МЕТОДЫ РАСПОЗНАВАНИЯ ДАННЫХ ПРИ ПЛАВАНИИ СУДОВ

В статье рассмотрены методы распознания данных судна, опирающиеся на интеллектуальную аналитику, основанную на алгоритмах машинного обучения. Отмечается, что глубокая нейронная сеть является прогрессом в области машинного обучения и мощным средством для реализации автономии судна. Методологии глубокого обучения или глубоких нейронных сетей применяются в различных областях морской индустрии, например, таких как обнаружение аномальных ситуаций, классификация судов по признакам и параметрам, предотвращение столкновений судов, обнаружение рисков кибератак, навигация в портах. В данной статье рассмотрены различные методы распознавания данных в судоходстве. Машинное обучение и искусственный интеллект являются двумя наиболее перспективными путями повышения эффективности функционирования на транспорте. Машинное обучение на транспорте может применяться для подачи голосовых команд, автономного функционирования, технического зрения и аналогичных задач, позволяющих выполнять автономную или дистанционно-управляемую работу судна. Способность принимать правильные решения, обрабатывать большие объемы данных являются одними из ключевых проблем для успешной реализации автономного управления судном. Несмотря на существующее разнообразие методов машинного обучения, большинство традиционных методов машинного обучения не способны решить эти проблемы. В данной работе традиционные методы классифицированы на классические и реактивные. Каждый из этих методов обладает как преимуществами, так и недостатками. Считается, что глубокая нейронная сеть определит будущее морской отрасли благодаря ее способности использовать данные об эксплуатации и характеристиках судов. В данной статье показана возможность использования глубоких нейронных сетей при плавании судов при появлении навигационных опасностей.

машинное обучение, искусственный интеллект, распознавания данных, реактивные методы, сеть экстремального обучения, глубокое обучение, нейронная сеть

1. Chernyi S. G. The Reliability Assessment of Functioning of Autonomous Power System of Drilling Rigs / S. G. Chernyi, A. S. Bordug, L. N. Kozachenko, P. A. Erofeev, V. A. Zhukov // 2020 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus). - IEEE, 2020. - Pp. 259-263. DOI : 10.1109/EIConRus49466.2020.9039117.

2. Bordug A. Analysis of Dynamic Processes in Maritime Engines of Ships / A. Bordug, N. Smetuch, I. Antipenko, A. Yashin // International Scientific Siberian Transport Forum. - Springer, Cham, 2019. - Pp. 816-824. DOI : 10.1007/978-3-030-37916-2_80.

3. Сметюх Н. П. Скалярное многофакторное оценивание диагностических характеристик судовых энергетических систем / Н. П. Сметюх [и др.] // Автоматизация, телемеханизация и связь в нефтяной промышленности. - 2019. - № 12 (557). - С. 15-19. DOI: 10.33285/0132-2222-2019-12(557)-15-19.

4. Бордюг А. С. Создание лингвистических правил управления судном для повышения надежности работы СЭУ / А. С. Бордюг, В. А. Жуков, А. А. Железняк // Сборник научных трудов профессорско-преподавательского состава Государственного университета морского и речного флота имени адмирала С. О. Макарова. - СПб.: Изд-во ГУМРФ имени адмирала С. О. Макарова, 2016. - С. 36-44.

5. Жиленков А. А. Проблема позиционирования объекта водного транспорта, как элемента поликомпонентной системы, относительно горизонта / А. А. Жиленков, С. Г. Черный, А. С. Бордюг // XXIII Санкт-Петербургская международная конференция по интегрированным навигационным системам: сб. материалов; Гл. ред. В. Г. Пешехонов. - СПб.: АО «Концерн «ЦНИИ «Электроприбор», 2016. - С. 396-400.

6. Доровской В. А. Синтез модели хранилища неопределенных данных информационной системы промыслового флота / В. А. Доровской [и др.] // Информационные технологии в управлении (ИТУ-2016): Материалы 9-й конференции по проблемам управления. - СПб.: Концерн «Центральный научно-исследовательский институт «Электроприбор», 2016. - С. 523-524.

7. Бордюг А. С. Повышение безопасности судна путем автоматизации СЭУ системами на базе нечеткой логики / А. С. Бордюг, И. Л. Титов, С. Г. Черный // Перспективные направления развития отечественных информационных технологий: материалы II межрегиональной научно-практической конференции. Науч. ред. Б. В. Соколов. - Севастопольский гос. ун-т, 2016. - С. 83-84.

8. Hammer A. Knowledge acquisition for collision avoidance maneuver by ship handling simulator / A. Hammer, K. Hara // MARSIM & ICSM 90, Intl. Conference, Marine Simulation and Ship Manoeuvrability. - Tokyo, 1990. - Pp. 245-252.

9. Nagasawa A. Simulation model to estimate a risk of marine traffic flow / A. Nagasawa, K. Hara, K. Inoue // Proceedings Techno-Ocean International Symposium. - Kobe, Japan, 1988.

10. Baldacci A. Maritime traffic characterization with the Automatic Identification System / A. Baldacci, S. Rolla, C. Carthel // NATO Workshop on Data Fusion and Anomaly Detection for Maritime Situational Awareness, La Spezia, Italy. - 2009.

11. Hasegawa K. Automatic collision avoidance system for ships using fuzzy control / K. Hasegawa // 8th Ship Control System Symposium, Hague. - 1987.

12. Le Chenadec G. Incremental Learning for Classification of Objects of Interest / G. Le Chenadec, Q. Olivau, B. Clement, P. Papadakis, K. Sammut. - 2019. - 7 p.

13. Laxhammar R. Anomaly detection for sea surveillance / R. Laxhammar // 2008 11th international conference on information fusion. - IEEE, 2008. - Pp. 1-8.

14. Kim K. H. Ship Detection Using Faster R-CNN in Maritime Scenarios / K. H. Kim, S. J. Hong, B. H. Choi, I. H. Kim, E. T. Kim // Proceedings of the Conference on Information and Control Systems (CICS) 2017, Dubal, United Arab Emirates, 29-30 April 2017. - Korea, 2017. - Pp. 158-159.

15. Щекин В. П. Adaptive fuzzy systems on Forel class taxonomy / В. П. Щекин, С. Г. Черный, А. С. Бордюг // Software & Systems. - 2014. - № 4. - С. 114-117.

16. Lee S. M. A fuzzy logic for autonomous navigation of marine vehicles satisfying COLREG guidelines / S. M. Lee, K. Y. Kwon, J. Joh // International Journal of Control, Automation, and Systems. - 2004. - Vol. 2. - No. 2. - Pp. 171-181.

17. Filipowicz W. On nautical observation errors evaluation / W. Filipowicz // TransNav: International Journal on Marine Navigation and Safety of Sea Transportation. - 2015. - Vol. 9. - No. 4. - Pp. 545-550. DOI: 10.12716/1001.09.04.11.

18. Livshin I. Manual Neural Network Processing / I. Livshin // Artificial Neural Networks with Java. - Apress, Berkeley, CA, 2019. - Pp. 21-46. DOI: 10.1007/978-1-4842-4421-0_3.

19. Yuan J. Course control of underactuated ship based on nonlinear robust neural network backstepping method / J. Yuan, H. Meng, Q. Zhu, J. Zhou // Computational intelligence and neuroscience. - 2016. - Vol. 2016. DOI: 10.1155/2016/3013280.

20. Sakhre V. Fuzzy counter propagation neural network control for a class of nonlinear dynamical systems / V. Sakhre, S. Jain, V. S. Sapkal, D. P. Agarwal // Computational intelligence and neuroscience. - 2015. - Vol. 2015. DOI: 10.1155/2015/719620.

21. Polycarpou M. M. Stable adaptive neural control scheme for nonlinear systems / M. M. Polycarpou // IEEE Transactions on Automatic control. - 1996. - Vol. 41. - Is. 3. - Pp. 447-451. DOI: 10.1109/9.486648.

22. Дмитриев В. И. Справочник капитана / В. И. Дмитриев [и др.]; под общ. ред. В. И. Дмитриева. - СПб.: Элмор, 2009. - 816 с.

23. Сазонов А. Е. Использование метода экспертных отношений предпочтения для оценки уровня совершенства системы управления безопасностью морского судна / А. Е. Сазонов, Г. С. Осипов, В. Д. Клименко // Вестник Государственного университета морского и речного флота имени адмирала С. О. Макарова. - 2013. - № 3. - С. 94-104.

24. Сазонов А. Е. Лингвистическая оценка уровня совершенства системы управления безопасностью судоходных компаний / А. Е. Сазонов, Г. С. Осипов // Вестник Государственного университета морского и речного флота имени адмирала С. О. Макарова. - 2017. - Т. 9. - № 1. - С. 7-16. DOI: 10.21821/2309-5180-2017-9-1-7-16.

25. Осипов Г. С. Нечеткая экспертная система оценки уровня безопасности судоходных компаний / Г. С. Осипов, А. Е. Сазонов // XIV Международная научно-практическая конференция «Европейские научные исследования: инновации в науке, образовании и технологиях». - М.: Изд-во «Проблемы науки», 2016. - № 3 (14). - Pp. 10-11. DOI: 10.20861/2410-2873-2016-14-002.

26. Statheros T. Autonomous ship collision avoidance navigation concepts, technologies and techniques / T. Statheros, G. Howells, K. M. D. Maier // The Journal of Navigation. - 2008. - Vol. 61. - Is. 1. - Pp. 129-142. DOI: 10.1017/S037346330700447X.

27. Jian-Hao X. Application of artificial neural network (ANN) for prediction of maritime safety / X. Jian-Hao // International Conference on Information and Management Engineering. - Springer, Berlin, Heidelberg, 2011. - Pp. 34-38. DOI: 10.1007/978-3-642-24097-3_6.

28. Moreira L. Path following control system for a tanker ship model / L. Moreira, T. I. Fossen, C. G. Soares // Ocean Engineering. - 2007. - Vol. 34. - Is. 14-15. - Pp. 2074-2085. DOI: 10.1016/j.oceaneng.2007.02.005.

29. Ung S. T. Test case based risk predictions using artificial neural network / S. T. Ung, V. Williams, S. Bonsall, J. Wang // Journal of Safety Research. - 2006. - Vol. 37. - Is. 3. - Pp. 245-260. DOI: 10.1016/j.jsr.2006.02.002.

30. Olindersson F. Developing a Maritime Safety Index using Fuzzy Logics / F. Olindersson, C. Bruhn, T. Scheidweiler, A. Andersson // TransNav, International Journal on Marine Navigation and Safety of Sea Transportation. - 2017. - Vol. 11. - No. 3. - Pp. 469-475. DOI: 10.12716/1001.11.03.12.