Нейросетевое моделирование динамики судна в ледовых условиях
В статье обсуждаются вопросы использования нейросетевых моделей при контроле динамики судна в ледовых условиях. Контроль и прогноз развития ситуации реализуется на основе данных динамических измерений в рамках принципа конкуренции. Моделирование осуществлено с использованием методов классической...
Saved in:
| Date: | 2009 |
|---|---|
| Main Authors: | , |
| Format: | Article |
| Language: | Russian |
| Published: |
Інститут проблем штучного інтелекту МОН України та НАН України
2009
|
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/8127 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Нейросетевое моделирование динамики судна в ледовых условиях / Ю.C. Жук, Ю.И. Нечаев // Штучний інтелект. — 2009. — № 3. — С. 384-391. — Бібліогр.: 11 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1859828293545492480 |
|---|---|
| author | Жук, Ю.C. Нечаев, Ю.И. |
| author_facet | Жук, Ю.C. Нечаев, Ю.И. |
| citation_txt | Нейросетевое моделирование динамики судна в ледовых условиях / Ю.C. Жук, Ю.И. Нечаев // Штучний інтелект. — 2009. — № 3. — С. 384-391. — Бібліогр.: 11 назв. — рос. |
| collection | DSpace DC |
| description | В статье обсуждаются вопросы использования нейросетевых моделей при контроле динамики судна в
ледовых условиях. Контроль и прогноз развития ситуации реализуется на основе данных динамических
измерений в рамках принципа конкуренции. Моделирование осуществлено с использованием методов
классической математики и теории искусственных нейронных сетей.
У статті обговорюються питання використання нейромережних моделей при контролі динаміки судна у
льодових умовах. Контроль і прогноз розвитку ситуації реалізується на основі даних динамічних
вимірювань у рамках принципу конкуренції. Моделювання здійснено з використанням методів класичної
математики та теорії штучних нейронних мереж.
The questions of use of neural networks models are discussed at the control of ship dynamics in ice
conditions. The control and forecast of development of a situation is realized on the basis of the data dynamic
measurements within the framework of a competition principle. The modeling is carried out with use of
methods of classical mathematics and theory of artificial neural networks.
|
| first_indexed | 2025-12-07T15:30:42Z |
| format | Article |
| fulltext |
«Искусственный интеллект» 3’2009 384
8Ж
УДК 004.942
Ю.C. Жук, Ю.И. Нечаев
Государственный морской технический университет, г. Санкт-Петербург, Россия
Институт высокопроизводительных вычислений и информационных систем
г. Санкт-Петербург, Россия
int@sca.ru
Нейросетевое моделирование динамики судна
в ледовых условиях
В статье обсуждаются вопросы использования нейросетевых моделей при контроле динамики судна в
ледовых условиях. Контроль и прогноз развития ситуации реализуется на основе данных динамических
измерений в рамках принципа конкуренции. Моделирование осуществлено с использованием методов
классической математики и теории искусственных нейронных сетей.
Введение
В настоящее время проектирование сложных систем в значительной степени опре-
деляется уровнем интеллектуальности, достижение которого открывает возможности
проектирования систем, функционирующих в условиях неопределенности [1-10]. Особен-
но важно это в нештатных ситуациях, которые типичны для эксплуатации судна в ледо-
вых условиях. При взаимодействии с ледовым полем судно подвергается возмущениям,
которые заранее трудно предусмотреть при создании системы. Это накладывает допол-
нительные требования к обработке измерительной информации. Дефицит времени на
принятие решения по обеспечению безопасности судна приводит к необходимости выде-
ления только той информации, которая требуется для выполнения основной задачи
управления и принятия решений. Возникает проблема предварительного отбора и анализа
информации, необходимой для реализации механизма логического вывода и выработки
практических рекомендаций. Решение этой проблемы требует создания эффективных
алгоритмов и процедур обработки информации, поступающей с датчиков измеритель-
ной системы. Причем эта информация характеризует не только напряженно-деформиру-
емое состояние корпуса судна, но и данные особенностей ледового поля, на основе
которых необходимо построить эффективный прогноз и реализовать управление. Вся
другая информация имеет смысл только на этапах предварительного анализа при
построении системы.
1. Структура программного комплекса
Программный комплекс, обеспечивающий обработку информации и выдачу
практических рекомендаций для принятия решений по управлению судном в ледовой
обстановке, представляет собой набор функциональных модулей, интегрированных в
бортовую ИС. Система интеллектуальной поддержки принятия решений осуществляет
выбор оптимального режима движения судна в зависимости от интенсивности ледовой
нагрузки. Процесс управления организуется в рамках концепции «мягких вычислений».
Нейросетевое моделирование динамики судна в ледовых условиях
«Штучний інтелект» 3’2009 385
8Ж
Управляющий алгоритм представляется набором нечетких логических правил «IF –
THEN» [5-8]. В качестве исходной информации используются показания датчиков
деформаций корпусных конструкций, установленных в зоне контакта, а также датчика
прогноза, расположенного на верхней палубе в носовой части судна.
Сформулированные теоретические принципы и концепция построения моделей
обработки измерительной информации при контроле режима функционирования ИС
при интерпретации нестандартных (нештатных и экстремальных) ситуаций позволили
представить структуру системы и выделить типичные задачи информационного обеспе-
чения оператора (рис. 1).
Рисунок 1 – Эталонная модель динамических ситуаций в задаче
прогнозирования динамики судна в ледовых условиях
Информационная среда моделирования процесса взаимодействия судна с ледо-
вым полем включает функциональные модули, ориентированные на решение задач
обработки информации в различных ситуациях, возникающих во время эксплуатации
судна, в том числе и в нестандартных (экстремальных и нештатных) ситуациях. Среди
компонент, составляющих программный комплекс, можно выделить следующие основ-
ные функциональные модули.
Функциональный модуль, обеспечивающий представление нечетких знаний.
В рассматриваемой бортовой ИС находят применение модели нечеткого вывода, осно-
ванные на различных формальных конструкциях. Разрешение нечетких логических
правил при реализации механизма логического вывода осуществляется на базе измери-
тельной и экспертной информации. Правила нечеткого вывода используют принцип
обобщения Л. Заде для нечеткого вывода, в котором высказывания моделируются нечет-
кими множествами, позволяющими вывести нечеткое заключение.
Основная проблема программной реализации нечеткого управления в бортовых
ИС заключается в построении функций принадлежности (ФП), особенно текущих значе-
ний в условной части логического правила, содержащего несколько нечетких перемен-
ных. Построение ФП осуществляется в режиме реального времени на основе обработки
измерительной информации. Программный модуль реализует два подхода. Первый под-
ход состоит в формализации нечетких знаний в процессе разработки ИС. Он основан на
традиционном представлении экспертных знаний и предусматривает построение ФП
Э та л о н н а я м о д е л ь
д и н а м и ч е с к и х с и т уа ц и й
П р е д в а р и т е л ь н ая
о б р а б о тк а и н ф о р м а ц и и
В ы д е л е н и е
с ущ е с тв е н н ы х ф а к т о р о в
С т р ук т у р н ы й и
п а р а м е тр и ч е с к и й си н т е з
Р е к о н с т р у к ц и я а т тр ак т о р а
д и н а м и ч е с к о й с и с те м ы
В ы б о р п а р а м е т р о в
р е к о н с т р у к ц и и
Ф о р м а л ь н о е о п и с а н и е
о к р е с тн о с т ей
О ц е н к а э ф ф е к т и в н о с т и
м о д е л и р о в а н и я
И с с л е д о в а н и е св о й с т в и
т р а е к т о р и й с и с те м ы
Жук Ю.C., Нечаев Ю.И.
«Искусственный интеллект» 3’2009 386
8Ж
В
базовых правил, «зашитых» в программный комплекс. Второй подход реализуется в
процессе функционирования ИС и связан с построением текущих значений ФП на
основе данных динамических измерений. Алгоритмы и программное обеспечение по-
строения ФП основаны на использовании статистических методов и нейросетевых тех-
нологий [6], [9].
Функциональный модуль, обеспечивающий механизм нечеткого логического
вывода. Композиционная модель нечеткого вывода описывает связь всех возможных
состояний логической системы с управляющими воздействиями и формально записыва-
ется в виде (X, R, Y), где X = {х1, …, xn}; Y = {y1, …, ym} – базовые множества, на кото-
рых заданы входы Аi и выходы Bi нечеткой системы; R – нечеткое соответствие
«вход – выход», которое строится на основе формализации нечетких стратегий.
Принятие решений при функционировании нечеткой системы знаний осуществляется
на основе модели [5-8]:
«if А1 – then В1, else if A2 then B2, …, else if AN then BN». (1)
Здесь A1, …, AN – нечеткие подмножества, определенные на базовом множест-
ве Х, а B1, …, BN – нечеткие подмножества из базового множества Y.
Для решения задач принятия решений на основе априорной информации исполь-
зуется нечеткая формальная система, обеспечивающая принятие решений при выборе
альтернатив в рамках концепции мягких вычислений. Формирование такой системы
осуществлено на основе принципов обработки информации в мультипроцессорной
вычислительной среде.
Функциональный модуль, реализующий анализ альтернатив и выбор предпо-
чтительной вычислительной технологии. Обозначим А = [a1, …, aq} – полное множест-
во альтернатив, определяемое как декартово произведение множества градаций ком-
понент векторного критерия:
A = {x1.1, …, x1.m1}{x2.1, …, x2.m2} … {x n.1, …, xn.mn}. (2)
Пусть Q = i=1, …, n mj – размер полного множества альтернатив. Тогда функцией
принадлежности является отображение векторного критерия на числовую ось такое,
что для любой альтернативы аi А, которая предпочтительней альтернативы аg А,
выполняется следующее неравенство:
ФП(аi) ФП(аg), (3)
причем разность = ФП(аi) – ФП(аg) может быть любым положительным числом. Если
альтернатива аi эквивалентна альтернативе аg, то = 0. Таким образом, функция принад-
лежности задает нестрогое упорядочивание полного множества альтернатив.
Модуль программного обеспечения задачи анализа альтернатив разработан на
основе метода анализа иерархий [7]. Реализация этого алгоритма осуществлена примени-
тельно к задаче выбора альтернативных решений при анализе компонент, определя-
ющих условия возникновения неблагоприятных режимов взаимодействия при различном
уровне внешних возмущений.
Функциональный модуль, реализующий адаптивную компоненту. При форма-
лизации знаний и механизма логического вывода важное значение имеет организация
адаптивной компоненты на основе принципов обработки информации в мультипроцес-
сорной вычислительной среде [5]. Функциональный модуль обеспечивает реализацию
Нейросетевое моделирование динамики судна в ледовых условиях
«Штучний інтелект» 3’2009 387
8Ж
программного обеспечения компоненты, построенной с учетом разработанной модели
знаний. Такая модель отображает использование принципа адаптивного резонанса
(Adaptive Resonance Theory – ART), получившего широкое распространение при построе-
нии и обучении нейронных сетей [9]. Формируемые на основе этого принципа свойства
базы знаний [8] наиболее четко проявляются при обеспечении функционирования ИС в
задачах интерпретации экстремальных ситуаций динамики взаимодействия судна с
внешней средой в условиях неопределенности и неполноты исходной информации.
Наиболее важными особенностями системы знаний, использующей принципы
адаптивного резонанса, являются:
возможность сохранения свойства пластичности при запоминании новой информа-
ции в процессе функционирования ИС;
предотвращение модификации исходной базы знаний за счет формирования новых
правил, описывающих возникшую нестандартную ситуацию.
При функционировании ИС контроля динамики судна в ледовых условиях про-
исходит накопление новой информации и корректировка базы знаний. Динамическая
база знаний совершенствуется и расширяется за счет включения новых моделей.
Подобно нейронной сети АRТ, база знаний имеет внутренний детектор новизны – тест
на сравнение предъявленной нестандартной ситуации (нового образа) с содержимым
ансамбля логических правил. Важной особенностью динамической базы знаний, исполь-
зующей принцип адаптивного резонанса, является самоадаптация алгоритма поиска
нестандартных ситуаций. Адаптивная компонента использует управляемый алгоритм
поиска, основанный на динамической самоорганизации классов прототипов, соответ-
ствующих классам векторов в условной части логического правила, путем наращивания
структуры, определяющей «действие» в выходной части логического правила. Если
поиск класса, попадающего в «резонанс» с входным вектором по соответствующему
критерию сходства, не привел к успеху, то создается новый класс (добавляется новая
нестандартная ситуация). В противном случае согласно обучающему правилу моди-
фицируется прототип того класса, который имеет максимальное сходство с входным
вектором [8].
2. Постановка задачи
Основная проблема, решение которой обеспечивает повышение эффективности
контроля динамики судна в ледовых условиях, связана с решением задачи прогноза
напряженно-деформируемого состояния корпусных конструкций в зависимости от
ледовой обстановки в текущий момент времени. Рассмотрим стохастическую дискрет-
ную систему с r-мерным пространством входов, которые характеризуют состояние
исследуемой динамической системы. Выходы системы в момент времени t представ-
ляют собой вектор-столбцы параметров, определяющие результат взаимодействия
судна с внешней средой в ледовых условиях. Измерения фиксируются в дискретные
моменты времени 1, 2, 3, …, t и характеризуют траектории параметров, образующих
информационный вектор J в интервале Т. Каждая из составляющих вектора измерений J
представляет собой скалярный временной ряд, являющийся функцией исследуемой
динамической системы:
y(t) = f (x (t)). (4)
Жук Ю.C., Нечаев Ю.И.
«Искусственный интеллект» 3’2009 388
8Ж
В
При этом эволюционное уравнение динамической системы
х(t +1) = f(x(t)) (5)
считается неизвестным.
В уравнении (4) y(t) – измеряемый скалярный временной ряд; f – оператор эволюции.
Согласно теореме Такенса [10] фазовый портрет, восстановленный в виде:
Z(t) = (y (t)) = (y (t), y (t – )), …, y (t – (m – 1) ) = (z1(t), …, zm(t)), (6)
топологически эквивалентен аттрактору исходной динамической системы.
Параметр задержки в (6) определяется временем пересечения траекториями
системы сечения Пуанкаре. Таким образом, для реконструкции аттрактора неизвестной
динамической системы по заданному временному ряду необходимо определить пара-
метры реконструкции m и [3], [4], [10].
На основе данных об измеряемых параметрах необходимо провести анализ ситу-
ации и построить алгоритмы обработки измерительной информации, наилучшим образом
отображающие тенденции в изменении компонент информационного вектора J. В про-
цессе обработки информации выделяются нестандартные (нештатные и экстремальные)
ситуации, осуществляется оценка и прогноз их развития на основе конкурирующих
вычислительных технологий в рамках концепции мягких вычислений. Для улучше-
ния качества используемой информации при интерпретации сигналов использованы
методы их обработки на основе теоремы Такенса [10].
Задачей прогнозирования является нахождение функции последовательности
векторов J1, …, JN, удовлетворяющих заданной точности в виде среднеквадратической
погрешности многошагoвого прогноза:
P
i
i
j
j
P
i
i
j
jj
x
xx
1 1
2
1 1
2*
2
, (7)
где хj* – установленное в результате прогноза значение временного ряда; хj – истинное
значение временного ряда; – время упреждения; Р – количество значений времен-
ного ряда в выборке; i [1,P], j [i,i + ] – номера значений временного ряда.
Задавая предельные значения измеряемых характеристик, можно построить дина-
мическую модель системы и установить интервал времени = min, в пределах которого
обеспечивается безопасная эксплуатация судна, движущегося в ледовом поле:
= min при Х(t1) |Х1*|, … , X(tN) |ХN*|. (8)
3. Результаты нейросетевого моделирования
Разработанная программа моделирования искусственной нейронной сети (ИНС)
позволяет проводить обучение трехслойной нейронной сети обратного распространения
с любым количеством нейронов. При инициализации ИНС в качестве параметров
указывается число входных нейронов, число выходных нейронов и число нейронов
скрытого слоя. При моделировании задачи прогноза из общего набора исходных данных
формируется обучающая выборка, размер которой зависит от количества нейронов вход-
Нейросетевое моделирование динамики судна в ледовых условиях
«Штучний інтелект» 3’2009 389
8Ж
ного слоя. Эта выборка передается в функцию обучения нейронной сети TrainNetwork,
параметры которой также содержат длину обучающей выборки и максимальную
погрешность обучения. Эта функция возвращает значение ошибки обучения.
В процессе обучения на первом шаге производится просмотр всей обучающей
выборки на предмет нахождения входных данных, приводящих к наибольшей ошибке
обучения. Затем обучение производится на основе этих входных данных: вычисляются
чувствительность выходного и скрытого слоев, обновляются веса и смещение выход-
ного и скрытого слоев в соответствии с алгоритмом обратного распространения ошибки.
Для улучшения визуального контроля над процессом обучения результаты прог-
ноза выводятся пользователю после каждой эпохи обучения, что позволяет быстро по-
добрать структуру нейронной сети: количество входных нейронов и количество нейро-
нов скрытого слоя. Таймер, вызывающий процедуру обучения нейронной сети, также
осуществляет вывод текущего прогноза на экран. Для этого производится создание
новой нейронной сети как копии обученной и вызов процедуры CalcOutput, в качестве
параметров которой подаются значения нейронов входного и выходного слоя. Результат
прогноза записывается во второй параметр. Затем полученные значения выводятся на
экран, а копия нейронной сети удаляется.
На рис. 2 представлены примеры прогноза смешанной динамики. Обучающая
выборка насчитывает 280 точек.
Рисунок 2 – Прогноз ИНС на 11-м (А) и 44-м (В) циклах обучения
Результат прогноза насчитывает 120 точек и выделен светлым тоном (верхний
график). Нижний график иллюстрирует изменение ошибки обучения в зависимости от
количества циклов обучения. Для начала работы необходимо нажать кнопку «Начать
обучение», после чего будет запущен таймер, реализующий поэтапный вывод резуль-
татов каждого шага обучения на экран. Кнопка «Моделирование» предназначена для
вывода на экран результатов на основе уже обученной нейронной сети.
Жук Ю.C., Нечаев Ю.И.
«Искусственный интеллект» 3’2009 390
8Ж
В
На рис. 3 представлен пример прогноза смешанной динамики. Обучающая выбор-
ка насчитывает 230 точек и выделена темным тоном. Результат прогноза насчитывает
45 точек и выделен cветлым тоном. Количество входных нейронов равно 80, количество
выходных – 15, скрытый слой содержит 150 нейронов. Нижний график иллюстрирует
изменение ошибки в зависимости от количества циклов обучения. Для начала работы
необходимо нажать кнопку «Начать обучение», после чего будет запущен таймер,
реализующий поэтапный вывод результатов каждого шага обучения на экран.
Рисунок 3 – Прогноз ИНС на 12-м (А) и на 50-м (В) цикле обучения
Представленная на рис. 2 и 3 информация о прогнозе динамики судна исполь-
зуется в качестве конкурирующей при выработке решения по управлению судном в
ледовых условиях. Сравнительный анализ ведется с учетом данных прогноза при моде-
лировании динамического ряда на основе алгоритма анализа временных рядов с
использованием теоремы Такенса. Результаты этих исследований были доложены на
Международной конференции по мягким вычислениям и измерениям SCM-2009 и
здесь не рассматриваются. Следует только отметить, что анализ альтернатив на основе
алгоритма Беллмана – Заде показал, что в большинстве случаев, особенно в сложных
ситуациях, предпочтение отдается нейросетевым алгоритмам. Причем наибольший эф-
фект получается в случае использования механизма логического вывода по прецеденту
в том случае, если в базе знаний прецедентов имеется заранее обученная нейронная
сеть, отражающая динамику текущей ситуации.
Заключение
Решение задач динамики судна в ледовых условиях в рамках принципа конкурен-
ции позволяет на базе анализа альтернатив выбирать предпочтительную вычислитель-
ную технологию с использованием методов классической математики и нейросетевых
Нейросетевое моделирование динамики судна в ледовых условиях
«Штучний інтелект» 3’2009 391
8Ж
моделей. Расширяя функциональные возможности системы и повышая эффективность
решения поставленных задач, разработанный подход позволяет обеспечить предска-
зание критических и аварийных ситуаций при эксплуатации судов активного ледового
плавания.
Литература
1. Александров В.Л. Интеллектуальные системы новых поколений / В.Л. Александров, А.П. Матлах,
Ю.И. Нечаев, В.И. Поляков // Морской вестник. – 2002. – № 2. – С. 53-57.
2. Бокс Дж. Анализ временных рядов: прогноз и управление / Дж. Бокс, Г. Дженкинс. – М. : Мир, 1974.
3. Борисов Ю.Ю. Построение прогнозирующих моделей динамических систем на основе исследования
окрестностей реконструированных аттракторов / Ю.Ю. Борисов // Автоматизация и современные
технологии. – 2007. – № 2. – С. 32-37.
4. Лесных В.Ю. Динамическая реконструкция временных рядов / В.Ю. Лесных // Сб. докладов Х Между-
народной конференции по мягким вычислениям и измерениям SCM-2007. – Санкт-Петербург, 2007. –
Т. 1. – С. 199-202.
5. Нечаев Ю.И. Математическое моделирование в бортовых интеллектуальных системах реального
времени / Ю.И. Нечаев // Тр. 5-й Всероссийской конференции «Нейроинформатика-2003». – М. :
МИФИ, 2003. – Ч. 2 : Лекции по нейроинформатике. – С. 119-179.
6. Нечаев Ю.И. Нейроаппроксимация и нейропрогноз при контроле динамики сложного объекта /
Ю.И. Нечаев // Нейрокомпьютеры: разработка, применение. – 2005. – № 9. – С. 22-31.
7. Нечаев Ю.И. Концептуальные основы создания бортовых интеллектуальных систем / Ю.И. Нечаев //
Информационно-измерительные и управляющие системы. Ч. 2 : Корабельные системы. – 2006. – № 9. –
С. 39-49.
8. Нечаев Ю.И. База знаний и механизм логического вывода / Ю.И. Нечаев, О.Н. Петров // Бортовые
интеллектуальные системы. Ч. 2. Корабельные системы. – С. 23-27.
9. Уоссермен Ф. Нейрокомпьютерная техника / Уоссермен Ф. – М. : Мир, 1992.
10. Takens F. Lectures notes in mathematics / Takens F. – N.Y. : Springer, 1981. – Vol. 898. – P. 366-381.
11. Zadeh L. Fuzzy logic, neural networks and soft сomputing / L. Zadeh // Соmmutation on the ASM. – 1994. –
Vol. 37, № 3. – Р. 77-84.
Ю.C. Жук, Ю.И. Нечаев
Нейросітьове моделювання динаміки судна у штормових умовах
У статті обговорюються питання використання нейромережних моделей при контролі динаміки судна у
льодових умовах. Контроль і прогноз розвитку ситуації реалізується на основі даних динамічних
вимірювань у рамках принципу конкуренції. Моделювання здійснено з використанням методів класичної
математики та теорії штучних нейронних мереж.
Yu.S. Zhuk, Yu.I. Netchayev
Neural Networks Modeling of Ship Dynamicsin Ice Conditions
The questions of use of neural networks models are discussed at the control of ship dynamics in ice
conditions. The control and forecast of development of a situation is realized on the basis of the data dynamic
measurements within the framework of a competition principle. The modeling is carried out with use of
methods of classical mathematics and theory of artificial neural networks.
Статья поступила в редакцию 25.05.2009.
|
| id | nasplib_isofts_kiev_ua-123456789-8127 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1561-5359 |
| language | Russian |
| last_indexed | 2025-12-07T15:30:42Z |
| publishDate | 2009 |
| publisher | Інститут проблем штучного інтелекту МОН України та НАН України |
| record_format | dspace |
| spelling | Жук, Ю.C. Нечаев, Ю.И. 2010-04-30T15:25:33Z 2010-04-30T15:25:33Z 2009 Нейросетевое моделирование динамики судна в ледовых условиях / Ю.C. Жук, Ю.И. Нечаев // Штучний інтелект. — 2009. — № 3. — С. 384-391. — Бібліогр.: 11 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/8127 004.942 В статье обсуждаются вопросы использования нейросетевых моделей при контроле динамики судна в ледовых условиях. Контроль и прогноз развития ситуации реализуется на основе данных динамических измерений в рамках принципа конкуренции. Моделирование осуществлено с использованием методов классической математики и теории искусственных нейронных сетей. У статті обговорюються питання використання нейромережних моделей при контролі динаміки судна у льодових умовах. Контроль і прогноз розвитку ситуації реалізується на основі даних динамічних вимірювань у рамках принципу конкуренції. Моделювання здійснено з використанням методів класичної математики та теорії штучних нейронних мереж. The questions of use of neural networks models are discussed at the control of ship dynamics in ice conditions. The control and forecast of development of a situation is realized on the basis of the data dynamic measurements within the framework of a competition principle. The modeling is carried out with use of methods of classical mathematics and theory of artificial neural networks. ru Інститут проблем штучного інтелекту МОН України та НАН України Прикладные интеллектуальные системы Нейросетевое моделирование динамики судна в ледовых условиях Нейросітьове моделювання динаміки судна у штормових умовах Neural Networks Modeling of Ship Dynamicsin Ice Conditions Article published earlier |
| spellingShingle | Нейросетевое моделирование динамики судна в ледовых условиях Жук, Ю.C. Нечаев, Ю.И. Прикладные интеллектуальные системы |
| title | Нейросетевое моделирование динамики судна в ледовых условиях |
| title_alt | Нейросітьове моделювання динаміки судна у штормових умовах Neural Networks Modeling of Ship Dynamicsin Ice Conditions |
| title_full | Нейросетевое моделирование динамики судна в ледовых условиях |
| title_fullStr | Нейросетевое моделирование динамики судна в ледовых условиях |
| title_full_unstemmed | Нейросетевое моделирование динамики судна в ледовых условиях |
| title_short | Нейросетевое моделирование динамики судна в ледовых условиях |
| title_sort | нейросетевое моделирование динамики судна в ледовых условиях |
| topic | Прикладные интеллектуальные системы |
| topic_facet | Прикладные интеллектуальные системы |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/8127 |
| work_keys_str_mv | AT žukûc neirosetevoemodelirovaniedinamikisudnavledovyhusloviâh AT nečaevûi neirosetevoemodelirovaniedinamikisudnavledovyhusloviâh AT žukûc neirosítʹovemodelûvannâdinamíkisudnauštormovihumovah AT nečaevûi neirosítʹovemodelûvannâdinamíkisudnauštormovihumovah AT žukûc neuralnetworksmodelingofshipdynamicsiniceconditions AT nečaevûi neuralnetworksmodelingofshipdynamicsiniceconditions |