Анализ эффективности применения нейронной сети в прогнозировании маневров расхождения двух судов

В данной статье проанализирована эффективность использования нейронной сети для определения маневров расхождения двух судов. Дано краткое описание алгоритма и скрипта MATLAB, позволяющего находить изменения курсов для предотвращения столкновений пар судов. Описывается процесс создания обучающей выборки с помощью ранее разработанного скрипта, включающий предварительную обработку данных для устранения нереалистичных сценариев сближения пар судов, а также ситуаций, в которых отсутствует опасность столкновения. Обучение нейронных сетей выполнялось с помощью алгоритмов оптимизации Левенберга – Марквардта и Adam. В ходе исследования было обучено одиннадцать нейронных сетей с различными параметрами, из которых выбрана сеть, позволяющая прогнозировать изменения курсов для расхождения на безопасной дистанции для пар судов с точностью 94,8 % (точность прогнозов нейронной сети в данном исследовании определена как количество пар изначально опасно сближающихся судов, дистанция кратчайшего сближения которых после обработки нейронной сетью находилась в пределах 0,8–1,2 мили, поделенной на общее количество пар судов). В исследовании выполнено сравнение времени, затраченного на вычисление маневров расхождения с использованием алгоритма и нейронной сети. Исследование показало, что при увеличении количества опасно сближающихся судов до четырех и выше нейронная сеть затрачивает на прогнозирование маневра расхождения в пять раз меньше времени, чем алгоритм. С увеличением числа опасно сближающихся судов разрыв во времени обработки данных между нейронной сетью и алгоритмом увеличивается, что подтверждает целесообразность применения нейронных сетей в обработке больших массивов данных с парами опасно сближающихся судов. В дальнейших исследованиях планируется создать алгоритм для решения задачи безопасного расхождения группы судов, осуществляемого на основе попарного анализа опасности столкновений.

1. Huang Y. Ship collision avoidance methods: State-of-the-art / Y. Huang, L. Chen, P. Chen, R. R. Negenborn, P. H. A. J. M. Van Gelder // Safety science. — 2020. — Vol. 121. — Pp. 451–473. DOI: 10.1016/j.ssci.2019.09.018.

2. Триполец О. Ю. Обзор существующих методов расхождения безэкипажных судов / О. Ю. Триполец // Вестник Государственного университета морского и речного флота имени адмирала С. О. Макарова. — 2021. — Т. 13. — № 4. — С. 480–495. DOI: 10.21821/2309-5180-2021-13-4-480-495.

3. Головинов А. О. Преимущества нейронных сетей перед традиционными алгоритмами / А. О. Головинов, Е. Н. Климова // Экспериментальные и теоретические исследования в современной науке: сб. статей по материалам V Междунар. науч.-практ. конф. — Новосибирск: Ассоциация научных сотрудников «Сибирская академическая книга», 2017. — С. 11–15.

4. Кононова Н. В. Преимущества нейронных сетей / Н. В. Кононова, Т. И. Авдеева, П. Е. Обласов, И. В. Григорьева // Актуальные проблемы информатизации образования: опыт, проблемы, перспективы развития. Сборник материалов международной научно-практической конференции. — Черкесск: Библиотечно-издательский центр Северо-Кавказской государственной академии, 2020. — С. 91–93.

5. Ahn J. H. A study on the collision avoidance of a ship using neural networks and fuzzy logic / J. H. Ahn, K. P. Rhee, Y. J. You // Applied Ocean Research. — 2012. — Vol. 37. — Pp. 162–173. DOI: 10.1016/j.apor.2012.05.008.

6. Бурмака И. А. Управление группой судов в ситуации опасного сближения / И. А. Бурмака, А. Ю. Булгаков // Вестник Государственного университета морского и речного флота имени адмирала С. О. Макарова. — 2014. — № 6 (28). — С. 1–13.

7. Бурмака И. А. Управление парой судов в ситуации опасного сближения / И. А. Бурмака, Г. Е. Калиниченко, М. А. Кулаков // Вестник Государственного университета морского и речного флота имени адмирала С. О. Макарова. — 2016. — № 3 (37). — С. 64–70. DOI: 10.21821/2309-5180-2016-7-3-64-70.

8. Триполец О. Ю. Расчет маневра расхождения двух безэкипажных судов путем минимизации функции стоимости в компьютерной среде MATLAB / О. Ю. Триполец // Вестник Государственного университета морского и речного флота имени адмирала С. О. Макарова. — 2023. — Т. 15. — № 5. — С. 876–884. DOI: 10.21821/2309-5180-2023-15-5-876-884.

9. 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. DOI: 10.1609/aaai.v31i1.10913.

10. 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.