Дерябин Виктор Владимирович — доктор технических наук, доцент
198035, Санкт- Петербург, ул. Двинская, 5/7
Deryabin, Victor V. — Grand PhD in Technical Sciences, associate professor
5/7 Dvinskaya Str., St. Petersburg, 198035
Выполнено сравнение быстродействия двух алгоритмов определения широты местоположения судна по рельефу дна: классического алгоритма, основанного на поиске в матрице эталонных глубин строки, наиболее близкой к текущим измерениям по критерию среднего модуля ошибки, и алгоритма, созданного на основе нейронной сети, которая прогнозирует широту, принимая в качестве входного сигнала последовательность измеренных значений глубин. Для создания нейросетевой модели используются алгоритмы формирования образцов, а также обучения и тестирования. Нейронная сеть имеет десять скрытых слоев, каждый из которых содержит 200 нейронов, обладающих функцией активации в виде гиперболического тангенса. В процессе обучения используется контрольная выборка, образцы которой предназначены для расчета критерия в виде наибольшего значения модуля ошибки прогноза. Наименьшее значение указанного критерия соответствует оптимальному состоянию нейронной сети. Обучающая, контрольная и тестовая выборки формируются путем псевдослучайных изменений эталонной матрицы глубин, необходимых для учета колебаний уровня моря, а также постоянных погрешностей измерений. Набор данных о глубинах формируется для пяти различных значений пространственного шага по широте и долготе на основе слоя точечных глубин, содержащихся в электронной навигационной карте. Для каждого варианта набора данных обучается нейронная сеть, после чего выполняется сравнение быстродействия. Результаты показывают существенное преимущество нейронной сети с точки зрения скорости вычислений при максимальном объеме эталонных данных. С уменьшением объема данных, вызванным увеличением пространственного шага, вычислительное преимущество нейронной сети над поисковым алгоритмом утрачивается.
This study presents a performance comparison of two algorithms for predicting vessel latitude based on seabed depth data. The first algorithm is classical, relying on the search for a string in a depth reference matrix that is closest to current measurements according to the mean absolute error. The second algorithm is based on a neural network, which predicts vessel latitude using a sequence of measured depth values as input. The neural network model is constructed using algorithms for dataset creation, training, and testing. The network consists of ten hidden layers, each containing 200 neurons with hyperbolic tangent activation functions. A validation set is employed during training to calculate the maximum absolute error, which serves as a criterion for optimal network state. Training, validation, and test datasets are generated via pseudo-random variations of the reference depth matrix to account for sea level fluctuations and systematic measurement errors. Depth data are prepared for five different spatial steps in latitude and longitude based on a layer of spot soundings from an electronic navigational chart. For each dataset variant, the neural network is trained and its computational performance is compared to that of the classical search algorithm. Results demonstrate a significant computational advantage of the neural network for maximal reference data volume. However, as the dataset volume decreases due to increased spatial steps, this advantage diminishes, and the neural network no longer outperforms the classical method.
The authors declare that there are no conflicts of interest present.