CC BY
58
риск возникновения различных нештатных ситуаций и аварий, на практике все наоборот.
В последние годы количество руководящих документов: актов, постановлений, значительно возросло и командному составу приходиться справляться с огромным объемом бумажной работы. Вследствие чего, внимание рассеивается от основных задач хорошей морской практики и направляется на мене значимые, но не менее обязательные задачи.
Осмотр судна в порту осуществляется капитаном морского порта, либо уполномоченным им должностным лицом, в соответствии с перечнем документов, подлежащих проверке при осмотре и контрольном осмотре судна, в соответствии с КТМ Российской Федерации, правилами 11(с), 19 главы I, правилом 16.2 главы V, правилом 2 главы Х1-1, правилом 9 главы Х1-2 Международной конвенции по охране человеческой жизни на море 1974 годаспоправками, правилами 6 и 8 главы 2, Приложения I к Международной конвенции по предотвращению загрязнения с судов 1973 года, правилом 16 главы 6 Приложения II к Международной конвенции МАРПОЛ, статьей 21 Международной конвенции о грузовой марке 1966 года, статьей Х и правилом 1/4 главы 1 Приложения к Международной конвенции о подготовке и дипломировании моряков и несении вахты 1978 года, части А Кодекса ОСПС, МППСС-72, статьей 4 Конвенции о минимальных нормах на торговых судах 1976 г. № 147, Международной конвенцией по обмеру судов 1969 года, Международной конвенцией о гражданской ответственности за ущерб от загрязнения нефтью 1992 года, Международной конвенцией о гражданской ответственности за ущерб от загрязнения бункерным топливом 2001 года.
ВЫВОДЫ
В последние годы количество руководящих документов, актов, постановлений значительно возросло, и командному со-
ставу приходиться справляться с огромным объемом бумажной работы. Вследствии чего, внимание рассеивается от основных задач хорошей морской практики и направляется на мене значимые задачи.
Такой подход обеспечивает лишь формальное соблюдение всех норм и требований, а на практике возможно за рутиной не увидеть реальную опасность. Поэтому на службы государственного портового контроля возлагается дополнительная ответственность в обеспечении безопасности мореплавания, а именно, помимо функции констатации проблемы они должны уметь решать задачи прогноза уровня безопасности конкретного судна. Для этой цели в перспективе необходима разработка соответствующей методики.
Литература:
1. Ивановский Н.В. Элементы математического моделирования для процессов судовождения / Н.В. Ивановский, С.П. Голиков, С.Г. Чёрный, А.С. Кузьменко, Д.Г. Куценко // Проблеми шформацшних технологш. - 2013. - № 1 (13). - С. 128-131.
2. Черный С. Г. Системный анализ процессов синергетики для судоходной отрасли / С.Г. Черный // Транспорт: наука, техника, управление. - 2014. - № 8. - С. 12-15.
3. Международная конвенция по охране человеческой жизни на море (SOLAS-74)
4. Международный кодекс по спасательным средствам (LSA Code)
5. Международная конвенция по предотвращению загрязнения с судов (MARPOL 73/78)
6. Международная конвенция о подготовке и дипломированию моряков и несении вахты (STCW 78/95)
7. Международный кодекс по охране судов и портовых средств (ISPS Code)
УДК. 656.61.052
НЕЙРОСЕТЕВОЙ МЕТОД ПРОГНОЗА СЧИСЛИМЫХ КООРДИНАТ МЕСТА СУДНА
Дерябин В.В., к.т.н., доцент кафедры Общеинженерных дисциплин, Архангельский филиал Государственного университета морского и речного флота имени адмирала С.О. Макарова, г. Архангельск, Россия, тел.:+7(921) 550-61-40, e-mail: gmavitder@mail.ru
В настоящей статье рассматривается построение модели счисления пути судна на основе нейронной сети. Нейронная сеть имеет своим входным сигналом курс судна, а также значения продольной и поперечной составляющих его относительной скорости. Выходным сигналом служат приращения координат места судна без учёта влияния течения. Использование такой модели счисления наиболее актуально, когда судно оборудовано двухканальным относительным лагом и гирокомпасом. Обучение сети производится на основе образцов, полученных в ходе компьютерного моделирования. Результаты тестирования позволяют сделать вывод о том, что созданная нейронная сеть прогнозирует координаты судна с высокой степенью точности. Также было проведено сравнение точности прогноза координат нейронной сетью по отношению к другим методам численного интегрирования.
Ключевые слова: нейронная сеть, координаты судна, счисление пути, численное интегрирование
NEURAL NETWORK METHOD OF VESSEL'S DEAD RECKONING POSITION
PREDICTION
Deryabin V., Ph.D., Associated Professor of General Engineering Department, Arkhangelsk brunch of the Admiral Makarov State University of Maritime and Inland Shipping, Arkhangelsk, Russia, tel.:+7(921) 550-61-40, e-mail: gmavitder@mail.ru
In the article the vessel's dead reckoning model construction on basis of neural network is considered. Neural network has as input signal the value of ship's heading and longitudinal and transverse components of its speed over water. Increments of ship's coordinates without current influence form output signal. The use of such scheme of dead reckoning is most actual when vessel is equipped with two-channel relative log and gyrocompass. Training of net is performed on basis of examples, which are obtained with computing modeling. The results of testing let to resume, that the developed neural network predicts vessel coordinates with high degree ofprecision. Also the comparison of neural net prediction precision as to other methods of numerical integration was performed.
Keywords: neural network, vessel's position, dead reckoning, numerical integration.
Использование на судах автономных навигационных систем предполагает, что получаемые при их помощи координаты есть результат интегрирования некоторых исходных величин. В случае инерциальной системы такими величинами служат ускорения судна, а если используются лаг и гирокомпас, то интегрируемой величиной выступает скорость.
Интегрирование выполняется численным методом. При этом можно выделить две задачи, которые выполняет тот или иной алгоритм интегрирования. Первая задача - это задача прогнозирования, которую решают, например, методы Рунге-Кутта, позволяющие оценить значение искомой величины на шаг вперёд. С другой стороны,
можно использовать для интегрирования такие методы как метод прямоугольников или метод трапеций. В данном случае речь идёт о несколько другой задаче, а именно: оценке искомой величины на текущий момент. В любом случае, при использовании того или иного способа интегрирования возникают методические погрешности, появление которых вызвано отклонением предполагаемого характера изменения величины от истинного её поведения во времени. Причём это отклонение никаким образом не может быть зафиксировано в промежутках времени между имеющимися измерениями.
Иными словами, при численном интегрировании приходится исходить из предположения о конкретном характере изменения ве-
Hidden
Output
Рис.1. Общий вид нейронной сети.
личины в промежутке времени, ограниченном двумя последовательными измерениями. В связи с этим, особый интерес представляют нелинейные алгоритмы прогноза и оценки координат места судна, которые в своём принципе не содержат предположений о конкретном характере динамики прогнозируемых величин - координат судна. Свойством нелинейности преобразования сигналов обладают нейронные сети, поэтому их применение к задаче прогноза траектории движения судна представляется целесообразным.
Другим важным свойством нейронных сетей является их способность к параллельной обработке информации, что позволяет, как правило, выдавать прогнозируемые результаты с большей надёжностью по сравнению с последовательными алгоритмами. Ещё одним качеством нейронных сетей можно назвать их адаптивность, что делает их удобным инструментом при построении самонастраивающихся систем - адаптивных фильтров и регуляторов. Наконец, при помощи нейронных сетей возможны быстрые вычисления, что может быть использовано как при решении задач адаптивного управления и фильтрации, так и прогноза координат места судна. Таким образом, в практическом плане, выделяются четыре свойства, которые делают применение нейронных сетей целесообразным для решения задач управления движением судна, а именно: нелинейность, надёжность, быстродействие и адаптивность.
В теоретическом же отношении следует заметить следующее. Во многих случаях возникает задача идентификации модели движения судна, в качестве которой обычно используются дифференциальные уравнения его движения. Но сам вид этих уравнений вызывает, как правило, определённые сомнения, так как выражения для вычисления сил, действующих на судно, получены обычно на основе экспериментальных данных и могут отличаться от одного судна к другому. Нейронная же сеть выступает как принципиально иная по отношению к дифференциальным уравнениям универсальная модель, параметры которой (веса и пороги) могут быть идентифицированы в ходе обучения на основе данных, полученных в результате натурного эксперимента.
В настоящей статье предлагается построение нейронной сети, прогнозирующей координаты места судна на шаг вперёд. Как известно из теории нейронных сетей [2], такая задача может быть решена при помощи динамической рекуррентной сети, представляющей собой модель нелинейной авторегрессии с внешними входами (NARX - nonlinear auto regression with external inputs).
Вход сети имеет линию единичных задержек, на которую поступает внешний входной сигнал:
(sin(K)' cos(K)
V xl
V .
V
где K - истинный курс судна, ''0 х1 - продольная составляющая V VI
относительной скорости судна, 0У- поперечная составляющая относительной скорости (скорость дрейфа).
Выходной сигнал также имеет линию единичных задержек и представляет собой координаты центра тяжести судна в локальной
системе координат: ^ ~(х°, уо ) .
Данный сигнал подаётся по линии обратной связи на вход сети.
Сеть имеет два слоя, первый из которых содержит 15 нейронов с сигмоидальными функциями активации, а второй - 2 нейрона, обладающих линейными функциями активации. Количество единичных задержек составляет 15 при дискретности модели, равной 1 секунде. Общий вид нейронной сети показан на рис.1. Указанные параметры: число слоёв, нейронов, единичных задержек - влияют на точность прогноза, и определение их оптимального количества теоретическим путём невозможно. С другой стороны, число свободных параметров сети (весовых коэффициентов и смещений) влияет на выбор количества образцов для обучения. Поэтому при определении архитектуры сети следует учитывать возможности вычислительной техники, при помощи которой обучается сеть.
После выбора архитектуры сети следует рассмотреть методику формирования образцов для её обучения. В качестве эталонной модели, связывающей вход сети с её выходом, выбрана схема интегрирования Эйлера, по которой координаты центра тяжести
судна в некоторый момент времени ^ определяются следующими соотношениями:
хс«пЛ = хМ + (Уох1-со*<<К)-Гоу1-*т(К))Л,
где
dt_
интервал интегрирования по времени,
(1) номер мо-
X =
мента времени. Обозначения для курса и компонент относительной скорости относятся к моменту времени п.
Компоненты вектора входного сигнала ограничены определёнными значениями. Например, косинус истинного курса может принимать значения от -1 до +1. Координаты же судна теоретически могут изменяться (увеличиваться или уменьшаться) неограниченно во времени. В процессе обучения сети её образцы масштабируются, поэтому необходимо, чтобы координаты как выходные образцы изменялись в тесных пределах. Последнее возможно, если входные сигналы от одного момента времени к другому меняются случайным образом на промежутках их возможных значений. При этом следует задать также и дискретность изменения входных образцов во времени, чтобы уменьшить вероятность получения «похожих» образцов.
Таким образом, алгоритм формирования образцов для обучения выглядит следующим образом. В каждый момент времени с дис-
Таблица 1. Дискретность и диапазон изменения сигналов
n
кретностью в 1 секунду по закону равномерного распределения при помощи генератора псевдослучайных чисел выбираются возможные значения курса и компонент скорости судна, затем вычисляются компоненты входного сигнала. Получается временная последовательность входного сигнала. Затем в соответствии с выражением (1) формируются временные последовательности выходного сигнала - координат судна. Дискретность входных величин, диапазон изменения сигналов приведены в таблице 1.
Определив способ получения образцов, теперь нужно выбрать их оптимальное количество, которое влияет на способность обученной сети к обобщению. В литературе [1,2] даются рекомендации относительно необходимого для обучения сети количества образцов в виде эмпирической формулы:
W
N > —
e (2) где W - количество свободных параметров сети (весовых коэффициентов и пороговых значений), e - доля ошибок, допускаемых в ходе тестирования. Описанная выше нейронная сеть имеет 1397 свободных параметров, поэтому, если выбрать уровень ошибки 1%, то для обучения потребуется 139700 образцов.
После формирования образцов можно приступить к процессу обучения. В качестве алгоритма обучения выбирается метод Левенберга-Марквардта [3,4], а для предотвращения переобучения используется способ регуляризации Байеса. В качестве критерия останова выбрано время обучения и характер изменения функции стоимости, которая представляет собой средний квадрат ошибки. Создание нейронной сети, подготовка образцов, обучение и тестирование сети выполнялось в среде МАТЬАБ Я2013Ь. Обучение производилось в пакетном режиме, при этом использовалась сеть в последовательно-параллельной форме, с разомкнутой обратной связью. После 48 часов обучения функция стоимости достигла по-
м0-7 2
рядка и затем не изменялась существенным образом. При
этом максимум модуля невязки на обучающей выборке составил 2.26 м. Параметры обучения сети представлены в таблице 2.
После обучения сети выполняется её тестирование на образцах, которые не использовались в процессе обучения. Рассматриваются два варианта поведения входных величин во времени. В первом случае последовательности входных величин полностью не коррелированны во времени: их значения выбираются случайным образом из промежутка возможных значений подобно тому, как формировались входные образцы для обучения. В другом случае входные величины также принимают значения из заданных диапазонов, но при этом они постоянны во времени. Сравниваются истинные координаты с теми, которые прогнозируются сетью, на промежутке времени, равном 4 часа. В качестве критерия рас-
хождения траекторий выбрано максимальное значение модуля невязки на промежутке времени плавания.
Использование нейронной сети в режиме прогноза координат происходит таким образом. Сеть принимает на вход задержанные
гп
значения входных сигналов до момента времени включительно,
прогнозируя при этом координаты на момент времени п+1 . Затем вторая по порядку на линии задержки точка траектории становится той, в которую переносится начало координат, и по отношению к которой вычисляется уже координата на следующий момент времени. Другими словами, сеть прогнозирует приращения координат по отношению к точке траектории, которая соответствует времени начала задержек. Ещё одним вариантом использования сети может быть такой, при котором сеть прогнозирует координаты по отношению к начальной точке до тех пор, пока прогнозируемые их значения не выйдут за рамки диапазонов изменений, наблюдаемых в процессе обучения (см. таблицу 1). Было рассмотрено по 1000 модельных ситуаций, соответствующих двум вариантам изменения входных сигналов. Результаты тестирования приведены в таблице 3.
В процессе тестирования сравнивались работа нейронной сети с алгоритмом численного интегрирования Эйлера, на основе которого и формировались выходные образцы обучающего множества. Конечно, данный метод не является совершенным в том смысле, что при его использовании скорость предполагается величиной постоянной на интервале дискретности измерений. Более точным способом интегрирования в данном случае может считаться метод трапеций, так как он использует значение скорости в текущий и предыдущий момент времени. Возможно, для цели формирования выходных образцов способ трапеций будет и самым оптимальным в том смысле, что конкретный характер изменения скорости в промежутке времени между измерениями неизвестен, и остаётся предполагать лишь его линейность.
Таким образом, результаты тестирования нейронной сети позволяют сделать вывод о том, что она прогнозирует траекторию движения судна по отношению к выбранной схеме интегрирования с высокой для навигационных целей точностью.
Сравнив работу нейронной сети с алгоритмом интегрирования, на основе которого формировались выходные образцы для её обучения, выполним теперь проверку её работоспособности по отношению к траектории, которая вычисляется точным аналитическим способом. Координаты судна могут быть конкретными функциями времени, иметь различный вид и параметры. Рассмотреть все возможные их варианты невозможно, поэтому придётся ограничиться частными случаями. Важным случаем является ситуация, когда ко-
Таблица 2. Параметры процесса обучения сети
Таблица 3. Результаты тестирования нейронной сети
Вид модельной ситуации Количество ситуаций Модуль невязки за 4 часа плавания, м
Наименьшее значение Среднее значение Наибольшее значение
Хаотическое изменение входных сигналов 1000 1.8 2.0 9.2
Постоянные значения входных сигналов во времени 1000 0.4 10.8 43.1
ординаты судна изменяются во времени линейным образом. Однако при этом методические погрешности численного интегрирования по методу Эйлера и трапеций будут очень малы. Поэтому интерес представляют ситуации, когда координаты судна и их первые производные изменяются во времени нелинейно. Примером указанного движения служит перемещение судна по окружности с постоянной скоростью, то есть случай установившейся циркуляции. В таком случае координаты судна как функции времени определяются следующим образом:
х(г) = Я svй(wt),
у(1) = Я 008( wt), (3)
где Я - радиус установившейся циркуляции, ™ - круговая частота установившейся циркуляции, определяющаяся выражением:
™ = VЯ, где ^о - скорость судна на установившейся циркуляции.
(4)
центра тяжести судна в локальной системе координат:
V2 (V ах(Г) = ¥х(0 = —-вт р*-/ Я I Я
V.?
«Д0 = ^(0 = -^-СО8|
К УК > (5)
Как видно из выражений (4) и (5) скорость судна при установившейся циркуляции не остаётся величиной постоянной во времени. Более того, она изменяется нелинейно. Методическая погрешность способа Эйлера будет обязательно отлична от нуля, если на интервале дискретности ускорение отлично от нуля, и оно не
меняет знак на этом интервале. Методическая погрешность способа трапеций гарантированно отличается от нуля, когда на интервале дискретности ускорение изменяется, причём таким образом, что его производная не меняет знак. Таким образом, в случае установившейся циркуляции, методическая ошибка обоих рассматриваемых способов, в общем случае, не равна нулю, а её величина зависит V / Я
от соотношения 0 . Поэтому следует рассмотреть различные варианты движения судна на циркуляции, каждый из которых со-
V / Я
ответствует конкретному значению величины 0 .
Варьируя скорость на циркуляции от 1 до 30 узлов с дискретностью 1 узел, радиус установившейся циркуляции Я от 50 до 1000 м с интервалом 50 м, интегрированием (4) были получены траектории движения судна с использованием способа Эйлера, Рунге-Кутта второго порядка и метода трапеций. В предположении, что угол дрейфа на циркуляции равен +30°, были вычислены входные сигналы для нейронной сети, и получена соответствующая траектория на интервале времени 4 часа. Результаты тестирования приведены в таблице 4.
Как видно из данной таблицы, погрешности нейронной сети приближаются по своей величине к ошибкам метода Эйлера. График зависимости методической погрешности указанных алгоритмов от номера модельной ситуации изображён на рисунке 2.
По графику видно, что методическая погрешность метода Эйлера в эксперименте практически не зависит от радиуса циркуляции, а зависит только от скорости движения судна. В случае нейронной сети ошибка явно зависит от радиуса циркуляции при заданном значении скорости, несмотря на то, что сеть обучалась на данных, когда выходные образцы получаются именно методом интегрирования Эйлера.
Построенная нейронная сеть прогнозирует приращения координат центра тяжести судна в локальной географической системе координат, принимая на вход величины, которые зависят от курса и относительной скорости судна. Её обучение проис-
Таблица 4. Результаты тестирования нейронной сети (движение на установившейся циркуляции)
11*1 г I 200 300 400 ™
Рис.2. Методические погрешности алгоритмов
ходит на образцах, которые отображают работу определённого алгоритма численного интегрирования. После обучения сеть уже выступает в роли некоторого метода прогнозирования координат, использующего информацию о кинематических параметрах движения судна. Тестирование нейронной сети показывает, что в 2600 модельных ситуациях она прогнозирует траекторию движения судна с высокой точностью: максимальное значение модуля невязки за четыре часа плавания не превосходит 43 метра. Коэффициенты нейронной сети не зависят от физических характеристик конкретного судна, а зависят только от способа перехода от кинематических характеристик (курса и скорости) к координатам.
Размышляя о путях дальнейших исследований в области построения и применения построенной нейронной сети, можно отметить ряд вопросов, требующих изучения. Во-первых, необходимо изучить влияние количества нейронов в первом слое и числа задержек на точность прогноза траектории. Во-вторых, следует установить зависимость качества работы сети от числа образцов,
используемых на этапе её обучения. В-третьих, необходимо разработать более надёжную методику тестирования нейронной сети. Наконец, нужно исследовать возможность использования данной нейронной сети в задаче уменьшения влияния помех, содержащихся в измерениях лага и гирокомпаса.
Литература:
1. Каллан Роберт. Основные концепции нейронных сетей.: Пер. с англ. - М.: Издательский дом "Вильямс", 2003. - 288 с.
2. Хайкин Саймон. Нейронные сети: полный курс. : Пер. с англ.-М.: Издательский дом "Вильямс", 2006. - 1104 с.
3. Levenberg, K., "A Method for the Solution of Certain Problems in Least Squares," Quart. Appl. Math. Vol. 2, pp 164-168, 1944.
4. Marquardt, D., "An Algorithm for Least-Squares Estimation of Nonlinear Parameters," SIAM J. Appl. Math. Vol. 11, pp 431-441, 1963.
УДК 371
ИНДИВИДУАЛИЗАЦИЯ САМОСТОЯТЕЛЬНОЙ УЧЕБНОЙ ДЕЯТЕЛЬНОСТИ
КУРСАНТОВ
Минько А.Ю., к.п.н., Военный университет МО РФ
В данной статье рассматривается проблема индивидуализации самостоятельной деятельности курсантов, а также повышение эффективности обучения в профессиональном становлении будущего специалиста. Предлагается исследование различных сторон процесса саморегулирования индивидуализации обучения, представляющее собой самостоятельную дидактическую проблему в педагогической практике.
Ключевые слова: самостоятельность, учебная деятельность, образовательная деятельность, обучение, учебные задания, индивидуальная работа.
INDIVIDUALIZATION INDEPENDENT EDUCATIONAL ACTIVITY OF STUDENTS
Minko A., candidate of pedagogical Sciences Military University of the Ministry of Defense of the Russian Federation
This article considers the problem of individualization independent activity of students, as well as improving the efficiency of learning in the professional development of the future specialist. Proposed study on different sides of the self-regulation process of individualization of learning, represents an independent didactic problem in pedagogical practice.
Keywords: autonomy, learning activities, educational activities, training, assignments, individual work.
В педагогической теории высшей школы существуют различные подходы к проблеме самостоятельной учебной работы.
Анализ индивидуальной дидактической работы преподавателей с курсантами в вузах позволил выявить трудности, испытываемые педагогом при организации и методике индивидуальных воздействий на обучающихся в ходе самостоятельной работы, и их причины.
Исходя из сущности процесса индивидуализации образовательной деятельности, самостоятельная работа имеет три значения этого понятия [1, С. 28].
Во-первых, курсант должен выполнить работу без помощи преподавателя.
Во-вторых, обучаемый выполняет самостоятельные мысленные операции, самостоятельно ориентируется в учебном материале.
В-третьих, выполнение работы строго не регламентировано, курсанту предоставляется свобода выбора содержания и способа выполнения задания.
В отечественной педагогике чаще всего в понятие самостоятельной работы вкладывается первое значение. Известный ученый-педагог И.Унт выделяет понятия - самостоятельность и самостоятельная работа.
Анализ психолого-педагогической литературы показал, что самостоятельная работа - это способ учебной работы, где:
1) учащимся предлагают учебные задания и руководства для их выполнения;
2) работа проводится без непосредственного участия преподавателя, но под его руководством;
3) выполнение работы требует от учащихся умственного напряжения.
В исследовательских целях, самостоятельную работу можно
разделить на: самостоятельную работу в ходе занятий и самостоятельную работу вне занятий [2, С. 35].
В педагогической практике сложилось два вида самостоятельной работы: индивидуальная и групповая.
В ходе индивидуальной самостоятельной работы каждый обучаемый получает конкретные задания, которые предполагают выполнение, как в устной, так и в письменной форме, в индивидуальном темпе и стиле.
Разные исследователи по-своему определяют умения самостоятельной работы. Встречаются определенные понятия «интеллектуальные усилия» и др. Исходя из концепции проблемно-деятельного обучения, следует использовать такое понятие ка «учебные умения». Под ними подразумеваются такие умения, которые включают в себя умственные приемы. В результате формирования этих умений достигаются развивающие цели обучения.
Анализ исследуемой проблемы работы позволяет подразделить умения индивидуализированной самостоятельной работы следующим образом:
- общие умения индивидуализированной работы (планирование, работа с литературой, самоконтроль и т.д.);
- умения организации своей психической деятельности (целесообразности восприятия, рационального усвоения, эффективного мышления и т.д.);
- конкретные специальные умения, исходящие из специфики предмета.
Данные, полученные в ходе психолого-педагогического анализа, позволяют произвести классификацию учебных умений, исходя из различных аспектов и подразделить их на следующие виды:
- общие и учебные навыки, умения, связанные с работой с источниками и систематизацией учебного материала;
