gumrfВестник Государственного университета морского и речного флота имени адмирала С. О. МакароваVestnik Gosudarstvennogo universiteta morskogo i rechnogo flota imeni admirala S. O. Makarova2309-51802500-0551ФГБОУ ВО «Государственный университет морского и речного флота имени адмирала С.О. Макарова»10.21821/2309-5180-2023-15-5-723-734gumrf-358Research ArticleЭксплуатация водного транспорта, водные пути сообщения и гидрографияOPERATION OF WATER TRANSPORT, WATERWAYS AND HYDROGRAPHYНейросетевой метод определения места судна по рельефу днаNeural network-based method for determining vessel position by seabed reliefДерябинВ. В.DeryabinV. V.

Дерябин Виктор Владимирович - доктор технических наук, доцент

198035, Российская Федерация, ул. Двинская, 5/7

Deryabin, Viсtor V. - Dr. of Technical Sciences, associate professor

5/7 Dvinskaya Str., St. Petersburg, 198035

deryabinvv@gumrf.ruФГБОУ ВО «ГУМРФ имени адмирала С. О. Макарова»РоссияAdmiral Makarov State University of Maritime and Inland ShippingRussian Federation202309112023155723734Copyright © Дерябин В.В., 20232023Дерябин В.В.Deryabin V.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://journal.gumrf.ru/jour/article/view/358

Предложена модель определения места судна по рельефу дна на основе нейронной сети прямого распространения с четырьмя скрытыми слоями. Нейроны скрытого слоя обладают функциями активации в виде гиперболического тангенса. Данная модель реализована для одномерного случая, соответствующего движению судна в узком канале или вдоль оси фарватера. На вход сети поступает последовательность глубин, измеренных эхолотом, на выходе получается значение линейной координаты судна на момент измерения последней глубины. Обучающая выборка формируется путем целенаправленного случайного видоизменения входных образцов в соответствии с предположением о допустимых пределах колебаний уровня моря, а также постоянной ошибки его измерения. Контрольная выборка не используется. Для настройки свободных параметров нейронной сети применяется метод Adamax. В качестве критерия точности нейронной сети используется наибольшее значение модуля ошибки координаты на обучающей выборке. Моделирование выполнялось на языке программирования Python. Для создания, настройки и тестирования нейронной сети также использовалась библиотека Tensorflow. Глубина акватории представлена в виде кусочно-полиномиальной функции координаты. Результаты тестирования нейронной сети с использованием искаженных входных сигналов позволяют сделать вывод о том, что нейронная сеть определяет место судна по глубинам с удовлетворительной точностью. Рассмотрены различные комбинации значений ошибки уровня моря и количества нейронов в каждом из скрытых слоев. Для каждой такой комбинации вычислены показатели точности, характеризующие работу нейронной сети. Наилучшие результаты получены для архитектуры, содержащей по 100 нейронов в каждом скрытом слое.

A seabed relief-based vessel position fixing model on the basis of a four-layered feedforward neural network is proposed. 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 alongside fairway axis. A sequence of spot soundings is given for the network input. The linear coordinate registered for the last sounding forms the network output. The training set is formed by means of the intentional pseudorandom alteration of input samples in accordance with suspected limits of sea level variations and the constant error of its measurements. The validation set is not used. 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 with the Python programming language. The Tensorflow library is used for the creation, training and testing of the neural network. The depth is modelled as a piecewise polynomial function of the coordinate. The results of neural network testing with the use of noised input samples let to state that the neural net can determine a ship position by means of soundings with acceptable accuracy. Different combinations of the sea level error and the number of hidden neurons have been considered. For each of such combinations the network accuracy indicators have been calculated. The best results are obtained for the network with 100 hidden neurons per each layer.

судноместоположениеглубинанейронная сетьмашинное обучениеавтономный режимрельеф днаалгоритм расчетаvesselpositiondepthneural networkmachine learningautonomous modeseabed reliefcalculation algorithmReferencesКлюева С. Ф. Синтез алгоритмов батиметрических систем навигации / С. Ф. Клюева, В. В. Завьялов. — Владивосток: Мор. гос. ун-т, 2013. — 132 с.Klyueva, S. F., and V. V. Zav’yalov. Sintez algoritmov batimetricheskikh sistem navigatsii. Vladivostok: Mor. gos. un-t, 2013.Степанов О. А. Методы оценки потенциальной точности в корреляционно-экстремальных навигационных системах: аналитический обзор / О. А. Степанов. — СПб.: ЦНИИ «Электроприбор», 1993. — 84 с.Stepanov, О. А. Metody otsenki potentsial’noi tochnosti v korrelyatsionno-ekstremal’nykh navigatsionnykh sistemakh: Analiticheskii obzor. Spb.: TsNII «Elektropribor», 1993.Haykin S. Neural Networks and Learning Machines / S. Haykin. — New Jersey: Pearson, 2009. — 936 p.Haykin, Simon. Neural Networks and Learning Machines. Third Edition. New Jersey: Pearson, 2009.Hornik K. Some new results on neural network approximation / K. Hornik // Neural Networks. — 1993. — Vol. 6. — Is. 8. — Pp. 1069–1072. DOI: 10.1016/S0893-6080(09)80018-X.Hornik, Kurt. “Some new results on neural network approximation.” Neural Networks 6.8 (1993): 1069–1072. DOI: 10.1016/S0893–6080(09)80018-X.Pinkus A. Approximation theory of the MLP model in neural networks / A. Pinkus // Acta Numerica. — 1999. — Vol. 8. — Pp. 143–195. DOI: 10.1017/S0962492900002919.Pinkus, Allan. “Approximation theory of the MLP model in neural networks.” Acta numerica 8 (1999): 143–195. DOI: 10.1017/S0962492900002919.Каменев А. А. Применение искусственных нейронных сетей при моделировании спектроэнергетических характеристик местности для систем технического зрения с корреляционно-экстремальными алгоритмами навигации / А. А. Каменев, А. Ю. Тонышев // СПбНТОРЭС: труды ежегодной НТК. — 2021. — № 1(76). — С. 259–262.Kamenev, A. A., and A. Y. Tonyshev. “The use of artificial neural networks in modeling the spectral-energy characteristics of the terrain for vision systems with correlation-extreme navigation algorithms.” SPbNTORES: trudy ezhegodnoi NTK 1(76) (2021): 259–262.Hou G. A Novel Underwater Simultaneous Localization and Mapping Online Algorithm Based on Neural Network / G. Hou, Q. Shao, B. Zou, L. Dai, Z. Zhang, Z. Mu, Y. Zhang, J. Zhai // ISPRS International Journal of Geo-Information. — 2019. — Vol. 9. — Is. 1. — Pp. 5. DOI: 10.3390/ijgi9010005.Hou, Guangchao, Qi Shao, Bo Zou, Liwen Dai, Zhe Zhang, Zhehan Mu, Yadong Zhang, and Jingsheng Zhai. “A novel underwater simultaneous localization and mapping online algorithm based on neural network.” ISPRS International Journal of Geo-Information 9.1 (2019): 5. DOI: 10.3390/ijgi9010005.Боронников Д. А. Нейросетевой алгоритм организации пространственных данных о рельефе местности / Д. А. Боронников, Д. В. Пантюхин, С. В. Данько // Известия МГТУ МАМИ. — 2013. — Т. 1. — № 3 (17). — С. 157–164.Boronnikov, D.A., D. V. Pantiukhin, and S. V. Danko. “Neural network algorithm of spatial relief data organization.” Izvestiya MGTU “MAMI” 1.3(17) (2013): 157–164.Ююкин И. В. Сплайновое синтезирование картографированного эталона информативности поля в задаче корреляционно-экстремальной навигации / И. В. Ююкин // Вестник Государственного университета морского и речного флота имени адмирала С. О. Макарова. — 2022. — Т. 14. — № 1. — С. 25–39. DOI: 10.21821/2309-5180-2022-14-1-25-39.Yuyukin, Igor V. “Spline synthesis of the charted reference of the field informativity in mission of correlation-extreme navigation.” Vestnik Gosudarstvennogo universiteta morskogo i rechnogo flota imeni admirala S. O. Makarova 14.1 (2022): 25–39. DOI: 10.21821/2309-5180-2022-14-1-25-39.Fakhoury D. ExSpliNet: An interpretable and expressive spline-based neural network / D. Fakhoury, E. Fakhoury, H. Speleers // Neural Networks. — 2022. — Vol. 152. — Pp. 332–346. DOI: 10.1016/j.neunet.2022.04.029.Fakhoury, Daniele, Emanuele Fakhoury, and Hendrik Speleers. “ExSpliNet: An interpretable and expressive spline-based neural network.” Neural Networks 152 (2022): 332–346. DOI: 10.1016/j.neunet.2022.04.029.Ling Y. Active Bathymetric SLAM for autonomous underwater exploration / Y. Ling, Y. Li, T. Ma, Z. Cong, S. Xu, Z. Li // Applied Ocean Research. — 2023. — Vol. 130. — Pp. 103439. DOI: 10.1016/j.apor.2022.103439.Ling, Yu, Ye Li, Teng Ma, Zheng Cong, Shuo Xu, and Zhihui Li. “Active Bathymetric SLAM for autonomous underwater exploration.” Applied Ocean Research 130 (2023): 103439. DOI: 10.1016/j.apor.2022.103439.Ma T. AUV robust bathymetric simultaneous localization and mapping / T. Ma, Y. Li, R. Wang, Z. Cong, Y. Gong // Ocean Engineering. — 2018. — Vol. 166. — Pp. 336–349. DOI: 10.1016/j.oceaneng.2018.08.029.Ma, Teng, Ye Li, Rupeng Wang, Zheng Cong, and Yusen Gong. “AUV robust bathymetric simultaneous localization and mapping.” Ocean Engineering 166 (2018): 336–349. DOI: 10.1016/j.oceaneng.2018.08.029.Norgren P. A multibeam-based SLAM algorithm for iceberg mapping using AUVs / P. Norgren, R. Skjetne // IEEE Access. — 2018. — Vol. 6. — Pp. 26318–26337. DOI: 10.1109/ACCESS.2018.2830819.Norgren, Petter, and Roger Skjetne. “A multibeam-based SLAM algorithm for iceberg mapping using AUVs.” IEEE Access 6 (2018): 26318–26337. DOI: 10.1109/ACCESS.2018.2830819.Дерябин В. В. Определение местоположения судна по рельефу дна при помощи нейронной сети / В. В. Дерябин // Вестник Государственного университета морского и речного флота имени адмирала С. О. Макарова. — 2023. — Т. 15. — № 2. — С. 172–179. DOI: 10.21821/2309-5180-2023-15-2-172-179.Deryabin, Viсtor V. “Seabed relief-based vessel position fixing with a neural network.” Vestnik Gosudarstvennogo universiteta morskogo i rechnogo flota imeni admirala S. O. Makarova 15.2 (2023): 172–179. DOI: 10.21821/2309-5180-2023-15-2-172-179.Liang S. Why deep neural networks for function approximation? / S. Liang, R. Srikant // 5th International Conference on Learning Representations (ICLR). — 2016. DOI: 10.48550/arXiv.1610.04161.Liang, Shiyu, and Rayadurgam Srikant. “Why deep neural networks for function approximation?” 5th International Conference on Learning Representations (ICLR). 2016. DOI: 10.48550/arXiv.1610.04161.Mhaskar H. When and why are deep networks better than shallow ones? / H. Mhaskar, Q. Liao, T. Poggio // Proceedings of the AAAI conference on artificial intelligence. — 2017. — Vol. 31. — No. 1. — Pp. 2343–2349. DOI: 10.1609/aaai.v31i1.10913.Mhaskar, Hrushikesh, Qianli Liao, and Tomaso Poggio. “When and why are deep networks better than shallow ones?” Proceedings of the AAAI conference on artificial intelligence. Vol. 31. No. 1. 2017. 2343–2349. DOI: 10.1609/aaai.v31i1.10913.Kingma D. P. Adam: A method for stochastic optimization / D. P. J. Kingma, Ba // 3rd International Conference on Learning Representations. — 2015. DOI: 10.48550/arXiv.1412.6980.Kingma, Diederik P., and Jimmy Ba. “Adam: A method for stochastic optimization.” 3rd International Conference on Learning Representations. 2015. DOI: 10.48550/arXiv.1412.6980.Абрамова А. С. Оценка точности общедоступных цифровых моделей рельефа дна океанов на примере участков покрытия многолучевой съемкой Норвежского и Баренцева морей / А. С. Абрамова // Геодезия и картография. — 2021. — Т. 82. — № 1. — С. 13–22. DOI: 10.22389/0016-7126-2021-967-1-13-22.Abramova, A.S. “Accuracy assessment of publicly available digital elevation models of the ocean floor, at the polygons of multibeam data coverage in the Norwegian and Barents Seas.” Geodesy and Cartography 82.1 (2021): 13–22. DOI: 10.22389/0016-7126-2021-967-1-13-22.

The authors declare that there are no conflicts of interest present.