Научная статья на тему 'К проблеме автоматизации определения местоположения судна в электронно-картографической навигационно-информационной системе'

К проблеме автоматизации определения местоположения судна в электронно-картографической навигационно-информационной системе Текст научной статьи по специальности «Компьютерные и информационные науки»

CC BY
134
22
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
ЭЛЕКТРОННО-КАРТОГРАФИЧЕСКАЯ НАВИГАЦИОННО-ИНФОРМАЦИОННАЯ СИСТЕМА / ОБСЕРВАЦИИ / АВТОМАТИЗАЦИЯ ОПРЕДЕЛЕНИЯ МЕСТОПОЛОЖЕНИЯ СУДНА / НЕЙРОСЕТЕВЫЕ ТЕХНОЛОГИИ / КОНКУРЕНТНАЯ НЕЙРОННАЯ СЕТЬ / ПРОПУСКНОЙ ИНТЕГРАТОР / СЧИСЛИМЫЕ ПЕЛЕНГИ / НЕЙРОННАЯ СЕТЬ ГРОССБЕРГА / ELECTRONIC CARTOGRAPHIC NAVIGATION AND INFORMATION SYSTEM / OBSERVATIONS / SHIP POSITIONING AUTOMATION / NEURAL NETWORK TECHNOLOGY / COMPETITIVE NEURAL NETWORK / BANDWIDTH INTEGRATOR / COUNTABLE BEARING / GROSSBERG NEURAL NETWORK

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Литвиненко Василий Васильевич

Рассматривается определение местоположения судна: курс, скорость, прокладка маршрута с помощью современных нейросетевых технологий. Актуальность темы обусловлена противоречием, с одной стороны наличием консервативных методов определения местоположения судна («человек»), с другой существованием многих автоматизированных систем судовождения («машина»). Все поставленные цели работы реализованы и могут быть рекомендованы к внедрению на судне.

i Надоели баннеры? Вы всегда можете отключить рекламу.
iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

On automating the determination of the vessel location in an electronic cartographic navigation and information system

This scientific article deals with determining the location of the vessel the course, speed, plotting on the chart by means of sophisticated neural network technologies. The relevance of the topic is due to the contradiction, on the one hand, the presence of conservative methods for determining the ship’s position (“man”), and on the other, the existence of many automated navigation systems (“machine”). All the goals of the work have been implemented and can be recommended for use on the vessel.

Текст научной работы на тему «К проблеме автоматизации определения местоположения судна в электронно-картографической навигационно-информационной системе»

УДК 004.032.2:629.5

ББК 32.818.1

Л 641

Литвиненко Василий Васильевич

Аспирант государственного морского университета им. адмирала Ф. Ф. Ушакова, Новороссийск, e-mail:

VL01081994@gmail.com

К проблеме автоматизации определения местоположения судна в

электронно-картографической навигационно-информационной системе

(Рецензирована)

Аннотация. Рассматривается определение местоположения судна: курс, скорость, прокладка маршрута с помощью современных нейросетевых технологий. Актуальность темы обусловлена противоречием, с одной стороны - наличием консервативных методов определения местоположения судна («человек»), с другой - существованием многих автоматизированных систем судовождения («машина»). Все поставленные цели работы реализованы и могут быть рекомендованы к внедрению на судне.

Ключевые слова: электронно-картографическая навигационно-информационная система, обсервации, автоматизация определения местоположения судна, нейросетевые технологии, конкурентная нейронная сеть, пропускной интегратор, счислимые пеленги, нейронная сеть Гроссберга.

Litvinenko Vasiliy Vasilyevich

Post-graduate student of Admiral F.F. Ushakov State Maritime University, Novorossiysk, e-mail:

VL01081994@gmail.com

On automating the determination of the vessel location in an electronic cartographic navigation and information system

Abstract. This scientific article deals with determining the location of the vessel - the course, speed, plotting on the chart - by means of sophisticated neural network technologies. The relevance of the topic is due to the contradiction, on the one hand, the presence of conservative methods for determining the ship's position ("man "), and on the other, the existence of many automated navigation systems ("machine"). All the goals of the work have been implemented and can be recommended for use on the vessel.

Keywords: electronic cartographic navigation and information system; observations, ship positioning automation, neural network technology, competitive neural network, bandwidth integrator, countable bearing, Grossberg neural network.

Решение задачи автоматизации определения местоположения судна (ОМС) в электронно-картографической навигационно-информационной системе (ЭКНИС) обусловлено противоречием, с одной стороны - наличием консервативных методов определения местоположения судна («человек»), с другой - существованием многих автоматизированных систем судовождения («машина»). Игнорирование этого противоречия может привести к аварийным ситуациям. Для оптимизации системы «человек-машина» предлагается автоматизация ОМС в ЭКНИС с помощью нейросетевых технологий, которые в автоматизированном режиме позволяют разрешить эти противоречия.

ЭКНИС облегчает работу штурмана, позволяя уделять больше времени на наблюдение, расхождение и решение навигационных задач. Однако аварийность не идет на убыль, а число аварий по вине человека остается прежним [1]. На безопасность судовождения существенное влияние в последние десятилетия оказывает увеличение количества морских судов. Поэтому актуальны исследования в направлении решения указанной проблемы на основе объединения методов классической навигации и нейросетевых технологий.

Достижение данной цели рассмотрим на примере ОМС по трем пеленгам [2], реализованной с помощью графической среды имитационного моделирования Simulink (рис. 1), которая требует ввода в систему местоположения наблюдателя в географической системе координат и географические координаты трех береговых объектов. Для автоматической работы системы будет достаточно использовать пропускной интегратор конкурентной нейронной сети [3]. В дальнейшем, используя полную модель нейронной сети, можно решать навигационные задачи известными способами.

Рис. 1. Общий вид модели ОМС по трем пеленгам, построенной в среде Simulink

Начало работы системы представлено на рисунке 2. Программа, получая данные в виде счислимых координат судна из спутниковой навигационной системы, выходящих из блока simin (latship и longship - счислимые широта и долгота судна; и трех ориентиров: lat 1 и long 1 - счислимые широта и долгота первого ориентира, lat 2 и long2 - счислимые широта и долгота второго ориентира, lat 3 и long 3 - счислимые широта и долгота третьего ориентира) взятых с ЭКНИС, путем снятия значений с электронной карты (широта и долгота судна и широта и долгота для трех ориентиров), переносит эти географические координаты в блоки Automic Subsystem, Automic Subsystem 1 и Automic Subsystem 2, где происходит преобразование географических координат в полярные при использовании известной формулы (1) [4]:

tg П = (4

Фа~Ф

(1)

где П - счислимый пеленг, Ла - долгота ориентира, Л - долгота судна, (ра - широта ориентира, р - широта судна, рт - промежуточная широта (рm = р).

Рис. 2. Получение координат судна и ориентира

Из второго блока данных simin 2 подаются значения пеленгов, полученных при захвате засветки ориентиров с помощью судовой РЛС при включении функции Overlay (рис. 3) [5]. Эти измеренные пеленги необходимы системе для подбора эталонных значений.

Рис. 3. Подбор эталонных значений

Так как засветка берегового ориентира на судовой РЛС не является точкой, а представляет собой некую область с множеством точечных целей, то непрерывно поступающие значения измеренных пеленгов этих точек анализируются и сравниваются со счислимыми пеленгами в блоках Logical Operator до тех пор, пока не выработается эталонное значение пеленга. Полученные значения поступают в следующий блок - конкурентную нейронную сеть.

Эталонное значение примется нейронной сетью за истинное только при удовлетворении условия точности. Если условия не будут соблюдены, то подбор эталонного пеленга продолжится до тех пор, пока погрешность не сведется к минимуму и выбор наилучшей возможности для обсерваций будет обеспечен (рис. 4).

Рис. 4. Работа нейронной сети

В дальнейшем, при потенциальном расчете, итерационным подбором достигается оптимальная точность обсерваций. Проверка работоспособности системы проводилась загруженными данными, максимально приближенными к реальным (рис. 5).

1 2 3 4 5 6 7 3 9

1 51,0733 1,4166 51 ШЗ 1,4755 51,0216 1,4000 51,1133 1,3316

2 51,073} 1,4166 51 ШЗ 1,4755 51,0216 1,4000 51,1133 1,3316

3 51,073} 1,4166 51 ШЗ 1,4755 51,0216 1,4000 51,1133 1,3316

4 51,073} 1,4166 51 ШЗ 1,4755 51,0216 1,4000 51,1133 1,3316

S 51,073} 1,4166 51 1333 1,4755 51,0216 1,4000 51,1133 1,3316

6 51,073} 1,4166 51 1333 1,4755 51,0216 1,4000 51,1133 1,3316

7 51,073} 1,4166 51 1333 1,4755 51,0216 1,4000 51,1133 1,3316

S 51,073} 1,4166 51 1333 1,4755 51,0216 1,4000 51,1133 1,3316

9 51,073} 1,4166 51 1333 1,4755 51,0216 1,4000 51,1133 1,3316

10 51,073} 1,4166 51 1333 1,4755 51,0216 1,4000 51,1133 1,3316

Рис. 5. Имитационные данные

В результате нескольких итераций был найден оптимальный сдвиг относительно счис-лимых координат и как итог - получение обсервованных координат:

фс=51°05',0 К,

Л,с=001°25',0 Е,

фо=51°16',2 К,

Л,о=001°24',0 Е.

Поскольку скорость и точность обсерваций являются основными факторами безопасности мореплавания, то быстрота обсервации позволяет судоводителю уделить больше времени наблюдению и оценке ситуации, что особенно необходимо в прибрежных водах, каналах и узкостях.

Высокая точность ОМС потенциально определяется применением непрерывной конкурентной нейронной сети Гроссберга с двумя уровнями, методами классической навигации для определения местоположения судна в море, а также данных с электронной карты. При этом скорость обсервации значительно увеличивается благодаря рабочей системе, принцип которой построен на обучении и сравнении снятых значений с эталонных.

В заключение отметим, представленная система показала свою работоспособность с помощью имитационных данных в рамках методики определения местоположения судна по трем пеленгам береговых ориентиров.

Примечания:

1. Аванесова Т.П., Язов Д.В., Меланич А.В. Способ решения проблемы уменьшения влияния человеческого фактора при расхождении судов в море // Вестник Адыгейского государственного университета. Сер. Естественно-математические и технические науки. 2014. Вып. i (133). С. 123-126. URL: http://vestnik.adygnet.ru

2. Навигация: учеб. для высш. мор. учеб. заведений / Ю.К. Баранов, М.И. Гаврюк, В.А. Логиновский, Ю.А. Песков. 3-е изд., перераб. и доп. СПб.: Лань, i997. 509 с.

3. Neural Network Design / Martin T. Hagan, Howard B. Demuth, Mark H. Beale, De Jesis Orlando. PWS Published Company, 2002. 734 pp.

4. Математические основы судовождения: учеб. для вузов / В.П. Кожухов, А.М. Жухлин, В.Т. Кондра-шихин, В. А. Логиновский, А.Н. Лукин. М.: Транспорт, 1993. 200 с.

5. Боран-Кешишьян А.Л., Костюков А.Б. Обеспечение безопасности плавания: учеб. пособие. Новороссийск: ГМУ, 2013. 124 с.

References:

1. Avanesova T.P., Yazov D.V., Melanich A.V. Reduction of influence of human factor at vessels' safe passing in the sea: way of the problem solution // The Bulletin of the Adyghe State University. Ser. Natural-Mathematical and Technical Sciences. 2014. Iss. 1 (133). P. 123-126. URL: http://vestnik.adygnet.ru

2. Navigation: a textbook for maritime educational institution / Yu.K. Baranov, M.I. Gavryuk, V.A. Logi-novsky, Yu.A. Peskov. 3rd ed., rev. and enl. SPb.: Lan, 1997. 509 pp.

3. Neural Network Design / Martin T. Hagan, Howard B. Demuth, Mark H. Beale, De Jesis Orlando. PWS Published Company, 2002. 734 pp.

4. Mathematical foundations of navigation: a manual for higher schools / V.P. Kozhukhov, A.M. Zhukhlin, V.T. Kondrashikhin, V.A. Loginovsky, A.N. Lukin. M.: Transport, 1993. 200 pp.

5. Boran-Keshishyan, A.L., Kostyukov A.B. Safety of navigation: a manual. Novorossiysk: SMU, 2013. 124 pp.

i Надоели баннеры? Вы всегда можете отключить рекламу.