ТЕХНИЧЕСКИЕ НАУКИ: КОРАБЛЕСТРОЕНИЕ
DOI.org/10.5281/zenodo.897021
УДК 623.98:534.222:004.93'1
В.А. Пятакович, А.М. Василенко, М.В. Мироненко
ПЯТАКОВИЧ ВАЛЕРИЙ АЛЕКСАНДРОВИЧ – к.т.н., доцент, начальник научно-исследовательской лаборатории, e-mail: pva.877com@mail.ru
ВАСИЛЕНКО АННА МИХАЙЛОВНА – к.т.н., научный сотрудник научно-исследовательской лаборатории, e-mail: kahunya@gmail.com
Тихоокеанское высшее военно-морское училище имени С.О. Макарова
Камский пер., 6, Владивосток, 690062
МИРОНЕНКО МИХАИЛ ВЛАДИМИРОВИЧ – д.т.н., профессор, главный научный сотрудник лаборатории гидрофизики
Специальное конструкторское бюро средств автоматизации морских исследований ДВО РАН
Горького ул., 25, Южно-Сахалинск, 693023
Обучение нейронной сети как этап разработки экспертной системы
для классификации источников физических полей
при мониторинге акваторий
Аннотация: Генерация большого объема данных для формирования обучающей выборки нейронной сети может быть получена с помощью моделирования информационной ситуации. Моделирование включает решение таких задач, как имитация мгновенного расположения распознаваемого объекта и параметров его движения; имитация климатической изменчивости вертикального рас-пределения скорости звука; имитация информационных потоков, возникающих в ситуациях «приемник–источник», и др. В статье приводятся результаты очередного этапа научных исследований авторов по созданию системы мониторинга морских акваторий на основе разработок нелинейной просветной гидроакустики с использованием нейросетевых технологий. Многочисленные эксперименты по обучению нейронных сетей показали, что совокупное использование алгоритма локальной оптимизации, процедуры «выбивания» сети из локального минимума и процедуры увеличения числа нейронов приводят к успешному обучению нейронных сетей. Оценка адекватности результатов моделирования процесса распространения звука в морской среде выполнялась с использованием данных измерений потерь при распространении звука, полученных в ходе натурного эксперимента, который проводился в соответствии с планом Научно-технического комитета ВМФ РФ на базе Центрального научно-исследовательского испытательного гидроакустического полигона МО РФ при участии одного из авторов статьи. При этом использовались расчетные потери при распространении звука, полученные по апробированным программам, зарекомендовавшим себя на практике.
Ключевые слова: гидрофизические поля, классификация морских объектов; нечёткая логика, нейронные сети, нейро-нечёткие модели, системы автоматического управления, обучающие алгоритмы нейронных сетей.
Pyatakovich V., Vasilenko A., Mironenko M.
VALERIY PYATAKOVICH, Candidate of Engineering Sciences, Associate Professor, Chief of a Research Laboratory, e-mail: pva.877com@mail.ru
ANNA VASILENKO, Candidate of Engineering Sciences, Researcher of a Research Laboratory, e-mail: kahunya@gmail.com
The Pacific Higher Naval College named after S.О. Makarov
6 Kamskiy pereulok, Vladivostok, Russia, 690062
MIKHAIL MIRONENKO, Doctor of Engineering Sciences, Professor, Chief Researcher, Hydrophysics Laboratory
Special Research Bureau for Automation of Marine Researches FEB RAS
25 Gorky St., Yuzhno-Sakhalinsk, Russia, 693023
Neural network training as a stage
in the expert system development
to classify the sources of physical fields when monitoring water areas
Abstract: The article presents the results of the next stage in the authors' investigation aimed to create a monitoring system of marine areas based on the development of non-linear rear-illuminated tracing hydroacoustics that uses neural network technology. Numerous experiments on training the neural networks have demonstrated that the cumulative local optimisation algorithm, «knocking out» the network of local minimum and procedures for increasing the number of neurons lead to successful learning of neural networks. It has been demonstrated that the solution of a number of tasks: simulating instant location of recognised object and its movement parameters; the simulation of climatic variability distribution of the vertical speed of sound in water and sonar settings fields using a database of typical vertical distribution curves of the speed of sound; the simulation of information flows that occur in situations of “receiver-source”; the development of a module managing the simulation model; the assessment of the adequacy of the model; the optimization of the simulation model, enables one to arrive at a sample a sample of the sufficient amount of data for training neural networks.
Key words: сlassification of sea objects, fuzzy logic, neural networks, neuro-fuzzy models, automatic control systems, training algorithms of neural networks.
