розпізнавання ситуацій, рух судна, система управління рухом суден, судноводій, судноводіння, судноплавство, безпека, технічні засоби судноводіння, формалізація, штучний інтелект

Анотація

Особливість поточного моменту для сучасного судноплавства полягає в тому, що інформаційні технології інтенсивно застосовуються на флоті та у портовій інфраструктурі. Однак, незважаючи на впровадження нових технічних засобів судноводіння, залишається невирішеною проблема врахування впливу людського фактору. Найбільш перспективним напрямом застосування інформаційних технологій для вирішення вищевказаної проблеми є концепція е-Навігації, яка на теперішній час є ключовою ініціативою IMO. Концепція передбачає застосування «наскрізних» цифрових технологій штучного інтелекту та доповненої реальності у частині інтелектуалізації інтерфейсу судноводія. Дані технології є ключем до принципово нового рівня взаємодії людини-оператора (судноводія) з навігаційними даними в цифровому середовищі, в тому числі й для ідентифікації обстановки та розпізнавання ситуацій. За результатами проведених досліджень отримано висновок про те, що точність прогнозу параметрів руху судна нейрокомп'ютером вища, ніж при використанні для цієї мети системи розподілених обчислень. Таким чином, у розглянутих модельних ситуаціях нейронна мережа виявила більшу обчислювальну надійність у порівнянні з паралельним алгоритмом розв’язання диференціального рівняння. Також необхідно відзначити, що висновки за результатами дослідження надійності нейромережової системи зчислення слід розуміти в статистичному, а не абсолютному значенні

Біографія автора

Г.В. Шапіро , Державний університет інфраструктури та технологій, м. Київ

Здобувачка ступеня доктора філософії

Посилання

IMO. Human Element. URL: https://www.imo.org/en/OurWork/HumanElement/Pages/Default.aspx (дата звернення: 15.03.2023).

IMO. Human Element. Vision, Principles and Goals. URL: https://www.imo.org/en/OurWork/HumanElement/Pages/Default.aspx (дата звернення: 15.03.2023).

IMO. E-Navigation. URL: https://www.imo.org/en/OurWork/Safety/Pages/eNavigation.aspx (дата звернення: 10.04.2023).

Руденко О.Г., Бодянський Є.В. Штучні нейронні мережі. Харків : Компанія СМІТ, 2006. 404 с.

Дубровін В.І., Субботін С.О. Методи оптимізації та їх застосування в задачах навчання нейронних мереж: навчальний посібник. Запоріжжя : ЗНТУ, 2003. 136 с.

A real time control system for balancing a ball on a platform with FPGA parallel implementation / V. Shymkovych, V. Samotyy, S. Telenyk, P. Kravets, T. Posvistak. Technical Transactions. 2018. Vol. 5. Pp. 109-117. DOI: https://doi.org/10.4467/2353737XCT.18.077.8559.

Shymkovych V., Niechkina V. The criterion for determining the buffering time of the measur-ing channel for smoothing the variable changes of the sensor signal. 2020 IEEE 7th Internation-al Conference on Energy Smart Systems (ESS), Kyiv, Ukraine, 12-14 May 2020. Pp. 343-346. DOI: https://doi.org/10.1109/ESS50319.2020.9160084.

Гильгурт С.Я. Анализ применения реконфигурируемых вычислителей на базе ПЛИС для реализации нейронных сетей. Моделювання та інформаційні технології. 2006. Вип. 37. С. 168-174.

Symkovych V., Kravets P. Hardware implementation neural network controller on FPGA for stability ball on the platform. ICCSEEA 2019 Advances in Computer Science for Engineering and Education II. Advances in Intelligent Systems and Computing. 2020. Vol. 938. Pp. 247-256. DOI: https://doi.org/10.1007/978-3-030-16621-2_23.

Нейромережевий контролер системи стабілізації рухомого об'єкта з апаратно-програмною реалізацією на ПЛІС / П.I. Кравець, В. М. Шимкович, В.В. Федорчук, А.А. Гой. Вісник НТУУ «КПІ». Інформатика, керування та обчислювальна техніка. 2014. № 63. С. 4-11

Hunt K.J., Sbarbaro D., Zbikowski R., Gawthrop P.J. Neural networks for control systems: A survey. Automatica. 1992. Vol. 28. № 6. Pp. 1083-1112. DOI: https://doi.org/10.1016/0005-1098(92)90053-I.

Hierarchical neural network model for voluntary movement with application to robotics / Kawa-to M., Uno Y., Isobe M., Suzuki R. IEEE Control Systems Magazine. 1988. Vol. 8. Iss. 2. Pp. 8-16. DOI: https://doi.org/10.1109/37.1867.

Passalis N., Tefas A. Continuous drone control using deep reinforcement learning for frontal view person shooting. Neural Computing and Applications. 2020. Vol. 32. Pp. 4227-4238. DOI: https://doi.org/10.1007/s00521-019-04330-6.

Наконечний М.В., Наконечний Ю.М. Особливості ідентифікації динамічних об’єктів за допомогою рекурентних нейронних мереж. Вісник Національного університету «Львівська політехніка»: Автоматика, вимірювання та керування. 2009. № 639. С. 107-116.

Субботін С.О., Олійник А.О., Олійник О.О. Неітеративні, еволюційні та мультиагентні методи синтезу нечіткологічних і нейромережних моделей: монографія / за заг. ред. С.О. Субботіна. Запоріжжя : ЗНТУ, 2009. 375 с.

Нейромережеві технології оперативного діагностування технічного стану рухомого складу / В.М. Шимкович, П.І. Кравець, В.А. Жеребко, В.М. Шимкович, Р.Ю. Дьомін, А.В. Мостович. Збірник наукових праць Українського державного університету залізничного транспорту. 2011. № 123. С. 119-123.

FPGA Implementation of a Functional Neuro-Fuzzy Network for Nonlinear System Control / J.-Y. Jhang, K.-H. Tang, C.-K. Huang, C.-J. Lin, K.-Y. Young. Electronics. 2018. Vol. 7. № 145. Pp. 1-22. DOI: https://doi.org/10.3390/electronics7080145.

Doronin V. Application of evaluation criteria of functional sustainability instrumental method of navigation on Ukraine’s Inland waterways. Intellectual Systems for Decision Making and Problems of Computational Intelligence: The XIII International Scientific Conference, Zheleznii Port, Ukraine, 2017. Pp. 178-181.

Panin V., Doronin V., Aleynikov V. Application of the System Analysis of Implementation of the Instrumental Method of Navigation on Inland Waterways of Ukraine. Radio Electronics, Computer Science, Control. 2018. No. 2(45). Pp. 125-134. DOI: https://doi.org/10.15588/1607-3274-2018-2-14.

Application of Intelligent Processing of Data Flows Under Conditions of River Navigation / Panin V., Doronin V., Tykhonov I., Alieinikov M. Eastern European Journal of Enterprise Technologies. 2018. Vol. 3/9(93). Pp. 6-18. DOI: https://doi.org/10.15587/1729-4061.2018.131599.

Nocedal J., Wright S.J. Numerical Optimization, 2nd ed. New York, USA: Springer Publ., 2006. 661 p. DOI: https://doi.org/10.1007/978-0-387-40065-5.

Алексейчук Б.М., Сикирин В.Е., Астайкин Д.В. Оценка эффективности обсервованных координат судна при избыточных линиях положения, полученная имитационным моделированием. Science and Education a New Dimension. Natural and Technical Sciences. 2017. Vol. 14. Iss. 132. Pp. 47-51.

Тришин Н.В., Сикирин В.Е. Интегрирование предиктивной модели движения судна в ЭКНИС. Судовождение. 2014. Вып. 24. С. 164-171.