АЛГОРИТМЫ ОБУЧЕНИЯ НЕЙРОСЕТЕВОЙ СИСТЕМЫ СЧИСЛЕНИЯ ПУТИ СУДНА

Аннотация

Рассматривается методика определения оптимального по точности (сходимости) алгоритма обучения нейронной сети, прогнозирующей счислимые координаты судна. Данная методика основана на сравнении работы нескольких алгоритмов и реализована в два этапа. На первом этапе обучения определяется оптимальный алгоритм обучения при фиксированном числе итераций. Для каждого рассмотренного количества итераций алгоритм запускается по десять раз, и определяются характеристики точности прогноза сетью траектории. Для каждого числа итераций определяется среднее время обучения для наиболее точного алгоритма. Это время используется на втором этапе обучения, где оно задаётся одинаковым для всех алгоритмов. Они также запускаются по десять раз. Для каждого заданного значения времени определяется более точный алгоритм. Оптимальным по точности алгоритмом считается тот, который оказался самым точным для большинства моментов времени. На всех этапах основным критерием точности является наибольшее из десяти значений максимума модуля невязки на тестовой выборке.

Ключевые слова

нейронная сеть, счисление пути судна, алгоритм обучения, тестирование, координаты

Читать полный текст статьи:  PDF

Список литературы

Каллан Р. Основные концепции нейронных сетей: пер. с англ. / Р. Каллан. - М.: Издат. дом «Вильямс», 2003. - 288 с.
Хайкин С. Нейронные сети: полный курс; пер. с англ. Н. Н. Куссуль, А. Ю. Шелестова / С. Хайкин. - М.: Издат. дом «Вильямс», 2006. - 1104 с.
Ведякова А. О. Идентификация в условиях внешнего возмущения с использованием нейронных сетей / А. О. Ведякова // International Journal of Open Information Technologies. - 2014. - Т. 2. - № 3. - С. 18-22.
Ebada A. Intelligent techniques-based approach for ship maneuvering simulations and analysis (Artificial Neural Networks Application): Doktor-Ing. genehmigte Dissertation / A. Ebada. - Germany: Institute of Ship Technology und Transport Systems, 2007. - 156 p.
Moreira L. Dynamic model of maneuverability using recursive neural networks / L. Moreira, C. Guedes Soares // Ocean Engineering. - 2003. - Vol. 30. - Pp. 1669-1697. DOI:10.1016/S0029-8018(02)00147-6.
Сазонов А. Е. Прогнозирование траектории движения судна при помощи нейронной сети /А. Е. Сазонов, В. В. Дерябин // Вестник Государственного университета морского и речного флота имени адмирала С. О. Макарова. - 2013. - № 3 (22). - С. 6-13.
Nguyen-H. M. Improving GPS/INS Integration through Neural Networks /M. Nguyen-H, C. Zhou // Journal of Telecommunications. - 2010. - Vol.2. - Is. 2. - Pp. 1-6.
Xu T. A Novel Approach for Ship Trajectory Online Prediction Using BP Neural Network Algorithm / T. Xu, X. Liu, X. Yang // Advances in information Sciences and Service Sciences (AISS). - 2012. - Vol. 4. - No. 11. - Pp. 271-277. DOI: 10.4156/AISS.vol4.issue11.33.
Дерябин В. В. Нейросетевые системы прогноза скорости дрейфа судна /В.В. Дерябин // Вестник Государственного университета морского и речного флота имени адмирала С. О. Макарова. - 2015. - № 5 (33). - С. 7-14.
Дерябин В. В. Нейросетевой метод прогноза счислимых координат места судна / В. В. Дерябин // Транспортное дело России. - 2014.- № 6.- С. 92-96.
Дерябин В. В. Прогноз счислимых координат судна на основе нейронных сетей / В. В. Дерябин // Транспортное дело России. - 2015. - № 4. - С. 159-165.
Дерябин В. В. Системы счисления пути судна на основе нейронных сетей / В. В. Дерябин // Транспортное дело России. - 2015. - № 5. - С. 137-142.
Haykin S. Neural Networks and Learning Machines / S. Haykin. - Third Edition. - New York: Prentice Hall, 2009. - 937 p.
Аникеев М.В. Обзор современных типов нейронных сетей / М. В. Аникеев, Л. К. Бабенко, О. Б. Макаревич // Радiоелектронiка, iнформатика, управлiння. - 2001. - № 1. - С. 48-56.
Mammadov M. An Improved Version of Backpropagation Algorithm with Effective Dynamic Learning Rate and Momentum/ M. Mammadov, E. Tas // Proceedings of the 9th WSEAS International Conference on Applied Mathematics, Istanbul, Turkey, May 27 - 29. Turkey, 2006. - Pp. 356-361.
Subavathi S. J. Adaptive modified backpropagation algorithm based on differential errors // S. J. Subavathi, T. Kathirvalavakumar // International Journal of Computer Science, Engineering and Applications (IJCSEA). - 2011. - Vol. 1. - No. 5. - Pp. 21-34. DOI: 10.5121/ijcsea.2011.1503.
Yu H. Advanced Learning Algorithms of Neural Networks: Ph. D. dissertation / H. Yu. - USA: Graduate Faculty of Auburn University, 2011. - 130 p.
Foresee F. D. Gauss-Newton Approximation to Bayesian Learning / F. D. Foresee, M. T. Hagan // Neural Networks, 1997, International Conference on. - Houston, TX: IEEE, 1997. - Vol. 3. - Pp. 1930-1935. DOI: 10.1109/ICNN.1997.614194.
MacKay D. J. C. Bayesian Interpolation / D. J. C. MacKay // Neural Computation. - 1992. - Vol. 4. - No. 3. - Pp.415-447. DOI:10.1162/neco.1992.4.3.415.
Седова Н. А. Интеллектуальная система автоматического управления судном по курсу: автореф. дис. … канд. техн. наук: 05.22.19 / Н. А. Седова. - Владивосток, 2009. - 22 с.

Об авторах

Дерябин Виктор Владимирович - кандидат технических наук, доцент

gmavitder@mail.ru, kaf_nav@gumrf.ru

ФГБОУ ВО «ГУМРФ имени адмирала С.О. Макарова»