Дерябин Виктор Владимирович — доктор технических наук, доцент
198035, Санкт-Петербург, ул. Двинская, 5/7
Deryabin, Viсtor V. — Dr. of Technical Sciences, associate professor
5/7 Dvinskaya Str., St. Petersburg 198035
Предложена модель определения места судна по рельефу дна на основе нейронной сети прямого распространения, удовлетворяющей условию универсальной аппроксимации. Рассматриваемая нейронная сеть имеет один скрытый слой с нейронами, обладающими функциями активации в виде гиперболического тангенса. Данная модель реализована для одномерного случая, соответствующего движению судна в узком канале или на фарватере. На вход сети поступает последовательность производных глубины (по координате), измеренной эхолотом. На выходе получается значение линейной координаты судна на момент определения последней производной глубины. Обучающая выборка содержит не только записи, полученные по результатам предполагаемых предварительных промеров, но и их зашумленные видоизменения, полученные при помощи датчиков случайных чисел. Контрольная выборка содержит исключительно промерные данные. Для обучения нейронной сети используется метод Adamax. В качестве критерия качества работы нейронной сети используется наибольшее значение модуля ошибки координаты на контрольной выборке. Моделирование выполнялось на языке программирования Python с библиотекой Tensorflow. Глубина акватории представлена в виде полиномиальной функции координаты, что позволяет вычислять ее производную аналитически. Проведено моделирование, результаты которого свидетельствуют об удовлетворительной точности прогноза координаты нейронной сетью в условиях наличия погрешностей входного сигнала. Выполненные исследования зависимости качества обучения от размера мини-пакета и коэффициента скорости обучения позволяют сделать вывод о том, что данные параметры оказывают существенное влияние на результат, поэтому вопрос их оптимального выбора остается нерешенным и актуальным в рамках рассматриваемой задачи.
A seabed relief-based vessel position fixing system on the basis of a neural network is proposed. The neural network satisfies the conditions of the universal approximation theorem and has one hidden layer. The hidden neurons have hyperbolic tangent activation functions. The model is constructed for 1-D case that can be considered as vessel motion throw a narrow channel or fairway. A sequence of depth derivatives (in relation to the coordinate) is fed to the network input. The depth is assumed to be measured with an echo-sounder. The vessel linear coordinate registered for the last depth derivative is formed on the network output. The training set contains not only data presumably registered at the stage of preliminary depth survey but also their noise-added versions obtained with the use of a random number generator. The validation set contains the survey data only. The Adamax algorithm is implemented for the neural network training. The maximum of absolute value of the prediction error is used as a performance criterion of the net. Modeling has been conducted in Python with Tensorflow. The depth is considered to be a polynomial function of the coordinate at each path region. So, the depth derivatives can be calculated analytically. As the result it is possible to state that the neural network predicts a vessel position with acceptable accuracy even in input signal noise conditions. Moreover, the neural network architecture of the radial-basis functions has been examined, but it is not possible to achieve acceptable accuracy by using it. The conducted investigations of the influences of a mini-batch size and learning rate values on the accuracy has shown that these parameters have the significant impact and an issue of their choice remains opened and actual in the framework of the task.
The authors declare that there are no conflicts of interest present.