Алгоритмизация счисления пути судна на основе нейросетевых технологий тема диссертации и автореферата по ВАК РФ 05.22.19, доктор наук Дерябин Виктор Владимирович

• Дерябин Виктор Владимирович
• доктор наук
• 2020

Оглавление диссертации доктор наук Дерябин Виктор Владимирович

Введение

Глава 1 Постановка задачи и обзор исследований

1.1 Математическая формулировка (постановка) задачи

1.2 Обзор исследований в области использования нейронных сетей для моделирования движения судна

Глава 2 Модель движения судна на основе дифференциальных

уравнений

2.1 Дифференциальные уравнения движения судна в горизонтальной плоскости

2.2 Способы вычисления сил, воздействующих на корпус судна

2.3 Автоматический регулятор курса судна

2.4 Параметры судов, используемых при проведении имитационного моделирования

2.5 Адекватность модели движения судна

Глава 3 Методы формирования учебных данных и тестирования систем

3.1 Метод проведения натурных наблюдений, по результатам которых формируется набор учебных данных для настройки нейросетевых и нейро-нечёткой систем счисления пути судна, моделирующих его динамику

3.2 Метод формирования набора учебных данных для настройки нейронных сетей — систем счисления пути судна, моделирующих его кинематику

3.3 Метод тестирования нейросетевых (нейро-нечёткой) систем счисления на стадии компьютерного моделирования

Глава 4 Нейросетевые модели счисления пути судна

4.1 Нейронная сеть, прогнозирующая координаты судна при известных кинематических параметрах

4.2 Нейронная сеть, прогнозирующая координаты судна по данным об ускорении и скорости

4.3 Метод настройки свободных параметров нейросетевых (нейро-нечётких) систем счисления пути судна

4.4 Метод выбора оптимального по скорости сходимости алгоритма настройки нейросетевых систем счисления

4.5 Нейронная сеть, прогнозирующая скорость дрейфа судна в условиях влияния ветра и волнения (силовой подход)

4.6 Нейронная сеть, прогнозирующая скорость дрейфа судна в условиях влияния ветра и волнения (непосредственный подход)

4.7 Исследование надёжности вычислительной системы, построенной на основе нейронной сети

4.8 Нейронные сети, прогнозирующие координаты судна и их приращения в условиях влияния ветра и волнения

4.9 Обобщение результатов тестирования нейронных сетей, прогнозирующих координаты места судна (их приращения)

Глава 5 Гибридная нейро-нечёткая модель счисления пути судна

5.1 Система нечёткого вывода, прогнозирующая скорость дрейфа судна

5.2 Гибридная нейро-нечёткая модель, прогнозирующая скорость дрейфа судна

5.3 Формирование набора учебных данных и процесс обучения

5.4 Тестирование нейро-нечёткой системы

5.5 Нейро-нечёткий навигационный фильтр

Глава 6 Использование нейросетевых алгоритмов счисления для решения других задач судовождения

6.1 Построение системы счисления пути судна на основе нейронной сети с оценкой точности координат

6.2 Применение в задачах управления судном по траектории

6.3 Применение в задачах тренажёрной подготовки

6.4 Логико-информационная схема взаимодействия методов

Заключение

Список литературы

Список иллюстративного материала

Перечень таблиц

Приложение. Параметры математической модели судов

Введение диссертации (часть автореферата) на тему «Алгоритмизация счисления пути судна на основе нейросетевых технологий»

Введение

Диссертация посвящена разработке методических основ (совокупности информационно связанных методов) алгоритмизации счисления пути судна на основе нейронных сетей, а также гибридных (нейро-нечётких) моделей (т.е. на основе нейросетевых технологий) для проектирования систем, обладающих потенциально более высокой точностью по сравнению с существующими алгоритмами, широко используемыми в практике судовождения.

Актуальность темы исследования. Проблема повышения точности счисления имеет большое прикладное значение для решения ряда частных задач судовождения. Одной из таких задач является автономное получение координат места судна, когда в течение длительного промежутка времени невозможно получить обсервацию по внешним измерениям. К другой задаче относится определение местоположения судна на основе совместного использования данных от различных датчиков (комплексирования навигационной информации). При этом точность определения счислимых параметров движения судна влияет на величину погрешности его координат, получаемых при помощи корректируемой навигационной системы. С определением точных координат судна тесно связана другая задача судовождения — обеспечение его движения по заданному маршруту. Эффективность решения указанной задачи находится в прямой зависимости от точности определения текущих координат судна.

В теоретическом плане, проблема повышения точности счисления решается как путём увеличения точности датчиков навигационной информации, так и путём совершенствования алгоритмов обработки такой информации. Современные алгоритмы обработки информации для целей счисления решают задачи аппроксимации функций многих переменных. Для решения данных задач используются, как правило, традиционные методы, как-то: дифференциальные (разностные) уравнения и численные методы их решения, статистические регрессионные модели, формулы численного интегрирования Ньютона-Котеса и

т.п. Недостатками указанных методов являются лежащие в их основе допущения и предположения, которые теоретически не позволяют им гарантированно решать упомянутые задачи аппроксимации с приемлемой точностью.

При использовании аппарата обыкновенных дифференциальных уравнений (для определения, например, скорости дрейфа судна) к таким допущениям относятся предположения о виде конкретного алгоритма, используемого для перевода вектора исходных данных (например, параметров относительного ветра, высоты волны и т.д.) в вектор выходных данных (например, скорость дрейфа). Вид алгоритма может быть весьма несовершенным, и это отразится на точности идентификации его параметров в ходе натурных испытаний. При использовании традиционных методов численного интегрирования (в том числе, дифференциальных уравнений), регрессионных моделей, также используются различного рода предположения об аппроксимируемой функции. Например, метод трапеций работает исходя из предположения о линейном поведении функции между узлами интегрирования.

Иными словами, основная теоретическая проблема использования традиционных математических алгоритмов в области счисления пути судна заключается в том, что они не могут рассматриваться как алгоритмы универсальной аппроксимации, т.е. они не могут потенциально моделировать (представлять) реально существующие зависимости с любой (наперёд заданной) степенью точности.

Из теории нейронных сетей известно, что они могут выступать в качестве инструментов универсальной аппроксимации функций многих переменных, почему их использование в алгоритмах счисления и может рассматриваться как целесообразное. Ряд гибридных (нейро-нечётких) систем также обладают данными свойствами. Более того, нейронные сети имеют преимущества перед некоторыми алгоритмами (например, вычислительной гидродинамики) в плане быстродействия. Следовательно, проблема разработки потенциально более точных и «быстрых» методов счисления на основе нейросетевых технологий является актуальной.

Степень разработанности темы исследования. Проблема синтеза системы счисления пути судна на основе нейросетевых и нейро-нечётких методов тесно связана с вопросами моделирования динамики судна, управления его движением, обработки навигационной информации в судовых навигационных комплексах и системах.

Большой вклад в изучение возможностей использования нейросетевых и других интеллектуальных технологий по перечисленным выше направлениям внесли А. Е. Сазонов, С. В. Глушков, С. В. Смоленцев, Ю. И. Нечаев, Ю. Л. Сиек, а также В. А. Седов, Д. Е. Студеникин, Е. А. Константинова, Н. А. Седова, Ю. С. Жук, Я. Л. Виткалов и др. Значительную роль в развитии применения интеллектуальных технологий на морском транспорте имеют труды А. В. Бухановского, А. С. Девятисильного, В. И. Богданова, О. А. Степанова, а также А. Д. Пипченко, А. К. Снигур, В. М. Гриняк, Н. В. Ивановского, Н. Н. Жеретинцевой, П. Н. Звягина, С. А. Подпорина и др.

Среди зарубежных исследователей можно назвать A. Ebada, M. A. Unar, а также, B. Zak, C. G. Soares, D. M. Pathan, I. A. Memon, J. Daudpoto, J. Malecki, L. Moreira, M. Valcic, P. T. Martins, P. Waclawek, R. Antonie, R. Burns, R. Richter, T. Abramowski, T. Hussain, T. Xu, V. Lobo, V. Tomas, X. Liu, X. Yang, Z. Kitowski и др.

Отличительной общей особенностью исследований в области использования нейросетевых технологий для моделирования движения судна является отсутствие в них такой постановки задачи, решение которой позволило бы подойти к созданию полноценной навигационной системы счисления, работоспособность которой обеспечивалась бы в большом количестве различных навигационных ситуаций. Как правило, способность моделирующих динамику судна систем прогнозировать параметры его движения проверяется лишь путём использования стандартных манёвров, наподобие «циркуляции» и «зигзаг». Синтезированные системы также не учитывают в явном виде и такой важный для счисления внешний фактор как волнение.

Цель исследования заключается в создании качественно новой алгоритмической базы для разработки систем счисления пути судна на основе

нейросетевых технологий, как потенциально более точных систем по сравнению с традиционными решениями.

Научная проблема заключается в разработке методических основ методологии алгоритмизации счисления пути судна на основе нейросетевых технологий, которая необходима для достижения обозначенной выше цели исследования.

Решение научной проблемы достигается путём решения следующих научных

задач:

- разработка моделей счисления пути судна на основе нейронных сетей (для различных вариантов комплектации навигационных датчиков) и нейро-нечёткой системы;

- разработка методов формирования набора учебных данных для настройки (обучения) систем, созданных на основе указанных моделей;

- разработка метода выбора оптимального по скорости сходимости алгоритма настройки свободных параметров указанных систем;

- модификация метода настройки свободных параметров систем с учётом специфики задачи счисления пути;

- разработка методов тестирования разработанных моделей.

Объектом исследования является безопасность плавания судна в аспекте влияния алгоритмического обеспечения для определения счислимых координат в судовых навигационных комплексах и системах.

Предметом исследования являются нейросетевые и нейро-нечёткие модели счисления пути судна, а также методы, которые необходимо использовать для их настройки и тестирования.

Данная постановка цели и задач исследования соответствует объектам 3 и 4, и области исследования 5 паспорта научной специальности 05.22.19 «Эксплуатация водного транспорта, судовождение».

Границы исследования. Исследование проводится в рамках алгоритмов счисления пути судна, которые могут быть реализованы в навигационной аппаратуре.

Научная новизна исследования заключается в следующем:

1. Разработаны модели счисления пути судна на основе нейросетевых технологий.

2. Разработан метод проведения натурного эксперимента, по результатам которого формируются образцы для обучения нейросетевых или нейро-нечёткой систем счисления пути судна, моделирующих его динамику.

3. Разработан метод формирования образцов для обучения нейросетевых систем счисления пути судна, моделирующих его кинематику.

4. Разработан метод выбора оптимального (по скорости сходимости) алгоритма обучения систем счисления пути на основе нейросетевых технологий.

5. Предложен метод настройки параметров нейросетевых и нейро-нечёткой систем счисления пути судна, моделирующих его динамику.

6. Разработан метод тестирования синтезированных нейросетевых и нейро-нечёткой систем счисления пути судна в различных навигационных ситуациях на стадии имитационного моделирования.

7. Предложен подход к оценке отказоустойчивости нейросетевой системы счисления пути судна.

8. Предложен подход к созданию системы счисления пути судна на основе нейронной сети, позволяющей прогнозировать координаты места судна в режиме реального времени с оценкой их точности.

9. Предложены некоторые принципы построения навигационного фильтра, основанные на использовании нейронной сети и нейро-нечёткой системы.

Теоретическая значимость работы определяется развитием основных элементов теории построения систем счисления пути судна на основе нейронных и нейро-нечётких моделей. Предложенная совокупность методов создания алгоритмов счисления определяет общий вектор развития теории в построении таких систем, включающий вопросы их синтеза, настройки и тестирования. Определён общий порядок построения систем счисления пути судна на основе нейросетевых технологий, включая необходимые для достижения этой цели методы и порядок их применения.

Практическая значимость работы. Результаты проведённых исследований в области построения нейросетевых (нейро-нечётких) систем счисления позволяют на практике:

- применять нейросетевые и нечёткие технологии для синтеза алгоритмов определения счислимых координат места судна;

- выполнять аппаратную реализацию нейросетевых алгоритмов в виде нейрокомпьютерных систем счисления пути судна;

- выполнять построение адаптивных фильтров для оценки параметров движения судна на основе нейронной сети и нейро-нечёткой системы.

Методология и методы исследования. В работе использован аппарат теории вероятностей, теории нечётких множеств и нейронных сетей, калмановской и адаптивной фильтрации, численных методов, теории оптимизации, теории алгоритмов, прикладной гидродинамики.

Положения, выносимые на защиту:

- нейросетевые и нейро-нечёткая модели счисления пути судна;

- метод проведения натурных наблюдений, по результатам которых формируется набор учебных данных для настройки нейросетевых и нейро-нечёткой систем счисления пути судна, моделирующих его динамику;

- метод формирования набора учебных данных для настройки нейронных сетей — систем счисления пути, моделирующих его кинематику;

- метод выбора оптимального по скорости сходимости алгоритма настройки нейросетевых систем счисления;

- метод настройки свободных параметров синтезированных нейросетевых (нейро-нечёткой) систем счисления пути судна;

- метод тестирования синтезированных нейросетевых (нейро-нечёткой) систем счисления на стадии компьютерного моделирования.

Достоверность полученных результатов обеспечивается использованием имитационного моделирования движения судов различных типов в различных условиях плавания, выполненного в программной среде МЛТЬЛБ, на основе дифференциальных уравнений и алгоритмов численного интегрирования. Для

некоторых судов адекватность имитационной модели подтверждается результатами натурных наблюдений.

Апробация результатов. Основные результаты диссертационного исследования были доложены на научно-технической конференции профессорско-преподавательского состава, научных сотрудников и курсантов, проводимой ФГОУ ВПО «Государственная морская академия имени адмирала С.О. Макарова» в 2012 г.; на региональной научно-технической конференции «Региональная наука как основа дальнейшего развития морской деятельности Архангельской области», проводимой на базе архангельского филиала ФГБОУ ВПО «Государственный университет морского и речного флота имени адмирала С.О. Макарова» в 2013 г.; на XVII Конференции молодых учёных «Навигация и управление движением», проводимой АО «Концерн «ЦНИИ «Электроприбор» в 2015 г., на международной научно-практической конференции «Макаровские чтения — 2016», ежегодных научно-практических конференциях профессорско-преподавательского состава ФГБОУ ВО «ГУМРФ имени адмирала С.О. Макарова» 2016 г. и 2017 г., III-ей Научно-практической конференции «Макаровские чтения — 2018», Всероссийской научно-практической конференции «Технологии построения когнитивных транспортных систем» 2018 и 2019 г., национальной научно-практической конференции профессорско-преподавательского состава ФГБОУ ВО «ГУМРФ имени адмирала С.О. Макарова» 2019 г., научном семинаре памяти доктора технических наук профессора А.А. Сикарева (21.03.2019).

Структура и объём работы. Работа состоит из введения, шести глав и заключения, имеет одно приложение. Изложена на 287 страницах, содержит 78 рисунков, 86 таблиц. Список используемых литературных источников состоит из 262 наименований, из которых 79 - на иностранном языке.

Глава 1 Постановка задачи и обзор исследований

Рассмотрим сначала математическую формулировку задачи определения счислимых координат судна.

1.1 Математическая формулировка (постановка) задачи

Динамическая задача Система дифференциальных уравнений динамики судна в горизонтальной плоскости (3 степени свободы) имеет следующий вид:

dV

= f(Vx V >®> Pix > Р2 x >•••> PNx )>

dV

= f2 (Vx V Piy, P2 y ,•••, PNy), C11)

^ = f3(Vx ,VyPia» P2«>-> PnJ'

где V — продольная составляющая относительной скорости; V — поперечная составляющая относительной скорости; a — угловая скорость рыскания судна;

Pix, Pix ,•••, P^ — набор параметров, определяющих воздействие управляющих и возмущающих факторов в продольном направлении;

Piy, P2 y PNy — набор параметров, определяющих воздействие управляющих

и возмущающих факторов в поперечном направлении;

P P2 P n a — набор параметров, определяющих воздействие управляющих и возмущающих факторов вокруг вертикальной оси; f, -f, Л — некоторые непрерывные функции. Перепишем систему (1.1) в следующем интегральном виде:

т

Vx (т) = Vx (0) + J fx(Vx ,Vy ,с, plx, p2 xpNx )dt,

0 т

Vy (т) = Vy (0) + J f2(Vx ,Vy ,с, px у, P2 yPNy )dt, (1.2)

0

т

с(т) = a(0) + J f3(Vx ,Vy ,a>, pla, P2W,..., Pn^i

0

где т — промежуток времени, на котором выполняется интегрирование системы (1.1).

Интегралы, стоящие в правой части (1.2), зависят от вида (реализаций) величин — аргументов функций f, f2, f — как функций времени на промежутке

[°;т], т.е. Vx = Vx (t), Vy = Vy(t), w = w(t), px x = px x (t) и т.д. для любого t e[ °;т].

При использовании цифровой техники, вместо реализаций функций необходимо говорить о соответствующих временных последовательностях {t0 = 0,tl,t2,...,tn =т}, где n — количество интервалов, на которые разбивается

промежуток интегрирования. Например, \VX (ti — временная

последовательность значений продольной скорости. В дискретной постановке, система уравнений (1.2) принимает вид: Vx (т) - Vx (0) +

+ fx {{Vx )}i=0,n (ti ^=0^n >(t* )}i=0,n ,{ pix (ti )}i=0,n-{ pNx (ti )}i=0,n ),

Vy (т) - Vy (0) +

f {V (ti ,{Vy (ti )Un С )Un ,{piy (ti )Un-W (^ )}i=0,n ), (1'3) с(т) - с(0) +

+ fc{{Vx (h )}i=0,n ,{Vy (ti ^=0^n ,{C(ti )}i=0,n ,{ pc(ti )}i=0,n-{ pn^ )}t ==0,n ),

где fx, f , fc — некоторые непрерывные функции.

Знаки ~ в системе уравнений объясняется переходом от непрерывной модели к дискретной. Несмотря на то, что определяемые кинематические параметры Vx (tn = т), Vy (tn = т), с(tn = т) входят в число аргументов функций fx, fy, fa, уравнения (1.3) можно использовать с приближёнными значениями указанных

параметров (например, полученными на предыдущем шаге решения или спрогнозированными для текущего момента ^).

Уравнения (1.3) являются уравнениями счисления. Второе уравнение позволяет определить скорость дрейфа судна Уу (т), что необходимо на судах,

оборудованных однокомпонентным относительным лагом. Остальные уравнения могут быть использованы для «аварийного счисления», когда выходит из строя лаг, гирокомпас или оба датчика одновременно.

Преобразования /х,/у,/а, переводящие последовательности в правых частях

(1.3) в кинематические параметры судна, определяются алгоритмами расчёта сил, действующими на корпус судна, а также алгоритмами численного интегрирования. Традиционное решение задачи — взять известные из теории судна зависимости для расчёта сил, а для интегрирования использовать формулы Ньютона-Котеса (как правило, метод трапеций, т.е. п = 1). Многие алгоритмы расчёта сил являются «жёсткими» в том смысле, что имеют такую структуру, адекватность которой не может быть гарантирована в любых условиях плавания. Структурная неадекватность будет причиной параметрической неадекватности на стадии идентификации модели. При использовании формул Ньютона-Котеса, интегрируемая функция заменяется интерполяционным полиномом Лагранжа на интервале интегрирования, график которого проходит через узлы. Вид полинома также «жёстко» определён, и при отклонении реального поведения функции от полиномиального появятся ошибки численного интегрирования. Таким образом, традиционное решение систем (1.2) и (1.3) для целей счисления имеет недостаток в том, что модель такого решения не обладает гарантированной структурной адекватностью.

Нейронные сети и нечёткие системы позволяют аппроксимировать (представить, смоделировать) любую непрерывную функцию многих переменных с любой наперёд заданной точностью (при корректном выборе соответствующих параметров). В указанном смысле такие системы могут рассматриваться как

алгоритмы гарантированной структурной адекватности, и имеет смысл искать решения представления функций fx, fy, fC в (1.3) на их основе.

Кинематическая задача Дифференциальные уравнения счисления геодезической широты ф и долготы X судна, записываются таким образом:

Ф = Vx cos К - Vy sin К + Vm cos Km

dt M '

d^ = vx sin К + Vy cos К + Vm sin К„

dt N cos^

dK

— = C, dt

где M и N — радиусы кривизны меридиана и первого вертикала (главные радиусы кривизны) эллипсоида вращения, выбранного в качестве модели Земли; К — истинный курс судна; Vm — скорость течения; Кш — направление течения. Главные радиусы кривизны определяются следующим образом:

(a + h)(1 - в2) ЛТ. a + h М = , ,N = -

•у/(1 - е2 sin2 ф)3 -y/l - е2 sin2 ф

где a — большая полуось эллипсоида;

e — эксцентриситет его меридианного эллипса; h — геодезическая высота (постоянная по времени). В интегральной форме уравнения счисления имеют вид

" VN (t)

ф(т) = ф(0) + j VNf-i dt, jM (Ф)

Л(т) = Я(0) + L V(-) dt, (1.4)

JQ N(ф)cosф

т

К (т) = К (0) + jC(t )dt.

о

где VN := Vx cos К - Vy sin К + Vm cos Кт и VE := Vx sin К + Vy cos К + Vm sin Кп

+/

+/

На основе рассуждений, аналогичных тем, которые были сделаны для динамической задачи, соотношения (1.4) можно переписать в дискретном виде: р(т) *р(0) +

Р)}, ^ )}_ 0,п 'К Ь )}. ^

Х(т) *Х(0) + (1.5)

К ь)} '{К ь)} I_>« 'К (и)} ^ '{Кт (и)} г ^

К(т) * К(0) + /к ({^)}|_0^п )'

где /р, /х, /К — некоторые непрерывные функции.

При использовании традиционных алгоритмов численного интегрирования для (1.4) и (1.5), основанных на применении формул Ньютона-Котеса, их решение основано на предположении, что интегрируемая функция может быть заменена интерполяционным полиномом (Лагранжа). Таким образом, если функции /р, /

и / реализуются на основе формул Ньютона-Котеса, то они с неизбежностью отражают указанное выше предположение. При использовании же нейросетевых и нечётких алгоритмов для представления /р,/х,/К, предположение о виде

интегрируемых функций во времени не делается. Следует отметить, что первое уравнение в (1.5) используется только в случае выхода из строя гирокомпаса. Вообще, возможны следующие варианты счисления:

1) обычное (задействованы /у и /р,/х);

2) вышел из строя лаг (задействованы /, /у и /р, /х);

3) вышел из строя гирокомпас (задействованы /у, / и /р, /х, /К);

4) вышел из строя лаг и гирокомпас (задействованы /х, /у, / и /р, /х, /К).

Слово «задействованы» означает, что реализуются соответствующие зависимости в соотношениях (1.3) и (1.5). Случаи с 2) по 4) относятся к «аварийному счислению».

Таким образом, общая математическая формулировка задачи кратко выглядит таким образом: необходимо 1) получить архитектуры нейронных сетей, гибридных нейро-нечётких систем, моделирующих функции/х,/у,/т, а также

/я,/к с достаточной для целей судовождения точностью 2) разработать методы

обучения (настройки) и тестирования данных систем. Непосредственно в диссертации, рассматриваются вопросы решения сформулированной задачи для функций / и /х, т.е. для режима счисления в обычном режиме.

1.2 Обзор исследований в области использования нейронных сетей для

моделирования движения судна

Нейросетевые и нечёткие технологии широко используются для решения задач идентификации и управления динамическими объектами. В работах [17, 54, 79, 82, 84, 86, 93, 101, 109, 113, 118, 119, 122, 123, 144, 153, 170, 177, 178, 197, 209211, 225, 232, 235, 246] освещаются вопросы теории нейросетевого управления и/или приводятся конкретные схемы управления объектами на основе нейронных сетей. Исследования [5, 88, 91, 92, 115, 171, 172, 211] посвящены использованию нечётких и гибридных (нейро-нечётких) технологий для решения задач управления. Проблема управления тесно связана с задачей идентификации управляемого объекта, построения модели его движения. В этом отношении известен ряд работ [1, 8, 12, 21, 36, 38-40, 74, 80, 81, 96-98, 108, 111, 112, 120, 127, 129, 132, 162, 164, 173, 181, 182, 201, 232, 248], авторами которых предлагаются различные варианты моделирования движения объектов, обработки информации, построения алгоритмов обнаружения неисправностей, а также идентификации систем с использованием нейросетевых технологий. Работы [7, 15, 33, 94, 125, 126, 149, 163, 244, 249] посвящены нечёткому (или нейро-нечёткому) моделированию движения подвижных объектов, построению алгоритмов обработки данных, моделей поддержки принятия решения и идентификации систем.

Задачи идентификации и управления тесно связаны с вопросами построения автономных систем определения координат подвижных объектов — систем счисления. В области робототехники один из работоспособных вариантов построения систем счисления шагающих роботов приводится, например, в [130], в котором многослойная нейронная сеть прогнозирует угловые и линейные координаты робота по измерениям углов в шарнирах его ног. В [220] предлагается модель счисления колёсного робота на основе нейронной сети, которая позволяет учитывать эффект проскальзывания колёс, повышая точность определения его координат.

Существуют два основных направления, по которым происходит применение нейронных сетей (включая использование нечётких технологий) в области судовождения [62]. Оба направления связаны с задачей определения счислимых координат судна.

Одно направление предполагает использование нейросетевых технологий (нейронных сетей, нечётких систем) для решения разнообразных задач обработки навигационной информации. Обработка информации включает и определение кинематических параметров движущегося судна. Второе направление, которое как бы следует из первого, заключается в применении нейросетевых технологий непосредственно для управления движением судна. Как правило, речь идёт об управлении по курсу или (реже) по траектории. Оба направления, конечно, взаимосвязаны. Во многих работах регулируемая величина подлежит оценке на основе алгоритма, построенного с использованием нейронной сети, нечёткой или гибридной системы.

Работа [221] содержит вариант применения нейросетей для целей комплексирования информации, поступающей от спутниковой и инерциальной навигационной систем. Для комплексирования на уровне вторичной информации («слабая схема») используется фильтр Калмана. В качестве фильтра низких частот применяется сеть с радиальными базисными функциями (RBF — radial basis functions). Для настройки параметров сети применяется метод роя частиц (PSO — particle swarm optimization). Коррекция параметров осуществляется в реальном

времени. Сеть прогнозирует оценки для корреляционных матриц измерений и процесса. Указанные оценки затем используются в обычном алгоритме Калмана. Движение летательного аппарата было смоделировано для периода времени примерно 30 минут. Координаты аппарата определялись как на основе фильтра Калмана, так и с использованием схемы, дополненной нейронной сетью. Точность последнего варианта оказалась заметно выше, если сравнивать с традиционным алгоритмом комплексирования на основе фильтра Калмана.

В статье [254] двухслойная нейронная сеть (прямого распространения) решает задачу идентификации параметров модели плоского движения судна. В качестве параметров выступают гидродинамический коэффициент, а также коэффициенты демпфирования. Входной вектор нейронной сети формируют угол перекладки руля и другие величины, описывающие движение судна. Для получения необходимого количества образцов используется имитационное моделирование. После идентификации параметров нейронной сетью, сравнивается работа имитационной модели с заданными параметрами и идентифицированными. В качестве эталонных движений выбираются циркуляции с полной и половинной (на «полборта») перекладкой руля. Результат — за период циркуляции различие траекторий составляет несколько метров.

Исследование [191] посвящено построению нейросетевой системы автоматического удержания судна в заданной точке позиционирования. Данная система состоит из двух частей — нейросетевой модели судна и нейрорегулятора. Нейронная сеть, представляющая собой модель судна, прогнозирует параметры движения судна в горизонтальной плоскости — координаты, угловую и линейную скорость, угол рыскания. На вход сети поступает угол перекладки руля, а также коэффициент, учитывающий изменение упора винта при движении по криволинейной траектории. Затем уравнение состояния представляется в виде линеаризованной и нелинейной частей, последнюю из которых и прогнозирует сеть. Обучение сети происходит on-line; образцы формируются по мере измерений необходимых величин навигационными датчиками. Таким образом, синтезированная нейронная сеть не выполняет задачу идентификации модели

Список литературы диссертационного исследования доктор наук Дерябин Виктор Владимирович, 2020 год

Список литературы

1. Абросимов, В. К. Нейронная пространственно-временная модель движения объектов управления / В. К. Абросимов // Нейрокомпьютеры: разработка, применение. — 2014. — №3. — С. 26-35.

2. Аведьян, Э. Д. Алгоритмы настройки многослойных нейронных сетей / Э. Д. Аведьян // Автоматика и телемеханика. — 1995. — № 4. — С. 106-118.

3. Авраменко, В. И. Влияние внешних факторов среды на точность текущего места судна: дис. ... канд. техн. наук: 05.22.19 / Авраменко Владимир Игнатьевич. — Мурманск, 1993. — 138 с.

4. Адамченко, В. Н. Обработка радионавигационных измерений / В. Н. Адамченко.

— М.: Транспорт, 1983. — 56 с.

5. Адаптивная нейронечёткая комбинированная система управления / А. Ю. Келина, И. Ю. Кудинов, Ю. И. Кудинов, Е. А. Хахов // Известия РАН. Теория и системы управления. — 2005. — № 4. — С. 79-88.

6. Алексеев, Д. В. Приближение функций нескольких переменных нейронными сетями / Д. В. Алексеев // Фундаментальная и прикладная математика. — 2010.

— т.15 (№3). — С. 9-21.

7. Амосов, О. С. Нейросетевые и нечеткие методы оценивания стохастических систем: дис. ... д-ра техн. наук: 05.13.18 / Амосов Олег Семенович. — Комсомольск-на-Амуре, 2004. — 352 с.

8. Андриевская, Н. В. Идентификация параметров нелинейной модели с использованием искусственной нейронной сети / Н. В. Андриевская // Нейрокомпьютеры: разработка, применение. — 2015. — №10. — С. 48-51.

9. Ануфриев, К. С. Возможные пути повышения целостности интегрированных систем навигации / К. С. Ануфриев, В. В. Дерябин, А. Е. Сазонов // Науч.-техн. сб. Российского морского регистра судоходства. — 2012. — Вып. 35. — С. 159-170.

10. Бандман, О. Л. Клеточно-нейронные модели пространственно-временной динамики / Бандман О. Л. // Программирование. — 1999. — №1. — С. 4-17.

11. Барский, А. Б. Обучение нейросети методом трассировки / А. Б. Барский // Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение» НКП-2002 с международным участием. Москва, 21-22-марта 2002 г. — М.: Институт проблем управления им. В. А. Трапезникова РАН, 2002. — С. 862-898.

12. Басараб, М. А. Методы моделирования и цифровая обработка сигналов в гироскопии / Басараб М. А., Кравченко В. Ф., Матвеев В. А. — М.: ФИЗМАТЛИТ, 2008. — 248 с.

13. Басин, А. М. Гидродинамика судна / Басин А. М., Анфимов В. Н. — Л.: Речной транспорт, 1961. — 684 с.

14. Батуев, А. Н. Модель погрешностей относительно-абсолютного счисления / А. Н. Батуев, А. В. Лысиков, В. А. Михальский // Технические средства судовождения и связи на морских и внутренних водных путях: сб. науч. трудов. Вып. 6. — СПб.: Изд-во СПбГУВК, 2005. — С. 21-26.

15. Безмен, Г. В. Функциональное диагностирование навигационных систем с использованием нечеткого анализа: дис. ... канд. техн. наук: 05.13.01 / Безмен Глеб Владимирович. — СПб, 2011. — 138 с.

16. Богданов, В. И. Нечеткий регулятор в задаче управления морским подвижным объектом / В. И. Богданов, Я. Л. Виткалов, С. В. Глушков // Вестник Морского государственного университета. Вып. 9. Серия: Судовождение. — Владивосток: Мор. гос. ун-т, 2005. — С. 107-113.

17. Бураков, М. В., Кирпичников, А. П. Синтез дискретного нейро-ПИД регулятора / М. В. Бураков, А. П. Кирпичников // Вестник казанского технологического университета. — 2014. — T. 17(1) — С. 286-288.

18. Васильев, А. Н. Математическое моделирование систем с распределенными параметрами на основе нейросетевой технологии: дис. ... д-ра техн. наук: 05.13.18 / Васильев Александр Николаевич. — СПб, 2011. — 365 с.

19. Ведякова, А. О. Идентификация в условиях внешнего возмущения с использованием нейронных сетей [электронный ресурс] / Ведякова А. О. // International Journal of Open Information Technologies. — 2014. — Vol. 2 (3). — P.

18-22. URL: http : //inj oit. org/index.php/j 1 /article/view/76/64 (дата обращения: 27.05.2015)

20. Ведякова, А. О. Идентификация математической модели судна с использованием нейронной сети при учете внешних возмущений / Ведякова А. О. // Современные информационные технологии и ИТ-образование. Сборник избранных трудов VIII Международной научно-практической конференции. Под ред. проф. В.А. Сухомлина. — М.: ИНТУИТ.РУ, 2013. — С. 698-705.

21. Винокуров, И. В. Нейросетевой метод моделирования кинематики в радионавигационной системе автономного подвижного объекта: дис. ... канд. техн. наук: 05.12.14 / Винокуров Игорь Викторович. — Москва, 2006. — 188 с.

22. Виткалов, Я. Л. Исследование проблем синтеза нейросетевого контроллера в задаче управления курсом судна: дис. ... канд. техн. наук: 05.22.19 / Виткалов Ярослав Леонидович. - Владивосток, 2006. — 25 с.

23. Галушкин, А. И. Нейронные сети: основы теории / А. И. Галушкин. - М.: Горячая линия - Телеком, 2010. — 496 с.

24. Глушков, С. В. Автоматическое управление курсом судна с использованием регулятора на нечёткой логике / С. В. Глушков // Мехатроника, автоматизация, управление. — 2007. — № 12. — С. 32-36.

25. Глушков, С. В. Использование нечеткой логики в системе автоматического управления курсом судна / С. В. Глушков // Приборы и системы. Управление, контроль, диагностика. — 2007. — №8. — С. 28-32.

26. Глушков, С. В. Методы повышения качества управления судном на основе использования нейросетевых технологий: дис. ... д-ра техн. наук: 05.22.19 / Глушков Сергей Витальевич. — Владивосток, 2008. — 244 с.

27. Горбань, А. Н. Нейронные сети на персональном компьютере /А. Н. Горбань, Д. А. Россиев. — Новосибирск: Наука, 1996. — 275 с.

28. Горбань, А. Н. Обучение нейронных сетей / А. Н. Горбань — СПб.: Параграф, 1990. — 159 с.

29. Горбаченко, В. И. Мелкозернистый параллелизм и клеточные нейронные сети для решения дифференциальных уравнений в частных производных / В. И.

Горбаченко // Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение» НКП — 2002 с международным участием. Москва, 21-22-марта 2002 г. — М.: Институт проблем управления им. В. А. Трапезникова РАН, 2002. — С. 1129-1135.

30. Горбаченко, В. И. Решение систем разностных уравнений на цифровых нейронных сетях / В. И. Горбаченко // Нейрокомпьютеры: разработка, применение. — 2001. — №3. — С. 38-49.

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

32. Гофман, А. Д. Движительно-рулевой комплекс и маневрирование судна: справочник / А. Д. Гофман. — Л.: Судостроение, 1988. — 360 с.

33. Гриняк, В. М. Нечёткое определение характера движения при многомодельном сопровождении траектории судна обзорной РЛС / В. М. Гриняк, А. С. Девятисильный // Нейрокомпьютеры: разработка, применение. — 2013. — №6. — С. 13-20.

34. Груздев, Н. М. Оценка точности морского судовождения / Н. М. Груздев. — М.: Транспорт, 1989. — 191 с.

35. Гулаков, К. В. Выбор архитектуры нейронной сети для решения задач аппроксимации и регрессионного анализа экспериментальных данных / К. В. Гулаков // Вестник Брянского государственного технического университета. — 2013. — № 2 (38). — С. 95-105.

36. Гулаков, К. В. Моделирование многомерных объектов на основе когнитивных карт с нейросетевой идентификацией параметров: дис. ... канд. техн. наук: 05.13.18 / Гулаков Константин Васильевич. — Брянск, 2013. — 178 с.

37. Гусев, А. Л. Функциональная предобработка входных сигналов нейронной сети / А. Л. Гусев, Ф. М. Черепанов, Л. Н. Ясницкий // Нейрокомпьютеры: разработка, применение. — 2013. — №5. — С. 19-21.

38. Девятисильный, А. С. Нейроморфная система оценки параметров вращения геодезической платформы / Девятисильный А. С., Числов К. А. // Геодезия и картография. — 2013. — № 6. — С. 2-6.

39. Девятисильный, А. С. Нейросетевая коррекция векторной гравиинерциальной системы / Девятисильный А. С., Числов К. А. // Геодезия и картография. — 2013. — №9. — С. 2-6.

40. Деева, А. С. Методы контроля и диагностики информационных нарушений инерциальных навигационных систем / А. С. Деева, А. Г. Щипицын // Вестник Южно-Уральского государственного университета. Серия «Компьютерные технологии, управление, радиоэлектроника», выпуск 11. — 2010. — №2 (178). — С. 21-25.

41. Дерябин, В. В. Адаптивные алгоритмы фильтрации в задаче прогноза координат места судна / В. В. Дерябин // Вестник государственного университета морского и речного флота имени адмирала С.О. Макарова. — 2014. — Вып.1(23) — С. 12-19.

42. Дерябин, В. В. Алгоритмы обучения нейросетевой системы счисления пути судна / В. В. Дерябин // Вестник государственного университета морского и речного флота имени адмирала С.О. Макарова. — 2016. — Вып.3(37) — С. 2333.

43. Дерябин, В. В. Вопросы оптимального оценивания счислимых координат судна // Сборник научных трудов профессорско-преподавательского состава Государственного университета морского и речного флота имени адмирала С. О. Макарова. — СПб.: Издательство ГУМРФ имени адмирала С.О. Макарова, 2017. — С. 136-141.

44. Дерябин, В. В. Использование нейронных сетей для стабилизации судна на траектории // Вестник государственного университета морского и речного флота имени адмирала С.О. Макарова. — 2018. — Т. 10. — № 4. — С. 665 — 678.

45. Дерябин, В. В. Использование нейронных сетей при построении модели счисления пути судна / Дерябин В. В. // Материалы XVII конференции молодых ученых «Навигация и управление движением»; научн. редактор д.т.н. О. А.

Степанов; под общ. ред. академика РАН В. Г. Пешехонова. — СПб.: ЦНИИ Электроприбор, 2015. — С. 127-136.

46. Дерябин, В. В. Исследование отказоустойчивости нейросетевой системы счисления пути судна / В. В. Дерябин // Транспорт: наука, техника, управление. — 2015. — № 9 — С. 46-51.

47. Дерябин, В. В. Модель движения судна в горизонтальной плоскости / В.В. Дерябин // Транспортное дело России. — 2013. — № 6(109). — С. 60-67.

48. Дерябин, В. В. Модель счисления пути судна в условиях воздействия внешних факторов / В. В. Дерябин // Эксплуатация морского транспорта. — 2011. — № 1(63) — С. 33-39.

49. Дерябин, В. В. Нейрокогнитивный подход к созданию системы определения счислимого местоположения судна // Технологии построения когнитивных транспортных систем. Материалы Всероссийской научно-практической конференции. 30-31 мая 2018 г. — СПб.: ИПТ РАН, 2018. — С. 87-93.

50. Дерябин, В. В. Нейро-нечёткая модель счисления пути судна / А. Е. Сазонов,

B. В. Дерябин // Вестник государственного университета морского и речного флота имени адмирала С.О. Макарова. — 2015. —Вып.4(32) — С. 7-16.

51. Дерябин, В. В. Нейронная сеть как алгоритм прогноза скорости дрейфа судна / В. В. Дерябин // Вестник компьютерных и информационных технологий. — 2015. —№6(132) — С. 11-17.

52. Дерябин, В. В. Нейронная сеть как предиктор счислимых координат судна / Дерябин В. В. // Сборник научных трудов профессорско-преподавательского состава Государственного университета морского и речного флота имени адмирала С. О. Макарова: сб. науч. ст. — СПб.: Изд-во ГУМРФ имени адмирала

C. О. Макарова, 2016. — С. 91-99.

53. Дерябин, В. В. Нейросетевая идентификация модели движения судна в условиях влияния внешних факторов / В. В. Дерябин // Транспортное дело России. — 2015. — № 1(116) — С. 73-77.

54. Дерябин В. В. Нейросетевая прогнозирующая модель для управления судном по траектории // Сборник научных статей национальной научно-практической

конференции профессорско-преподавательского состава ФГБОУ ВО «ГУМРФ имени адмирала С.О. Макарова» Том 1: 10 сентября - 20 октября 2018 года. -СПБ.: Изд.-во ГУМРФ имени адмирала С.О. Макарова, 2018. - С. 157-162.

55. Дерябин, В. В. Нейросетевой метод прогноза счислимых координат места судна / В. В. Дерябин // Транспортное дело России. — 2014. — № 6(115) — С. 92-96.

56. Дерябин В. В. Нейросетевой подход к созданию системы определения счислимого места судна // Вестник государственного университета морского и речного флота имени адмирала С.О. Макарова. — 2018. — Т. 10. — № 3. — С. 469-476.

57. Дерябин, В. В. Нейросетевые алгоритмы в задаче счисления пути судна / В. В. Дерябин // Наука и транспорт. — 2012. — №2 (2) — С. 32-34.

58. Дерябин, В. В. Нейросетевые системы прогноза скорости дрейфа судна / В.

B. Дерябин // Вестник государственного университета морского и речного флота имени адмирала С.О. Макарова. — 2015. —Вып.5(33) — С. 7-14.

59. Дерябин, В. В. Нечёткая модель прогноза скорости дрейфа судна / В. В. Дерябин // Вестник государственного университета морского и речного флота имени адмирала С.О. Макарова. — 2015. —Вып.3 (31) — С. 14-23.

60. Дерябин, В. В. О возможности построения нейронной сети, прогнозирующей координаты судна / Дерябин В. В. // Научно-техническая конференция профессорско-преподавательского состава, научных сотрудников и курсантов: тезисы докладов. — Ч.2. — СПб.: Изд-во ГМА им. адм. С.О. Макарова, 2012. —

C. 172-173.

61. Дерябин, В. В. О возможности применения нейронной сети при построении модели счисления пути судна / Дерябин В. В., Сазонов А. Е. // Научно-технический сборник Российского морского регистра судоходства. — 2010 — Вып. 33. — С. 229-246.

62. Дерябин, В. В. Обзор исследований, посвящённых использованию нейросетевых технологий в судовождении / В. В. Дерябин // Вестник

государственного университета морского и речного флота имени адмирала С.О. Макарова. — 2015. —Вып.6 (34) — С. 29-43.

63. Дерябин, В. В. Оценка точности нейросетевой системы счисления пути судна / В. В. Дерябин // Транспорт Российской Федерации. — 2015. — № 4(59) — С. 40-43.

64. Дерябин, В. В. Оценка точности решения системы двух линейных уравнений с двумя неизвестными / В. В. Дерябин // Эксплуатация морского транспорта. — 2010. — № 3(61) — С. 26-29.

65. Дерябин, В. В. Построение модели счисления пути судна на основе нейронной сети: дис. ... канд. техн. наук: 05.22.19 / Дерябин Виктор Владимирович. — СПб., 2011. — 136 с.

66. Дерябин, В. В. Построение модели счисления пути судна на основе нейронной сети / Дерябин В. В. // Материалы докладов XIII конференции молодых ученых «Навигация и управление движением». Науч. редактор д.т.н. О.А.Степанов. Под общ. ред. академика РАН В. Г. Пешехонова. — СПб.: ЦНИИ Электроприбор, 2011. — С. 107-114.

67. Дерябин, В. В. Построение модели счисления пути судна на основе нейронной сети / В. В. Дерябин // Эксплуатация морского транспорта. — 2010. — № 4(62) — С. 33-40.

68. Дерябин, В. В. Применение нейронной сети в модели счисления пути судна / В. В. Дерябин // Эксплуатация морского транспорта. — 2011. — № 3(65) — С. 20-27.

69. Дерябин, В. В. Прогноз счислимых координат судна на основе нейронных сетей / В. В. Дерябин // Транспортное дело России. — 2015. — № 4(119) — С. 159-165.

70. Дерябин, В. В. Прогнозирование скорости дрейфа судна на основе нейронной сети / В. В. Дерябин // Транспортное дело России. — 2014. — № 5(114) — С. 37.

71. Дерябин, В. В. Системы счисления пути судна на основе нейронных сетей / В. В. Дерябин // Транспортное дело России. — 2015. — № 5(120) — С. 137-142.

72. Дмитриев, С. П. Высокоточная морская навигация / С. П. Дмитриев. — СПб.: Судостроение, 1991. — 222 с.

73. Дмитриев, С. П. Задачи навигации и управления при стабилизации судна на траектории: научное издание / С. П. Дмитриев, А. Е. Пелевин. — СПб.: ГНЦ РФ ЦНИИ «Электроприбор», 2002. — 160 с.

74. Дорофеев, Е. А. Применение искусственных нейронных сетей для моделирования нестационарных аэродинамических характеристик / Е. А. Дорофеев, Д. И. Игнатьев, А. Н. Храбров // ТРУДЫ Московского физико-технического института (государственного университета). — 2011. — Том 3 (№ 3). — С. 64-72.

75. Дыда, А. А. Нейросетевая идентификация динамики морских подвижных объектов / А. А. Дыда, Е. А. Константинова // Научные проблемы транспорта Сибири и Дальнего Востока. — 2011. — №1. — С. 111-115.

76. Дыда, А. А. Нейросетевая идентификация нелинейной модели судна /А. А. Дыда, Е. А. Константинова, Д. А. Оськин // Научные проблемы транспорта Сибири и Дальнего Востока. — 2011. — №2. — С. 153-155.

77. Дьяконов, В. МАТЬАВ. Анализ, идентификация и моделирование систем. Специальный справочник / Владимир Дьяконов, Владимир Круглов. — СПб.: Питер, 2002. — 444 с.

78. Еремин, А. В. Алгоритм обучения многослойных нейронных сетей с несколькими выходными нейронными на основе минимизации ошибок выходных векторов / А. В. Еремин, В. П. Добрица // Нейрокомпьютеры: разработка, применение. — 2011. — №3. — С. 24-28.

79. Ефимов, Д. В. Адаптивная система управления с нейронной сетью. / Д. В. Ефимов, В. А. Терехов, И. Ю. Тюкин // Известия ЛЭТИ. Вып. 490. — СПб.: Изд-во СПбГЭТУ «ЛЭТИ», 1996. — С. 32-35.

80. Жеретинцева, Н. Н. Нейросетевой метод идентификации надводных объектов в решении задач автоматизации судовождения: дис. ... канд. техн. наук: 05.22.19 / Жеретинцева Наталья Николаевна. — Владивосток, 2008. — 27 с.

81. Жук, Ю. С. Нейропрогноз в сложных динамических средах / Ю. С. Жук, Ю. И. Нечаев // Нейрокомпьютеры: разработка, применение. — 2009. — №11. — С. 3-11.

82. Зайцев, А. В. Построение нейросетевой системы управления летательным аппаратом на внеатмосферном участке / А. В. Зайцев, А. В. Семенов, И.А. Дуков // Нейрокомпьютеры: разработка и применение. — 2008. — № 7. — С. 72-75.

83. Зайченко, И. В. Разработка и исследование нечётких систем управления сложными подвижными объектами: дис. ... канд. техн. наук: 05.13.06 / Зайченко Илья Владимирович. — Комсомольск-на-Амуре, 2011. — 200 с.

84. Звягин, П. Н. Нейросетевое управление морским динамическим объектом / П. Н. Звягин, Ю. И. Нечаев // Материалы 8-й Всероссийской научно-технической конференции «Нейроинформатика-2006». Часть 2. Москва, 2006 — М.: МИФИ, 2006. — С. 81-87.

85. Земнухов, Л. А. Исследование точности счисления пути морских транспортных судов: дис. ... канд. техн. наук: 05.22.16 / Земнухов Леонид Александрович. — Л., 1976. — 174, 1-ХХХШ с.

86. Змеу, К. В. Безмодельное прогнозирующее инверсное нейроуправление / К. В. Змеу, Б. С. Ноткин, П. А. Дьяченко // Мехатроника, автоматизация, управление. — 2006 — №9. — С. 8-15.

87. Иванова, Н. А. Факторы влияния на устойчивость режимов работы автомата обучения персептрона / Н. А. Иванова // Нейрокомпьютеры: разработка, применение. — 2009. — №10. — С. 40-45.

88. Игнатьев, В. В. Метод синтеза систем гибридного управления на основе объединения классической и нечеткой моделей объекта: дис. ... канд. техн. наук: 05.13.01, 05.13.06 / Игнатьев Владимир Владимирович. — Шахты, 2011 — 280 с.

89. Использование динамических расчётных сеток в нейросетевом методе взвешенных невязок для моделирования гидродинамических задач / А. В. Кретинин, Ю. А. Булыгин, В. А. Волгин, В. Н. Апасов // Нейрокомпьютеры: разработка и применение. — 2007. — № 9. — С. 33-39.

90. Каллан, Р. Основные концепции нейронных сетей / Роберт Каллан; перевод с англ. А. Г. Сивака. — М.: Издательский дом "Вильямс", 2003. — 287 с.

91. Калюжный, Д. А. Нейро-нечеткие модели при контроле посадки летательного аппарата в морских условиях / Д. А. Калюжный, Ю. И. Нечаев // Нейрокомпьютеры: разработка, применение. — 2009. — № 11. — С. 12-17.

92. Калюжный, Д. А. Нейро-нечеткий контроль динамики летательного аппарата при посадке в морских условиях / Д. А. Калюжный, Ю. И. Нечаев // Информационно-измерительные и управляющие системы. — 2009. — № 2. — С. 34-40.

93. Каргопольцев, А. В. Методика выбора параметров нелинейной системы управления самолетом с использованием искусственной нейронной сети для оптимизации пилотажных характеристик: дис. ... канд. техн. наук: 05.07.09 / Каргопольцев Алексей Владимирович. — Жуковский, 2006. — 202 с.

94. Клименко, А. В. Основные классы нечетких моделей и применяемые в них виды знаний / А. В. Клименко, А. В. Бобряков, М. М. Зернов // Нейрокомпьютеры: разработка, применение. — 2011. — №8. — С. 10-17.

95. Климов, Д. М. Инерциальная навигация на море / Д. М. Климов; отв. ред. А. Ю. Ишлинский. — М.: Наука, 1984. — 116 с.

96. Козлов, Д. В. Построение модели объекта с помощью радиально-базисных нейронных сетей // Д. В. Козлов, В. В. Крючков, С. А. Шопин. — Известия Тульского государственного университета. Технические науки. — 2010. — № 1. — С. 165-170.

97. Козлов, Д. С. Применение неоднородных NARX-сетей для обнаружения отказных ситуаций / Д. С. Козлов, Ю. В. Тюменцев // Нейрокомпьютеры: разработка, применение. — 2012. — № 9. — С. 13-22.

98. Кольцов, Ю. В. Подбор параметров модели авторегрессии проинтегрированного скользящего среднего слоисто-полносвязной нейронной сетью / Ю. В. Кольцов, В. В. Гарнага // Известия высших учебных заведений. Северо-Кавказский регион. Серия: Естественные науки. — 2004. — № 1. — С. 12-16.

99. Комарцова, Л. Г. Исследование генетических алгоритмов для обучения многослойного персептрона / Л. Г. Комарцова, Д. С. Кадников // Нейрокомпьютеры: разработка, применение. — 2010. — №12. — С. 12-19.

100. Компьютерное моделирование систем управления движением морских подвижных объектов / Е. И. Веремей, В. М. Корчанов, М. В. Коровкин, С. В. Погожев — СПб: НИИ Химии СПбГУ, 2002. — 370 с.

101. Кондратьев, А. И. Нейросетевое адаптивное отказоустойчивое управление движением маневренного самолёта / А. И. Кондратьев, Ю. В. Тюменцев // Труды XII Всероссийской научно-технической конференции Нейроинформатика —

2010. Часть 2. Москва, 2010 — М.: МИФИ, 2010. — С. 262-273.

102. Кондрашихин, В. Т. Теория ошибок и её применение к задачам судовождения / В. Т. Кондрашихин. — М.: Транспорт, — 1969. — 256 с.

103. Константинова, Е. А. Влияние помех на точность нейросетевой идентификации модели судна / Е. А. Константинова // Научные проблемы транспорта Сибири и Дальнего Востока. — 2011. — №2. — С. 149-152.

104. Константинова, Е. А. Нейросетевая идентификация динамики судна по модели Номото / Константинова Елена Анатольевна // Сборник докладов 59-й международной молодежной научно-технической конференции «МОЛОДЁЖЬ-НАУКА-ИННОВАЦИИ» 23-25 ноября. Том 1. — Владивосток: Мор. гос. ун-т,

2011. — С. 144-146.

105. Константинова, Е. А. Системы управления движением морских судов на основе рекуррентных нейросетевых моделей: автореф. дис. ... канд. техн. наук: 05.22.19 / Константинова Елена Анатольевна. — Владивосток, 2012. — 21 с.

106. Круглов, В. В. Гибридные нейронные сети / В. В. Круглов, В. В. Борисов. — Смоленск: Русич, 2001. — 223 с.

107. Круглов, В. В. Искусственные нейронные сети. Теория и практика / В. В. Круглов, В. В. Борисов. — 2-ое изд., стереотип. — М.: Горячая линия - Телеком, 2002. — 382 с.

108. Круглов, И. А. Нейросетевая обработка данных для плохо обусловленных задач идентификации моделей объектов: дис. ... канд. техн. наук: 05.13.01 / Круглов Игорь Александрович. — Москва, 2013. — 151 с.

109. Кузнецов, Б. И. Синтез нейросетевого регулятора NARMA-L2 CONTROLLER для системы наведения и стабилизации / Б. И. Кузнецов, Т. Е. Василец, А. А. Варфоломеев // Електротехшка i Електромехашка. — 2011. — №4. — С. 41-46.

110. Лащев, А. Я. Синтез алгоритмов обучения нейронных сетей / А. Я. Лащев, Д.

B. Глушич // Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение» НКП — 2002 с международным участием. Москва, 21-22 марта 2002 г. — М.: Институт проблем управления им. В. А. Трапезникова РАН, 2002.

— С. 997-999.

111. Лейбов, Р. Л. Линейная модель, дополненная нелинейной нейронной сетью / Р. Л. Лейбов // Нейрокомпьютеры: разработка и применение. — 2006. — №2 3. —

C. 34-38.

112. Лейбов, Р. Л. Обнаружение и локализация постепенных отказов объекта управления с помощью нелинейной нейронной сети / Р. Л. Лейбов // Нейрокомпьютеры: разработка, применение. — 2006. — №10. — С. 72-79.

113. Лейбов, Р. Л. Кусочно-линейный регулятор, дополненный нелинейной нейронной сетью / Р. Л. Лейбов // Нейрокомпьютеры: разработка, применение.

— 2006. — №4-5. — С. 122-128.

114. Леоненков, А. В. Нечеткое моделирование в среде MATLAB и fuzzyTECH / Александр Леоненков — СПб.: БХВ-Петербург, 2005. — X, 719 с.

115. Лок, Х. Синтез адаптивных систем управления нелинейными динамическими объектами на базе нечетких регуляторов и нейросетевой технологии: дис. ... д-ра техн. наук: 05.13.01 / Хо Дак Лок . — Москва, 2002. — 237 с.

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

117. Лукомский, Ю. А. Управление морскими подвижными объектами / Ю.А. Лукомский, В. М. Корчанов. — СПб.: Элмор, 1996. — 318 с.

118. Макаров, Г. Н. Нейроуправление двумерного динамического объекта / Г. Н. Макаров // Нейрокомпьютеры: разработка, применение. — 2009. — №10. — С. 52-56.

119. Макаров, Г. Н. Нейроуправление нелинейного динамического объекта / Г. Н. Макаров, Д. А. Ухналев // Приборы и системы. Управление, контроль, диагностика. —2009. — №11. — С. 14-18.

120. Маршаков, Д. В. Нейросетевая идентификация динамики манипулятора [электронный ресурс] / Д. В. Маршаков, О. Л. Цветкова, А. Р. Айдинян // Инженерный вестник Дона (электронный научный журнал). — 2011. — № 3. — Режим доступа: http://www.ivdon.ru/magazine/archive/n3y2011/504.115 (дата обращения: 27.05.2015)

121. Минский, М. Персептроны / М. Минский, С. Пейперт. Пер. с англ. Г. Л. Гимельфарба и В. М. Шарыпанова; Под ред. В. А. Ковалевского — М.: Мир, 1971. — 261 с.

122. Михайлин, Д. А. Нейросетевая система управления посадкой самолетного типа для беспилотного летательного аппарата: дис. ... канд. техн. наук: 05.13.01 / Михайлин Денис Александрович. — Москва, 2009. — 99 с.

123. Нейросетевые системы управления / В. А. Терехов, Д. В. Ефимов, И. Ю. Тюкин, В. Н. Антонов. — СПб: Изд.-во С.-Петербургского госуниверситета, 1999. — 264 с.

124. Нечаев, Ю. И. Методологические основы построения системы нейро-нечёткого управления при движении судна во льдах / Ю. И. Нечаев // Нейрокомпьютеры: разработка и применение. — 2006. — № 6. — С. 31-42.

125. Нечаев, Ю. И. Нейронечеткая система поддержки принятия решений при оценке поведения сложного динамического объекта / Ю. И. Нечаев // Научная сессия МИФИ-2008. Х Всероссийская научно-техническая конференция «Нейроинформатика-2008»: Лекции по нейроинформатике. Часть 2. — М.: МИФИ, 2008. — С. 97-164.

126. Нечаев, Ю. И. Оперативный контроль мореходных качеств судна в штормовых условиях / Ю. И. Нечаев, А. Д. Пипченко // Искусственный интеллект. — 2008. — № 4. — С. 265-273.

127. Нугаев, И. Ф. Нейросетевая аппроксимация траектории движения многомерного динамического объекта с регуляризацией на основе прогнозирующей модели / И. Ф. Нугаев, Р. В. Искужин, Е. В. Яшин // Нейрокомпьютеры: разработка, применение. — 2013. — №6. — С. 21-25.

128. Осипов, В. Ю. Нейронная сеть с прошедшим, настоящим и будущим временем / В. Ю. Осипов // Информационно-управляющие системы. — 2011. — №4. — С. 30-33.

129. Осовский, С. Нейронные сети для обработки информации / Станислав Осовский; пер. с пол. И. Д. Рудинского — М.: Финансы и статистика, 2002. — 343 с.

130. Павловский, В. Е. Нейросетевая система счисления пути и определения ориентации шагающего робота / В. Е. Павловский, А. Ю. Серов // Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение» НКП — 2002 с международным участием. Москва, 21-22 марта 2002 г. — М.: Институт проблем управления им. В. А. Трапезникова РАН, 2002. — С. 336-342.

131. Пархоменко, С. С. О сокращении времени обработки большого количества данных нейронными сетями методом Левенберга-Марквардта / Пархоменко С. С. // Международный научно-исследовательский журнал. — 2014. — №1-1(20). — С. 80-83.

132. Перевозчиков, А. С. Сравнение численного и аналитического решения в задаче прогнозирующего управления с нейросетевой моделью / А. С. Перевозчиков, И. А. Шипитько, К. В. Змеу // Вологдинские чтения. — 2004. — № 38 (1). — С. 225-227.

133. Першиц, Р. Я. Управляемость и управление судном / Р. Я. Першиц — Л.: Судостроение, 1983. — 272 с.

134. Пипченко, А. Д. Разработка робастного регулятора курса судна на базе теории искусственных нейронных сетей / А. Д. Пипченко // Проблемы техники.

— 2013. — №1.— С. 137-142.

135. Пирожинский, Ю. Н. Об оценке точности определения счислимых координат судна / Ю. Н. Пирожинский // Труды ЦНИИМФ. "Автоматизация транспортных судов". — 1977. — вып. 228. — С. 34-37.

136. Подпорин, С. А. Использование нейро-нечётких контроллеров в системах управления движением морских судов / С. А. Подпорин // Збiрник науковых праць Харювського ушверситету Повггряних Сил. — 2012. — № 4(33). — С. 181-187.

137. Применение теоретико-информационного подхода в задаче обучения многослойного персептрона / О. А. Морозов, П. Е. Овчинников, Ю. А. Семин, В. Р. Фидельман // Нейрокомпьютеры: разработка, применение. — 2011. — №3.

— С. 29-33.

138. Прохоров, С. А. Математическое описание и моделирование случайных процессов: монография / С. А. Прохоров. — Самара: Самар. гос. аэрокосм. ун-т, 2001. — 209 с.

139. Пугачев, В. С. Стохастические дифференциальные системы. Анализ и фильтрация / В. С. Пугачев, И. Н. Синицын. — 2-е изд., доп. — М.: Наука, 1990.

— 630 с.

140. Резниченко, В. И. Комплексирование спутниковых и автономных навигационных средств морских объектов / В. И. Резниченко, В. И. Лапшина // Навигация и гидрография. — 2003. — №16. — С. 58-63.

141. Родионов, А. И. Автоматизация судовождения / А. И. Родионов, А. Е. Сазонов — М.: Транспорт, 1992. — 192 с.

142. Ротштейн, А. П. Влияние методов деффазификации на скорость настройки нечеткой модели / Ротштейн А. П., Штовба С. Д. // Кибернетика и системный анализ. — 2002. — №5. — С. 169-176.

143. Рудой, Г. И. Выбор функции активации при прогнозировании нейронными сетями / Г. И. Рудой // Машинное обучение и анализ данных. — 2011. — т.1(№1).

— С. 16-39.

144. Савельев, А. В. Общая теория самоорганизационного нейроуправления / А.

B. Савельев // Нейрокомпьютеры: разработка, применение. — 2013. — №5. —

C. 3-13.

145. Садыхов, Р. А. Интерполяция поверхностей нейронными сетями / Р. А. Садыхов, В. Ф. Неронов // Вопросы теории безопасности и устойчивости систем.

— 2007. — №9. — С. 85-93.

146. 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. — Вып.3(22) — С. 6-13.

147. Седов, В. А. Зависимость ошибки обучения нейронной сети при моделировании судна как объекта управления от погодных условий эксплуатации / В. А. Седов, Н. А. Седова, С. В. Глушков // Нейроинформатика, её приложения и анализ данных: материалы XVII Всеросс. Семинара, 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.137-139.

148. Седова, Н. А. Интеллектуальная система автоматического управления судном по курсу: дис. ... канд. техн. наук: 05.22.19 / Седова Нелли Алексеевна.

— Владивосток, 2009. — 22 с.

149. Седова, Н. А. Нечеткая продукционная модель первичной оценки опасности столкновения судов / Нелли Седова // Мир транспорта. — 2015. — том 13 (№2).

— С. 200-206.

150. Седова, Н. А. 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.

151. Сенашова, М. Ю. Оценки погрешностей сигналов в нейронных сетях / М. Ю. Сенашова // Вычислительные технологии. — 2000. — том 5(№3). — С. 83-109.

152. Сергиенко, А. Б. Алгоритмы адаптивной фильтрации: особенности реализации в МАТЬАБ / А. Б. Сергиенко // Математика в приложениях. — 2003. — №1(1). — С. 18-28.

153. Сигеру, О. Нейроуправление и его приложения. Кн. 2 / Сигеру Омату, Марзуки Халид, Рубия Юсоф; пер. с англ. Н. В. Батина; под общ. ред. А. И. Галушкина и В. А. Птичкина. — М.: ИПРЖР, 2000. — 271 с.

154. Сиек, Ю. Л. Нейросетевая аппроксимация нечеткого алгоритма управления подводным аппаратом / Ю. Л. Сиек // Нейрокомпьютеры: разработка и применение. — 2006. — № 6. — С. 22-30.

155. Сиек, Ю. Л. Нечетко-нейросетевой подход к моделированию управляемой динамики морских объектов / Ю. Л. Сиек, М. Л. Соэ // Нейрокомпьютеры: разработка и применение. — 2009. — №11. — С. 18-27.

156. Синергетика и нейросетевые системы управления курсом судна: монография / В. И. Богданов, Я. Л. Виткалов, С. В. Глушков, А. С. Потапов. — СПб.: Питер, 2006. — 204 с.

157. Сотников, И. И. Математические модели, вычислительные схемы анализа и компьютерное моделирование движения судна: дис. ... канд. техн. наук: 05.13.18 / Сотников Игорь Игоревич. — Мурманск, 2007. — 200 с.

158. Справочник по теории корабля: в трех томах. Том 1. Гидромеханика. Сопротивление движению судов. Судовые движители / Под ред. Я. И. Войткунского. — Л.: Судостроение, 1985. — 764 с.

159. Справочник по теории корабля: в трех томах. Том 2. Статика судов. Качка судов / Под ред. Я. И. Войткунского. — Л.: Судостроение, 1985. — 440 с.

160. Справочник по теории корабля: в трех томах. Том 3. Управляемость водоизмещающих судов. Гидродинамика судов с динамическими принципами поддержания / Под ред. Я. И. Войткунского. — Л.: Судостроение, 1985. — 539 с.

161. Стасевич, В. П. Новый принцип построения самообучаемых нейросетей / Стасевич В. П., Шумков Е. А. // Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение» НКП — 2002 с международным

участием. Москва, 21-22 марта 2002 г. — М.: Институт проблем управления им. В. А. Трапезникова РАН, 2002. — С. 1037-1040.

162. Степанов, О. А. Нейросетевые алгоритмы в задаче нелинейного оценивания. Взаимосвязь с байесовским подходом / О. А. Степанов // Навигация и управление движением: материалы докладов XI конференции молодых ученых / Под общей редакцией В. Г. Пешехонова; научный редактор О. А. Степанов. — СПб.: ЦНИИ Электроприбор, 2009. — С. 39-65.

163. Степанов, О. А. Нечёткие и байесовские алгоритмы в задаче нелинейного оценивания / О. А. Степанов, А. В. Осипов, В. А. Васильев // Гироскопия и навигация. — 2009. — № 1 (64). — С. 22-35.

164. Степанов, О. А. Применение нейронных сетей в нелинейных задачах обработки навигационной информации / О. А. Степанов, О. С. Амосов // Гироскопия и навигация. — 2006. — №3(54). — С. 99.

165. Студеникин, Д. Е. Прогнозирование параметров движения судна на основе нечеткой логики: дис. ... канд. техн. наук: 05.22.19 / Студеникин Дмитрий Евгеньевич. — Новороссийск, 2012. — 150 с.

166. Тарасов, А. Н. Анализ точности счисления / А. Н. Тарасов // Труды ЦНИИМФ. — 1967. — вып. 83. — С. 26-32.

167. Тархов, Д. А. Нейронные сети как средство математического моделирования / Д. А. Тархов // Нейрокомпьютеры: разработка и применение. — 2006. — № 2. — С. 1-49.

168. Тархов, Д. А. Нейронные сети. Модели и алгоритмы / Д. А. Тархов. — М.: Радиотехника, 2005. — 253 с.

169. Тархов, Д. А. Об использовании методов нейронных сетей для одного жесткого уравнения первого порядка / Д. А. Тархов, Т. В. Лазовская // Проблемы информатики в образовании, управлении, экономике и технике: сб. статей XIV Международной научно-технической конференции. 13-14 ноября 2014 г. — Пенза: Приволжский Дом знаний, 2014. — С. 171-175.

170. Тюкин, И. Ю. Нейросетевое решение задачи синтеза адаптивного регулятора для класса нелинейных динамических объектов с невыпукло параметризованной

моделью / И. Ю. Тюкин, В. А. Терехов // Нейрокомпьютеры: разработка и применение. — 2004. — №№ 7-8. — С. 4-16.

171. Усков, А. А. Интеллектуальные системы управления на основе методов нечеткой логики / А. А. Усков, В. В. Круглов. — Смоленск: Смоленская городская типография, 2003. — 176 с.

172. Усков, А. А. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика / А. А. Усков, А. Б. Кузьмин — М.: Горячая линия - Телеком, 2004. — 143 с.

173. Файзрахманов, Р. А. Решение задачи идентификации нелинейного дискретного динамического объекта с использованием многослойной нейронной сети / Р. А. Файзрахманов, И. Н. Липатов, Е. В. Долгова // Нейрокомпьютеры: разработка, применение. — 2013. — №11. — С. 89-95.

174. Хайкин, С. Нейронные сети. Полный курс / Саймон Хайкин; [пер. с англ. Н. Н. Куссуль, А. Ю. Шелестова; под ред. Н. Н. Куссуль] - М.: Издательский дом "Вильямс", 2006. — 1103 с.

175. Хаскинд, М. Д. Гидродинамическая теория качки корабля/ М. Д. Хаскинд -М.: Наука, 1973. — 327 с.

176. Червяков, Н. И. Определение оптимальной структуры нейронной сети динамической модели / Н. И. Червяков, Т. А. Рудакова // Нейрокомпьютеры: разработка и применение. — 2008. — № 9. — С. 60-65.

177. Червяков, Н. И. Сравнение алгоритмов обучения нейросетевой модели управления динамическими системами / Н. И. Червяков, Т. А. Рудакова, С. Ю. Щербина // Нейрокомпьютеры: разработка и применение. — 2008. — №1-2. — С. 57-63.

178. Чечурин, А. В. Методика нейроуправления иерархической системой в условиях конфликта и неопределенности: дис. ... канд. техн. наук: 05.13.01 / Чечурин Алексей Викторович. — Москва, 2012. — 117 с.

179. Чижиумов, С. Д. Математическая модель динамики судна на волнении / С.Д. Чижиумов // Учёные записки Комсомольского-на-Амуре государственного технического университета. — 2010. - № I — 1 (1). — С. 132-139.

180. Чижиумов, С. Д. Численные модели в задачах динамики судна / Чижиумов С. Д. — Владивосток: Изд-во Дальневосточ. ун-та, 1999. — 182 с.

181. Шепелев, И. Е. Модель нейронной сети с преднастройкой для решения задач формирования сенсомоторной координации робота-манипулятора: дис. ... канд. техн. наук: 05.13.18 / Шепелев Игорь Евгеньевич. — Ростов-на-Дону, 2004. — 134 с.

182. Щербаков, М. В. Разработка нейросетевой модели формирования управлений системами с последействием в условиях информационной неопределенности: дис. ... канд. техн. наук: 05.13.01/ Щербаков Максим Владимирович. — Волгоград, 2004. — 149 с.

183. Эмпирическая оценка вычислительной устойчивости и отказоустойчивости бортовых вычислителей стереоскопических навигационных систем / Г. М. Алакоз, И. Н. Белоглазов, М. М. Коллеганов, Р. В. Светлов // Нейрокомпьютеры: разработка, применение. — 2011. — №3. — С. 34-46.

184. A fuzzy inference system for wind-wave modeling / Georgios Sylaios, Frederic Bouchette, Vassilios A. Tsihrintzis, Clea Denamiel // Ocean Engineering. — 2009. — Vol. 36 (Issues 17-18). — P. 1358-1365.

185. Abramowski, T. Application of artificial neural networks to assessment of ship manoeuvrability qualities / Tomasz Abramowski // Polish Maritime Research. — 2008. — Vol.15. — 2(56). — P. 15-21.

186. Accelerating the Convergence of the Back-Propagation Method / T. P. Vogl, J. K. Mangis, A. K. Rigler, W. T. Zink, and D. L. Alkon // Biological Cybernetics. — 1988. — Vol. 59 (issue 4-5). — P. 257-263.

187. Aldair, A. A. Self Learning Fuzzy Logic Controller for Ship Steering System /Ammar A. Aldair // Iraq J. Electrical and Electronic Engineering. — 2012. — Vol. 8 (1). — P. 25-34.

188. Applications of Recursive Neural Network Technologies to Hydrodynamics / W. Faller, D. Hess, W. Smith, T. Huang // Twenty-Second Symposium on Naval Hydrodynamics: proceedings. — Washington, D.C.: NATIONAL ACADEMY PRESS — 1999. — P. 708-723.

189. Broomhead, D. S. Multivariate functional interpolation and adaptive networks / D. S. Broomhead, David Lowe // Complex Systems. — 1988. — Vol. 2 (3). — P. 321355.

190. Burns, R. A neural-network approach to the control of surface ships / R. Burns, R. Richter // Control Engineering Practice. — 1996. — Vol. 4 (3). — P. 411-416.

191. Cao, Y. Application of Neural Network Predictor/Controller to Dynamic Positioning of Offshore Structures [electronic] / Yusong Cao, Zhengquan Zhou and William S. Vorus // Proceedings of Dynamic Positioning Conference, Houston, October 17-18, 2000. http://dynamic-positioning.com/proceedings/dp2000/tech cao.pdf (date of view: 20.09.2015)

192. Castro, J. L. Fuzzy logic controllers are universal approximators / J. L. Castro // IEEE Transactions on Systems, Man and Cybernetics. — 1995. — Vol. 25 (4). — P. 629-635.

193. Charalambous, C. Conjugate gradient algorithm for efficient training of artificial neural networks / C. Charalambous // IEE Proceedings G — Circuits, Devices and Systems. — 1992. — Vol. 139 (3). — P. 301-310.

194. Cybenko, G. Approximation by Superpositions of a Sigmoidal Function / G. Cybenko // Mathematics of Control, Signals, and Systems. — 1989. — Vol. 2(4). — P. 303-314.

195. Deryabin, V.V. A Vessel's Dead Reckoning Position Estimation by Using of Neural Networks / Victor V. Deryabin and Anatoly E. Sazonov // Advances in Intelligent Systems and Computing: Proceedings of the Third International Scientific Conference "Intelligent Information Technologies for Industry" (IITI, 18): Volume 1. - 2019. - Vol. 874. - P. 493- 502.

196. Ding, Y. Necessary conditions on minimal system configuration for general MISO Mamdani fuzzy systems as universal approximators / Yongsheng Ding, Hao Ying, Shihuang Shao // IEEE Transactions on Systems, Man, and Cybernetics — Part. B. Cybernetics. — 2000. — Vol. 30 (6). — P. 857-864.

197. Dyda, A. Underwater robot intelligent control based on multilayer neural network / Alexander A. Dyda, Dmitry A. Os'kin // IFAC proceedings volumes. — 2010. — Vol. 43 (20). — P. 179-183.

198. Ebada, A. Applying Neural Networks to Predict Ship Turning Manoeuvre Track / Adel Ebada and Moustafa Abdel-Maksoud // 8th Numerical Towing Tank Symposium, 2-4 October 2005,Varna/Bulgaria. — Varna: Bulgarian Ship Hydrodynamics Centre, 2005. — P.(8-1)-(8-6).

199. Ebada, A. Intelligent techniques-based approach for ship maneuvering simulations and analysis (Artificial Neural Networks Application): Doktor-Ing. genehmigte Dissertation, Institute of Ship Technology und Transport Systems / Adel Ebada. -Duisburg, 2007. — XXVIII, 156 p.

200. Ebada, A. Prediction of ship turning manoeuvre using Artificial Neural Networks (ANN) / Adel Ebada and Moustafa Abdel-Maksoud // Proceedings of COMPIT'06. 5th International Conference on Computer Applications and Information Technology in the Maritime Industries, 8-10 May 2006, Oegstgeest, The Netherlands / Ed. By Dr. H. T. Grimmelius. — Delft: IMarEST Benelux Branch, 2006. — P. 127-145.

201. El-Tahan, H. Development and Field Testing of a Neural Network Ship predictor System (SPS) / H. El-Tahan. — St. John's: Coretec Inc., 1999. — 44 p.

202. Foresee, F. D. Gauss-Newton approximation to Bayesian learning / F. Dan Foresee and Martin T. Hagan // The 1997 IEEE International Conference on Neural Networks. June 9-12, 1997, Houston, USA Vol.3 — NJ.: IEEE, 1997. — P. 1930-1935.

203. Fossen, T. I. Guidance and control of ocean vehicles / Thor. I. Fossen. — Chichester: John Wiley & Sons Ltd, 1994. — XIV, 480 p.

204. Fossen, T. I. Handbook of Marine Craft Hydrodynamics and Motion Control / Thor. I. Fossen. — Chichester: John Wiley & Sons Ltd, 2011. — XVIII, 575 p.

205. Funahashi, K. On the approximate realization of continuous mappings by neural networks / Ken-Ichi Funahashi // Neural Networks. — 1989. — Vol. 2 (3). — P. 183192.

206. Girosi, F. Netwoks and the best approximation property / F. Girosi and T. Poggio // Biological Cybernetics. — 1990. — Vol. 63(3). — P. 169-176.

207. Guoqing, X. Adaptive Filtering Backstepping for Ships Steering Control without Velocity Measurements and with Input Constraints / Guoqing Xia, Huiyong Wu, and Xingchao Shao // Mathematical Problems in Engineering. — 2014 — Vol. 2014. — 9 p. — Article ID 218585.

208. Hagan, M. T. Neural Network Design / Martin T. Hagan, Howard B. Demuth, Mark Beale. — Boston: PWS Publishing, 1996. — 733 p.

209. Hagan, M. T. Neural Networks for Control / M. T. Hagan, H. B. Demuth // Proceedings of the 1999 American Control Conference. San Diego: CA. Volume 3. — NJ.: IEEE, 1999. — P. 1642-1656.

210. Hagan, M. T. Chapter 12. Training Recurrent Networks for Filtering and Control. // Recurrent Neural Networks: Design and Applications/ Martin T. Hagan, Orlando De Jesús, Roger Schultz. — Boca Raton: CRC Press, 1999. — P. 325-354.

211. Handbook of Intelligent Control: Neural, Fuzzy and Adaptive Approaches / Ed. David A. White, Donald A. Sofge. — NY.: Van Nostrand Reinhold, 1992. — XIX, 568 p.

212. Haykin, S. Adaptive Filter Theory / Simon Haykin. — NJ.: Pearson, 2014. — XVII, 889 p.

213. Haykin, S. Neural Networks and Learning Machines, 3rd ed. / Simon Haykin. — NY.: Prentice Hall, 2009. — XXX, 906 p.

214. Hearn, G. E. Comparison of SISO and SIMO neural control strategies for ship track keeping / G. E. Hearn, Y. Zhang, P. Sen // IEE Proceedings. Control Theory and Applications. — 1997. — Vol.144 (2). — P. 153-165.

215. Hess, D. E. Simulation of Ship Maneuvers Using Recursive Neural Networks / D. Hess, W. Faller // Twenty-Third Symposium on Naval Hydrodynamics: proceedings. — Washington D. C.: NATIONAL ACADEMY PRESS, 2001. — P. 223-242.

216. Hess, D. E. Uncertainty Analysis Applied to Feed forward Neural Networks / David E. Hess, Robert F. Roddy, William E. Faller // Ship Technology Research — 2007. — Vol. 54 (3) — P. 114-124.

217. Hess, D. E. Using Recursive Neural Networks for Blind Predictions of Submarine Maneuvers / D. Hess and W. Faller // Twenty-Fourth Symposium on Naval

Hydrodynamics. — Washington D.C.: NATIONAL ACADEMIES PRESS, 2003. — P. 719-734.

218. Hornik, K. Multilayer Feedforward Networks are Universal Approximators / Kurt Hornik, Maxwell Stinchcombe, Halber White // Neural Networks. — 1989. — Vol. 2(5). — P. 359-366.

219. Investigation of Neural Networks for Function Approximation / Sibo Yang, T. O. Ting, K. L. Man and Sheng-Uei Guan // Procedia Computer Science. — 2013. — Vol. 17. — P. 586-594.

220. Jae, H. K. An improved dead reckoning scheme for a mobile robot using neutral networks / Jae H. Kim, Hyung S. Cho // Mechatronics. — 1993. — Vol. 3 (5). — P. 625-645.

221. Jwo, D. J. Neural network aided adaptive Kalman filter for GPS/INS navigation system design [electronic] / Dah-Jing Jwo, Jyh-Jeng Chen // Proceedings of 9th IFAC Workshop "Adaptation and learning in control and signal processing" (ALCOSP'07) .

— 2007. — URL: http://lib.physcon.ru/file?id=14f2438cd6d6. (date of view: 25.05.2015)

222. Kalman, R. E. A new approach to linear filtering and prediction problems / R. E. Kalman // Journal of Basic Engineering. — 1960. — № 82(1). — P. 35-45.

223. Khizer, A. N. Design of Heading Controller for Cargo Ship using Feed Forward Artificial Neural Network /Arbab Nighat Khizer, Dai Yaping, M. A. Unar // International Journal of Advancements in Computing Technology (IJACT). — 2013.

— Vol. 5(9). — P. 556-566.

224. Kosko, B. Fuzzy Systems as Universal Approximators / Bart Kosko // IEEE Transactions on computers. — 1994. — Vol. 43(11). — P. 1329-1333.

225. KrishnaKumar, K. Adaptive neuro-control for spacecraft attitude control / K. KrishnaKumar, S. Rickard, S. Bartholomew // Neurocomputing. — 1995. — Vol. 9 (2). — P. 131-148.

226. Levenberg, K. A Method for the Solution of Certain Non-Linear Problems in Least Squares/ Kenneth Levenberg // Quarterly of Applied Mathematics. — 1944. — Vol. 2(2). — P. 164-168.

227. Mamdani, E. H. An experiment in linguistic synthesis with a fuzzy logic controller / E. H. Mamdani, S. Assilian // International Journal of Man-Machine Studies. — 1975. — Vol. 7 (1). — P. 1-13.

228. Mamdani, E. H. Application of fuzzy logic to approximate reasoning using linguistic synthesis / E. H. Mamdani // IEEE Transactions on Computers. — 1977. — vol. C-26(12). — P. 1182-1191.

229. Marquardt, D. W. An Algorithm for Least-Squares Estimation of Nonlinear Parameters / Donald W. Marquardt // Journal of the Society for Industrial and Applied Mathematics. — 1963. — Vol. 11(2). — P. 431-441.

230. Martins, P. Estimating Maneuvering and Seakeeping Characteristics with Neural Networks / Paulo Triunfante Martins, Victor Lobo // Oceans 2007 — Europe, Aberdeen, Scotland, 18-21 June 2007, Vol.1: proceedings of conf. — NJ.: IEEE, 2007.

— P. 1459-1463.

231. Moreira, L. Dynamic model of manoeuvrability using recursive neural networks / L. Moreira, C. Guedes Soares // Ocean Engineering. — 2003. — Vol. 30 (13). — P. 1669-1697.

232. Narendra, K. S. Identification and control of dynamical system using neural networks / Kumpati S. Narendra, Kannan Parthasarathi // IEEE Transactions on Neural Networks. — 1990. — Vol. 1 (1). — P. 4-27.

233. Neural network predictions of the 4-quadrant Wageningen propeller series: tech. rep. NSWCCD-50-TR-2006/004 / Robert F. Roddy, David. E. Hess, and Will Faller

— West Bethesda, Maryland: Naval Surface Warfare Center, Carderock Division, 2006. — 78 p.

234. Neural Network Steering Controller For A Ship / D. M. Pathan, T. Hussain, J. Daudpoto, I. A. Memon // Sindh University Research Journal (Science Series). — 2012. — Vol.44 (3). — P. 399-404.

235. Neuro-control systems: theory and applications / edited by Madan M. Gupta, Dandina H. Rao. — NY.: IEEE Press, 1994. — XV, 607 p.

236. Nguyen, D. Improving the learning speed of 2-layer neural networks by choosing initial values of the adaptive weights / Derrick Nguyen and Bernard Widrow // IJCNN,

International Joint Conference on Neural Networks. San Diego Marriott Hotel and Marina. Vol. 3: proceedings. — NJ.: IEEE, 1990. — P. 21-26.

237. Ning, W. A Novel Vessel Maneuvering Model via GEBF Based Fuzzy Neural Networks / Wang Ning, Wang Dan, Li Tieshan // 2012 31st Chinese Control Conference (CCC 2012); Hefei, China, 25-27 July 2012. Part 9: proceedings. —NJ.: IEEE, 2012. — P. 7026-7031.

238. Ozger, M. Prediction of wave parameters by using fuzzy logic approach / Mehmet Ozger, Zekai Sen // Ocean Engineering. — 2007. — Vol.34 (Issues 3-4). — P. 460469.

239. Park, J. Approximation and radial-basis-function networks / Jooyoung Park and Irwin W. Sandberg // Neural Computation. — 1993. — Vol. 5 (2) — P. 305-316.

240. Praczyk, T. Using evolutionary neural networks to predict spatial orientation of a ship / Tomasz Praczyk // Neurocomputing. — 2015. — Vol. 166. — P. 229-243.

241. Rigatos, G. Adaptive fuzzy control for the ship steering problem / Gerasimos Rigatos and Spyros Tzafestas // Mechatronics. — 2006. — Vol. 16 (8). — P. 479-489.

242. Rumelhart, D. E. Learning representations by back-propagating errors / D. E. Rumelhart, G. E. Hinton, R. J. Williams // Nature. — 1986. — Vol. 323 (6088). — P. 533-536.

243. Salmalian, K. ANFIS and Neural Network for Modeling and Prediction of Ship Squat in Shallow Waters / K. Salmalian, M. Soleimani // International journal of mathematical models and methods in applied sciences. — 2011. — Vol. 5(4). — P. 848-856.

244. Sankar, A. B. A New Self-Adaptive Neuro Fuzzy Inference System for the Removal of Non-Linear Artifacts from the Respiratory Signal / Bhavani Sankar A., D. Kumar and K. Seethalakshmi // Journal of Computer Science. — 2012. — 8(5). — P. 621-631.

245. Santos, M. A neuro-fuzzy approach to fast ferry vertical motion modeling / M. Santos, R. Lopez, J.M de la Cruz // Engineering Applications of Artificial Intelligence. — 2006. — Vol.19 (3). — P. 313-321.

246. Soloway, D. Neural generalized predictive control / D. Soloway, P.J. Haley // Proceedings of the 1996 IEEE International Symposium on Intelligent Control — NJ.: IEEE, 1996. — P. 277-282.

247. Solving partial differential equations by CNN / T. Roska [et al.] // Circuit theory and design. Proceedings of the 11th European conference ECCTD'93. Davos, 1993. Part 2. — Amsterdam: Elsevier, 1993. — P. 1477-1482.

248. Stankovic, A. M. Identification of Nonparametric Dynamic Power System Equivalents With Artificial Neural Networks / Aleksandar M. Stankovic, Andrija T. Saric, and Mirjana Milosevic // IEEE TRANSACTIONS ON POWER SYSTEMS. — 2003. — Vol. 18 (4). — P. 1478-1486.

249. Takagi, T. Fuzzy Identification of Systems and Its Applications to Modeling and Control / Tomohiro Takagi and Michio Sugeno // IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS. — 1985. — Vol. smc — 15 (1). — P. 116132.

250. Tanizawa, K. The state of the art on numerical wave tank / Katsuji Tanizawa // Fourth Osaka Colloquium on Seakeeping Performance of Ships, OC 2000 Seakeeping : Osaka, Japan, 17-21 October, 2000 — Osaka: 2000. — P. 95-114.

251. Tikk, D. A survey on universal approximation and its limits in soft computing techniques / Domonkos Tikk, Laszlo T. Koczy, Tamas D. Gedeon // International Journal of Approximate Reasoning. — 2003. — Vol. 33(2). — P. 185-202.

252. Valcic, M. Anfis Based Model for Ship Speed Prediction / Marko Valcic, Radovan Antonic, Vinko Tomas // Brodogradnja. — 2011. — 62 (4). — P. 373-382.

253. Velagic, J. Adaptive fuzzy ship autopilot for track-keeping / Jasmin Velagic, Zoran Vukic, Edin Omerdic // Control Engineering Practice. — 2003. — Vol. 11 (4). — P. 433-443.

254. Waclawek, P. A neural network to identify ship hydrodynamics coefficients / P.Waclawek // Marine Simulation and Ship Manoeuvrability: Proceedings of the international conference, MARSIM '96, Copenhagen, Denmark, 9-13 September 1996. — Rotterdam: A. A. Balkema, 1996. — P. 509-514.

255. Wang, L-X Fuzzy systems are universal approximators / L.-X. Wang // IEEE International Conference on Fuzzy Systems 1992, San-Diego, 8-12 March 1992. — NY.: IEEE, 1992. — P. 1163-1170.

256. Widrow, B. Adaptive Signal Processing / Bernard Widrow, Samuel D. Stearns. — NJ.: Prentice-Hall, 1985. — XVIII, 474 p.

257. Williams, R. A learning algorithm for continually running fully recurrent neural networks / Ronald J. Williams, David Zipser // Neural Computation. — 1989. — Vol. l(2) — P. 270-280.

258. Xu, T. A Novel Approach for Ship Trajectory Online Prediction Using BP Neural Network Algorithm / Tingting Xu, Xiaoming Liu, Xin Yang // Advances in information Sciences and Service Sciences (AISS). — 2012. — Vol.4 (11). — P. 271277.

259. Ying, H. General Takagi-Sugeno fuzzy systems are universal approximators / H. Ying // The 1998 IEEE International Conference on Fuzzy Systems Proceedings. IEEE World Congress on Computational Intelligence, May 4-May 9, 1998, Anchorage, Alaska, USA. Volume 1. — NJ.: IEEE, 1998, P. 819-823.

260. Yu, H. Advanced Learning Algorithms of Neural Networks: Ph.D. dissertation / Hao Yu. — Auburn, 2011. — XIV, 130 p.

261. Zak, B. Modeling of Underwater Vehicle's Movement Dynamics Using Neural Networks / Bogdan Zak // Control, modelling and simulation. Proceedings of the 11th WSEAS International Conference on Automatic Control, Modelling and Simulation (ACMOS '09). Istanbul, Turkey, May 30-June 1, 2009. — P. 269-274.

262. Zak, B. Modelling of Ship's Motion Using Artificial Neural Networks / Bogdan Zak, Zygmunt Kitowski, Jozef Malecki //Advances in Neural Networks and Applications — Danvers: World Scientific and Engineering Society Press, 2001. — P. 298-303.

Список иллюстративного материала

Номер Наименование иллюстрации Стр.

Рисунок 2.1 Кривая действия гребного винта В4-55 с шаговым отношением 1 34

Рисунок 2.2 Универсальная диаграмма для гребного винта В4-55 с шаговым отношением 1 34

Рисунок 2.3 Траектории движения судна в первом эксперименте 54

Рисунок 2.4 Траектории движения судна во втором эксперименте 55

Рисунок 2.5 Траектории движения судна в третьем эксперименте 55

Рисунок 3.1 Блок-схема алгоритма вариаций управляющих воздействий 63

Рисунок 3.2 Блок-схема алгоритма формирования учебных данных систем, моделирующих кинематику судна 69

Рисунок 3.3 Блок-схема алгоритма тестирования нейросетевых (нейро-нечётких) систем счисления пути судна 76

Рисунок 4.1 Общий вид нейронной сети 81

Рисунок 4.2 Погрешности интегрирования нейросети и метода Эйлера 87

Рисунок 4.3 Общий вид нейронной сети 89

Рисунок 4.4 Траектория судна при формировании образцов НС «Координаты» 90

Рисунок 4.5 Графики зависимости ошибки НС «Скорость» + НС «Координаты» при тестировании 94

Рисунок 4.6 Графики зависимости ошибки сети НС «Координаты» при тестировании 94

Рисунок 4.7 Блок-схема алгоритма настройки систем счисления пути судна, созданных на основе нейросетевых технологий 98

Рисунок 4.8 Блок-схема определения оптимального (по сходимости) алгоритма настройки нейронной сети, используемой для целей счисления пути судна 105

Рисунок 4.9 Общий вид нейронной сети 107

Рисунок 4.10 График процесса обучения 109

Рисунок 4.11 График процесса обучения 110

Рисунок 4.12 График процесса обучения 110

Рисунок 4.13 График процесса обучения 111

Рисунок 4.14 Распределение количества навигационных ситуаций по классам 114

Рисунок 4.15 Распределение наибольшего значения модуля невязки по классам 114

Рисунок 4.16 Распределение среднего значения модуля невязки по классам 115

Рисунок 4.17 Уменьшение невязки нейронной сетью в режиме интерполяции 116

Рисунок 4.18 График зависимости максимального модуля ошибки скорости дрейфа от номера цикла 120

Рисунок 4.19 График процесса обучения сети (первый способ) 121

Рисунок 4.20 График зависимости максимального модуля ошибки скорости дрейфа от номера цикла (второй способ) 122

Рисунок 4.21 График зависимости среднего значения наибольшего модуля ошибки скорости дрейфа от номера цикла (второй способ) 122

Рисунок 4.22 Распределение количества ситуаций по классам (второй способ) 124

Номер Наименование иллюстрации Стр.

Рисунок 4.23 Распределение наибольшего значения модуля невязки по классам 125

Рисунок 4.24 Распределение среднего значения максимума модуля невязки по классам 126

Рисунок 4.25 Уменьшение невязки нейронной сетью в режиме интерполяции 127

Рисунок 4.26 Общий вид нейронной сети 129

Рисунок 4.27 График зависимости максимального модуля ошибки скорости дрейфа от номера эпохи 130

Рисунок 4.28 График зависимости среднего модуля ошибки скорости дрейфа от номера эпохи 131

Рисунок 4.29 Уменьшение невязки нейронной сетью в режиме «интерполяции» 134

Рисунок 4.30 Схема системы распределённых вычислений скорости дрейфа судна 138

Рисунок 4.31 Сравнение отказоустойчивости системы распределённых параллельных вычислений и нейронной сети 145

Рисунок 4.32 Общий вид фокусированной нейронной сети прямого распространения с задержкой по времени 149

Рисунок 4.33 Геометрическая интерпретация компонент выходного сигнала нейронной сети 155

Рисунок 4.34 Общий вид нейронной сети 156

Рисунок 4.35 График зависимости наибольшего значения максимума модуля невязки на тестирующей выборке от номера эпохи 158

Рисунок 4.36 График зависимости среднего значения максимума модуля невязки на тестирующей выборке от номера эпохи 159

Рисунок 4.37 Уменьшение невязки нейронной сетью (эффективность) 160

Рисунок 4.38 График зависимости наибольшего значения максимума модуля невязки от номера эпохи (на тестовой выборке) 161

Рисунок 4.39 График зависимости среднего значения максимума модуля невязки от номера эпохи (на тестовой выборке) 162

Рисунок 4.40 Уменьшение невязки нейронной сетью (эффективность) 163

Рисунок 4.41 График зависимости наибольшего значения максимума модуля невязки на тестовой выборке от номера эпохи 164

Рисунок 4.42 График зависимости среднего значения максимума модуля невязки на тестовой выборке 165

Рисунок 4.43 Уменьшение невязки нейронной сетью (эффективность) 166

Рисунок 4.44 График зависимости наибольшего значения максимума модуля невязки на тестовой выборке от номера эпохи 167

Рисунок 4.45 График зависимости среднего значения максимума модуля невязки на тестовой выборке от номера эпохи 168

Рисунок 4.46 Уменьшение невязки нейронной сетью (эффективность) 169

Рисунок 4.47 График зависимости наибольшего значения максимума модуля невязки на тестовой выборке от номера эпохи 170

Рисунок 4.48 График зависимости среднего значения максимума модуля невязки на тестовой выборке от номера эпохи 171

Рисунок 4.49 Уменьшение невязки нейронной сетью (эффективность) 172

Рисунок 4.50 Характер изменения методических ошибок нейронной сети типа «ОЛ+ГК» и алгоритма Эйлера. Обозначения: НС — нейронная сеть, МЭ — метод Эйлера 181

Номер Наименование иллюстрации Стр.

Рисунок 4.51 Характер изменения методических ошибок нейронной сети типа «АЛ+ГК» и алгоритма Эйлера. Обозначения: НС — нейронная сеть, МЭ — метод Эйлера 181

Рисунок 4.52 Характер изменения методических ошибок нейронной сети типа «ИНС» и алгоритма Эйлера. Обозначения: НС — нейронная сеть, МЭ — метод Эйлера 182

Рисунок 5.1 Графики функций принадлежности термов лингвистической переменной Л 186

Рисунок 5.2 Общий вид нечёткой системы 187

Рисунок 5.3 Общий вид нейро-нечёткой системы 191

Рисунок 5.4 Графики процессов обучения (без классификации) 195

Рисунок 5.5 Графики процессов обучения (с классификацией) 195

Рисунок 5.6 Графики процессов обучения (без классификации) 197

Рисунок 5.7 Графики процессов обучения (с классификацией) 198

Рисунок 5.8 Графики процессов обучения (без классификации) 199

Рисунок 5.9 Графики процессов обучения (с классификацией) 200

Рисунок 5.10 Графики процессов обучения (без классификации) 201

Рисунок 5.11 Графики процессов обучения (с классификацией) 202

Рисунок 5.12 Графики процессов обучения (без классификации) 203

Рисунок 5.13 Графики процессов обучения (с классификацией) 204

Рисунок 5.14 Общий вид нейро-нечёткой модели 213

Рисунок 6.1 Псевдослучайные реализации прогнозируемых при помощи нейронной сети координат места судна 228

Рисунок 6.2 Зависимость удвоенной радиальной ошибки счисления от времени плавания 230

Рисунок 6.3 Общая схема прогнозирующей модели для проводки судна по заданному маршруту 234

Рисунок 6.4 Логико-информационная схема взаимосвязи методов 236

Перечень таблиц

Номер Наименование таблицы Стр.

Таблица 2.1 Параметры модели для т/х «Инженер Плавинский» с осадкой по летнюю грузовую марку 50-52

Таблица 2.2 Основные характеристики моделей судов 53

Таблица 2.3 Погрешности регулирования курса и частота вращения гребного винта в экспериментах 54

Таблица 2.4 Характеристики поворотливости судов 56

Таблица 2.5 Проверка адекватности работы блока волнения 57

Таблица 3. 1 Классы навигационных ситуаций 72

Таблица 3.2 Величины, характеризующие гидрометеорологическую ситуацию 73

Таблица 3.3 Параметры гармоник величин, характеризующих гидрометеорологическую ситуацию 74

Таблица 4.1 Дискретность и диапазон изменения сигналов 82

Таблица 4.2 Параметры обучения нейронной сети 83

Таблица 4.3 Результаты тестирования нейронной сети 84

Таблица 4.4 Результаты тестирования нейронной сети в режиме установившейся циркуляции судна 86

Таблица 4.5 Результаты тестирования НС «Координаты» 92

Таблица 4.6 Результаты тестирования системы «НС «Скорость» + НС « Координаты» 92

Таблица 4.7 Обучение при фиксированном числе итераций 101

Таблица 4.8 Обучение при фиксированном времени 102

Таблица 4.9 Промежутки возможных значений входных и выходных сигналов сети 108

Таблица 4.10 Результаты тестирования нейронной сети 112

Таблица 4.11 Границы промежутков возможных значений исходных величин 119