Алгоритм параметрической идентификации расходной характеристики судна с применением нейросетевой технологии

Цель работы состоит в усовершенствовании методов компьютерного мониторинга и параметрической идентификации моделей расходных характеристик судов для анализа и прогнозирования показателей энергоэффективности объектов водного транспорта, а также оптимизации режимов работы дизель-генераторных агрегатов. Предложен алгоритм параметрической идентификации характеристик «вход-выход» различных по природе технологических процессов и систем (технических, биологических, экономических, социальных, экологических и др.) по данным измерений с помощью аппроксимоторных (регрессионных) нейронных сетей с возможностью количественной оценки погрешности параметрической оптимизации по эвклидовой норме. В отличие от известных методов параметрической пригонки модели по статистическим рядам предлагаемый способ базируется на обучении многослойной нейрон ной сети с обратным распространением ошибки отклонений значений выходных сигналов от эталонных с целью ее коррекции за счет введения поправок в значения весовых коэффициентов синаптических связей. Реализация алгоритма идентификации на основе предлагаемого способа пригонки модели выполнена с помощью радиальных нейронных сетей, имеющих фиксированную структуру с одним скрытым и одним выходным слоями в соответствии с нелинейными и линейными функциями активации нейронов, обеспечивающих точность отображения образов на основе эвклидовой метрики. Предлагаемый подход позволяет упростить режимы обучения и обеспечить приемлемую точность аппроксимации и идентификации. Алгоритм реализован при оценивании параметров расходной характеристики судна с известной структурой модели потребления топлива по соответствующему статистическому ряду при заданном начальном приближении. Алгоритм может быть применим для идентификации параметров моделей характеристик расхода энергоресурсов как на судах, так и в целом в отрасли внутреннего водного транспорта при вычислении целевых индикаторов и показателей ее развития.

1. Барышников С. О. Модели и алгоритмы управления объектами водного транспорта в условиях цифровой трансформации: монография / С. О. Барышников, Д. В. Дмитриенко, В. В. Сахаров, А. А. Чертков. — СПб: Изд. «Заневская площадь», 2022. — 520 c.

2. Сахаров В. В. Модели и алгоритмы оптимизации технологических процессов на объектах водного транспорта в среде MatLab: монография / В. В. Сахаров, А. А. Кузьмин, А. А. Чертков. — СПб.: Федеральное государственное бюджетное образовательное учреждение высшего образования Государственный университет морского и речного флота имени адмирала С. О. Макарова, 2015. — 436 c. — EDN ULLLID.

3. Чертков А. А. Алгоритм идентификации параметров моделей производственных функций при по мощи нейронной сети / А. А. Чертков, C. В. Сабуров, Я. Н. Каск // Вестник государственного университета морского и речного флота им. адмирала С. О. Макарова. — 2023. — Т. 15. — № 6. — С. 1096–1104. DOI: 10.21821/2309-5180-2023-15-6-1096-1104. — EDN AQZOGP.

4. Герасимов Б. И. Основы научных исследований / Б. И. Герасимов, В. В. Дробышева, Н. В. Злобина, Е. В. Нижегородов, Г. И. Терехова. — 2-е изд. доп. — М.: Форум: ИНФРА-М, 2015. — 272 c.

5. Хайкин, Саймон. Нейронные сети: полный курс. — 2-e изд. / Пер. с анrл. М.: Издательский дом «Вильямс», 2016. — 1104 с.

6. Вакуленко С. А. Практический курс по нейронным сетям / С. А. Вакуленко, А. А. Жихарева. — СПб., Ун-т ИТМО, 2018. — 71 c.

7. Осовский С. Нейронные сети для обработки информации / С. Осовский; пер. с польского И. Д. Рудинского. — М: Финансы и статистика, 2002. — 344 c.

8. Гашников М. В. Методы компьютерной обработки изображений: учеб. пособие для студентов вузов, обучающихся по направлению подготовки дипломированных специалистов «Прикладная математика» / М. В. Гашников, Н. И. Глумов, Н. Ю. Ильясова [и др.]; под ред. В. А. Сойфера. — 2 изд., испр. — М.: ООО Издательская фирма «Физико-математическая литература», 2003. — 784 c. — EDN QMMTJV.

9. Fursov V. A. Constructing unified identification algorithms using a small number of observations for adaptive control and navigation systems / V. A. Fursov // Navigation and Control Technologies for Unmanned Systems II — SPIE, 1997. — С. 34–44. DOI: 10.1117/12.277217.

10. Sanjeev Kumar Dash Radial basis function neural networks: a topical state-of-the-art survey / Kumar Dash Sanjeev, Ajit Kumar Behera, Satchidananda Dehuri, and Sung-Bae Cho // Open Computer Science. — 2016. — Vol. 6. — Is. 1. — Pp. 33–63. DOI: 10.1515/comp-2016-0005.

11. Аникина О. В. Табличная реализация искусственной нейронной сети радиальных базисных функций для классификации образцов / О. В. Аникина, О. М. Гущина, Е. В. Панюкова, Н. Н. Рогова // Современные информационные технологии и ИТ-образование. — 2018. — Т. 14. — № 2. — С. 436–445. DOI: 10.25559/SITITO.14.201802.436–445. — EDN VNHQUM.

12. Goodfellow I. Deep Learning / I. Goodfellow, Y. Bengio, A. Courville — London; Cambridge: MIT Press, 2016.