МЕТОД ТЕСТУВАННЯ НЕЙРОННОЇ МЕРЕЖІ ГЛИБОКОГО НАВЧАННЯ ДЛЯ РОЗРАХУНКУ ШЛЯХУ СУДНА В РІЗНИХ НАВІГАЦІЙНИХ СИТУАЦІЯХ
Ключові слова:
розрахунок шляху судна, точність, нейронні мережі глибокого навчання, імітаційна модель, тестування, навігаційні ситуації
Анотація
Метою статті є розробка методу тестування нейронної мережі глибокого навчання для розрахунку шляху судна для підвищення продуктивності відповідної числової моделі в різних навігаційних ситуаціях. Дослідження і розробка методів підвищення точності розрахунку мають велике значення для вирішення завдань мореплавання. Одним з підходів до підвищення точності чисел є використання нейронних мереж глибокого навчання. Нейронні мережі глибокого навчання здатні моделювати залежності з високою точністю і мають переваги в продуктивності порівняно з традиційними підходами. Однак розробка і тестування таких мереж в навігаційних завданнях вимагає додаткових досліджень, в першу чергу з точки зору врахування особливостей предметної області, а не загальновідомих підходів щодо тестування глибоких нейронних мереж в узагальненому сенсі. Представлений метод тестування нейронної мережі глибокого навчання для розрахунку шляху судна в різних навігаційних ситуаціях заснований на попередньому використанні імітаційної моделі руху судна, яка дозволяє моделювати різні навігаційні ситуації. Отримано три класи навігаційних ситуацій, які можна спостерігати в реальних умовах експлуатації судна. Для моделювання регулярних хвиль використовуються припущення лінійної теорії морських хвиль. Глибока нейронна мережа навчається на даних, отриманих з імітаційної моделі, і використовується для прогнозування траєкторії руху судна. Точність нейронної мережі оцінюється шляхом порівняння її прогнозів з траєкторією руху судна, отриманої з імітаційної моделі. Результати випробувань показали, що нейронна мережа може точно прогнозувати траєкторію руху судна в різних навігаційних ситуаціях. Метод може бути використаний для оцінки точності нейронних мереж глибокого навчання для розрахунку шляху судна в різних навігаційних ситуаціях.Завантаження
Дані про завантаження поки що недоступні.
Посилання
1. Baochun Qiu, Maofa Wang, Houwei Li, Li Ma, Xiuquan Li, Zefei Zhu, Fan Zhou, Development of hybrid neural network and current forecasting model based dead reckoning method for accurate prediction of underwater glider position, Ocean Engineering, Volume 285, Part 2, 2023.
2. Bartosz Czaplewski, Mariusz Dzwonkowski, A novel approach exploiting properties of convolutional neural networks for vessel movement anomaly detection and classification, ISA Transactions, Volume 119, 2022, Pages 1-16.
3. Jawhar Ghommam, Lamia Iftekhar, Maarouf Saad, Event-triggered path tracking control with obstacle avoidance for underactuated surface vessel compliant with COLREGs-constraints: Theory and experiments, Mechatronics, Volume 94, 2023.
4. Gwang-Hyeok Choi, Wonhee Lee, Tae-wan Kim, "Voyage optimization using dynamic programming with initial quadtree based route", Journal of Computational Design and Engineering, vol.10, no.3, pp.1185, 2023.
5. Hirotada Hashimoto, Yuuki Taniguchi, Michio Fujii, "A Case Study on Operational Measures for Avoiding Parametric Rolling", Contemporary Ideas on Ship Stability, vol.134, pp.307, 2023.
6. Ageliki Kytariolou, Nikos Themelis, "Ship routing optimisation based on forecasted weather data and considering safety criteria", Journal of Navigation, pp.1, 2023.
7. Michio Fujii, Hirotada Hashimoto, Yuuki Taniguchi, Eiichi Kobayashi, "Statistical validation of a voyage simulation model for ocean-going ships using satellite AIS data", Journal of Marine Science and Technology, 2019.
8. Chang, K. Y., Jan, G. E. and Parberry, I. (2003). A method for searching optimal routes with collision avoidance on raster charts. The Journal of Navigation, 56, 371–384.
9. Gkerekos, C. and Lazakis, I. (2020). A novel, data-driven heuristic framework for vessel weather routing. Ocean Engineering, 197, 106887.
10. Kobayashi E, Hashimoto H, Taniguchi Y, Yoneda S (2015) Advanced optimized weather routing for an ocean-going vessel. In: Proceedings of the 2015 international association of institutes of navigation world congress, Prague, pp 1–8.
2. Bartosz Czaplewski, Mariusz Dzwonkowski, A novel approach exploiting properties of convolutional neural networks for vessel movement anomaly detection and classification, ISA Transactions, Volume 119, 2022, Pages 1-16.
3. Jawhar Ghommam, Lamia Iftekhar, Maarouf Saad, Event-triggered path tracking control with obstacle avoidance for underactuated surface vessel compliant with COLREGs-constraints: Theory and experiments, Mechatronics, Volume 94, 2023.
4. Gwang-Hyeok Choi, Wonhee Lee, Tae-wan Kim, "Voyage optimization using dynamic programming with initial quadtree based route", Journal of Computational Design and Engineering, vol.10, no.3, pp.1185, 2023.
5. Hirotada Hashimoto, Yuuki Taniguchi, Michio Fujii, "A Case Study on Operational Measures for Avoiding Parametric Rolling", Contemporary Ideas on Ship Stability, vol.134, pp.307, 2023.
6. Ageliki Kytariolou, Nikos Themelis, "Ship routing optimisation based on forecasted weather data and considering safety criteria", Journal of Navigation, pp.1, 2023.
7. Michio Fujii, Hirotada Hashimoto, Yuuki Taniguchi, Eiichi Kobayashi, "Statistical validation of a voyage simulation model for ocean-going ships using satellite AIS data", Journal of Marine Science and Technology, 2019.
8. Chang, K. Y., Jan, G. E. and Parberry, I. (2003). A method for searching optimal routes with collision avoidance on raster charts. The Journal of Navigation, 56, 371–384.
9. Gkerekos, C. and Lazakis, I. (2020). A novel, data-driven heuristic framework for vessel weather routing. Ocean Engineering, 197, 106887.
10. Kobayashi E, Hashimoto H, Taniguchi Y, Yoneda S (2015) Advanced optimized weather routing for an ocean-going vessel. In: Proceedings of the 2015 international association of institutes of navigation world congress, Prague, pp 1–8.
Опубліковано
2023-09-15
Як цитувати
Dubynets O. Метод тестування нейронної мережі глибокого навчання для розрахунку шляху судна в різних навігаційних ситуаціях / O. Dubynets // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2023. – Т. 3 (73). – С. 32-36. – doi:https://doi.org/10.26906/SUNZ.2023.3.032.
Розділ
Автомобільний, річковий, морський та авіаційний транспорт
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
