METHODS OF DATA RECOGNITION DURING SHIPS NAVIGATION

Ship data recognition leans on intelligent analytics based on machine learning algorithms. Deep neural network is an advancement in machine learning and a powerful tool for realizing ship autonomy. Deep learning or deep neural network methodologies are used in the various areas of the maritime industry, such as detecting anomalous situations, classifying ships by features and parameters, preventing ship collisions, detecting cyberattack risks, and navigating ports. The various methods of data recognition in shipping are discussed in the paper. Machine learning and artificial intelligence are two of the most promising ways to improve transportation efficiency. Machine learning in transport can be used to provide voice commands, autonomous operation, technical vision and similar tasks allowing to perform autonomous or remotely controlled ship operation. The ability to make the right decisions, process large amounts of data are some of the key challenges for the successful implementation of autonomous ship control. Despite the existing variety of machine learning methods, most traditional machine learning methods fail to solve these problems. In this paper, the traditional methods are classified into classical and reactive. Each of these methods has both advantages and disadvantages. The deep neural network is believed to shape the future of the maritime industry through its ability to use data on the operation and performance of ships.

machine learning, artificial intelligence, data recognition, reactive methods, extreme learning network, deep learning in autonomous navigation, neural network

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.