CC BY
83
ТЕХНИЧЕСКИЕ НАУКИ: кораблестроение
D0l.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: [email protected] ВАСИЛЕНКО АННА МИХАЙЛОВНА - к.т.н., научный сотрудник научно-исследовательской лаборатории, e-mail: [email protected] 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 распределения 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.
© Пятакович В.А., Василенко А.М., Мироненко М.В, 2017
О статье: поступила: 31.07.2017; финансирование: бюджеты ТОВВМУ им. С.О. Макарова и СКБ средств автоматизации морских исследований ДВО РАН.
Введение
Решение задач классификации морских объектов на предельных дальностях, несмотря на продолжительные исследования в этой области, по-прежнему остаются актуальными [2, 7, 9, 11]. Причина в том, что традиционные системы распознавания неспособны эффективно использовать ресурсы, предоставляемые новыми технологиями, так как они разрабатывались при помощи инструментария предыдущего поколения. В упрощенном виде процесс нейрораспознавания (нейроклассификации) можно представить следующим образом: сигнал от шумящего объекта воспринимается гидроакустической антенной, усиливается и поступает на устройство первичной обработки информации, в котором производится подготовка данных для проведения классификации. Окончательное распознавание (классификацию) можно произвести, используя различные представления сигналов.
В данной статье рассматриваются некоторые типы нейроноподобных сетей для решении следующих задач: имитации мгновенного расположения распознаваемого объекта и параметров его движения; имитации климатической изменчивости вертикального распространения скорости звука в воде и параметров гидроакустических полей с использованием базы данных типичных кривых вертикального распределения скорости звука; имитации информационных потоков, возникающих в ситуациях «приемник-источник»; разработки модуля управления имитационной моделью; оценки адекватности модели. Мы полагаем, что применение имитационного моделирования информационной ситуации, возникающей в момент обнаружения объекта, и методов нечеткой логики позволит сформировать выборку с необходимым количеством данных для обучения нейронных сетей системы мониторинга полей различной физической природы в морской среде. Подчеркнем: эффективность процесса обучения и способность сетей решать поставленные перед ними проблемы во время эксплуатации, например классифицировать источники физических полей при мониторинге акваторий, целиком зависит от сформированных обучающих выборок.
Материал исследования
Существует множество терминов, определяющих понятие «искусственная нейронная сеть» (ИНС). Приведем некоторые из них: нейронные сети, нервные сети, нейроподобные сети, нейристорные сети (nerve networks, rescan de nerfs, nerven netze) и т.д. Под нейрoноподобной сетью в данной работе понимается совокупность искусственных нейронов, связанных между собой с целью передачи и преобразования информации (см. работы Д.Д. Хопфилда, Р.Е. Каллана, Г.А. Кар-пентура, Т.К. Кохонена, Д.Ф. Люгера и др. [5, 10]). Нейрoноподобную сетевую конструкцию можно рассматривать и как способ параллельной обработки данных при классификации образов технических источников информационных полей в морской среде. Способ, широкое применение которого предсказывали классики кибернетики (У. Рос Эшби, Н. Винер, С. Каморан и др.), наконец занял свое место, получил интенсивное аналитическое и техническое развитие на принципах, заимствованных из нейрофизиологии.
В данной работе мы будем рассматривать нейронопoдобные сети как вариант вычислительной структуры, построенной на тех же принципах. С точки зрения архитектуры [4, 8, 10] искусственные нейронoподобные сети представляют собой вариант параллельной мелкозернистой однородной вычислительной структуры, реализующей потоковую обработку данных. Эта обработка может быть синхронной и асинхронной. К настоящему времени нейросетевые технологии расширяют возможности при решении задач обработки сигналов и распознавания образов морских объектов.
Область применимости и адекватность используемого метода
Анализ использования возможных методов классификации морских объектов и особенностей основной решаемой задачи, а именно создание системы мониторинга гидрофизических и геофизических полей морских акваторий с использованием нейросетевых технологий позволил выделить два типа нейросетей, наиболее перспективных для решения поставленной задачи: мно-
гослойный персептрон (обучается методом обратного распространения ошибки) и сеть встречного распространения ошибки. Сейчас искусственные нейронные сети являются лишь упрощенным подобием естественных (биологических) нейронных сетей. Нервные системы человека и животных гораздо сложнее тех устройств, которые можно создать с помощью современных технологий. Однако для успешного решения многих практических задач оказалось достаточным «приблизительно» понять общие нормы функционирования нервной системы. Некоторые виды нейронных сетей представляют собой математические модели, имеющие всего лишь отдалённое сходство с нейрофизиологией, что отнюдь не препятствует их практическому применению. Такие характеристики нейросе-тевых методов, как возможность нелинейного моделирования и сравнительная простота реализации, часто делают их незаменимыми при решении сложнейших многомерных задач [4, 8, 10].
Нейронные сети нелинейны по своей природе и представляют исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. Кроме того, нейронные сети справляются с «проклятием размерности», которое не позволяет моделировать линейные зависимости в случае большого числа переменных (термин, используемый в отношении ряда свойств многомерных пространств и комбинаторных задач. Впервые термин ввел Ричард Эрнст Беллман применительно к общей задаче динамического программирования [1]. Выражение употребляется в работах по технической кибернетике, машинному обучению и анализу сложных систем, в том числе в заголовках).
Обучение - это итерационная процедура, требующая длительных вычислений. На каждой итерации происходит уменьшение функции ошибки. Если выбраны множество обучающих примеров - пар (Х№ Ym) ^ = 1,2,...^) - и способ вычисления функции ошибки D, обучение нейронной сети превращается в задачу многомерной оптимизации. Функция D может иметь произвольный вид. Поэтому обучение в общем случае - многоэкстремальная невыпуклая задача оптимизации.
Для решения этой задачи могут быть использованы алгоритмы: локальной оптимизации с вычислением частных производных первого порядка, локальной оптимизации с вычислением частных производных первого и второго порядка, стохастические алгоритмы оптимизации и алгоритмы глобальной оптимизации.
К первой группе относятся: градиентный алгоритм (метод скорейшего спуска), методы с одномерной и двумерной оптимизацией целевой функции в направлении антиградиента, метод сопряженных градиентов, методы, учитывающие направление антиградиента на нескольких шагах алгоритма.
Ко второй группе относятся: метод Ньютона, методы оптимизации с разреженными матрицами Гессе, квазиньютоновские методы, метод Гаусса-Ньютона и Левенберга-Маркардта (алгоритм Левенберга-Марквардта - метод оптимизации, направленный на решение задач о наименьших квадратах, альтернатива методу Ньютона, может рассматриваться как комбинация последнего с методом градиентного спуска или как метод доверительных интервалов; алгоритм был сформулирован независимо Левенбергом в 1944 г. и Марквардтом - в 1963 г.).
Стохастическими алгоритмами являются поиск в случайном направлении, имитация отжига, метод Монте-Карло (численный метод статистических испытаний). Задачи глобальной оптимизации решаются с помощью перебора значений переменных, от которых зависит целевая функция. Для сравнения методов обучения нейронных сетей необходимо использовать в качестве критериев количество шагов алгоритма, необходимых для получения решения и количества дополнительных переменных, которые потребуются для организации вычислительного процесса.
Обобщая сказанное, процесс обучения нейронной сети состоит в поиске целевой функции g(E), оптимальной по Е, где Е - синаптическая матрица сети. Обычно это итерационная процедура, весьма сложная и длительная при ее прямом использовании.
Существуют три парадигмы обучения: с учителем, самообучение и смешанная. В первом случае при обучении используют набор правильных ответов на каждый входной набор и по ним настраивают весовые коэффициенты. При обучении без учителя не требуются знания правильных ответов на каждый обучающий пример. В этом случае раскрывается внутренняя структура данных или корреляция между образцами в системе данных, что позволяет распределить данные по кате-
гориям. При смешанном обучении часть весов определяется посредством обучения с учителем, а другая часть получается с помощью самообучения.
Здесь необходимо коротко раскрыть определения фундаментальных проблем обучения: емкости, сложности образов и вычислительной сложности. Емкость - это понятие, связанное с количеством образов, которые может запомнить сеть, и возможностями сети после обучения. Сложность образов определяет число обучающих примеров, необходимых для достижения способности сети к общению. Понятие «вычислительная сложность» подразумевает функцию зависимости объема работы, которая выполняется некоторым алгоритмом, от размера входных данных. Для управляемого обучения сети необходимо подготовить набор обучающих данных. Эти данные представляют собой примеры входных данных (признаков) и соответствующих им выходов (классов). С помощью того или иного алгоритма сеть учится устанавливать связь между первыми и вторыми [3, 8].
Наиболее распространены следующие фундаментальные правила обучения: коррекция по ошибке, алгоритм (машина) Больцмана, набор правил Хебба, обучение методом соревнования (конкуренции), генетический алгоритм. Следует отметить, что во многих практических задачах адаптировать известный алгоритм - не менее сложная задача, чем создать собственный (только под решаемую задачу).
Понятие класса морского объекта (МО) связано с числом характеризующих его классификационных признаков N, описываемых рядом аппаратно измеренных или расчетных параметров. Каждому классу морского объекта соответствует N-мерный случайный вектор признаков Х. Вектор признаков описывается строкой фактически полученных значений параметров по одному морскому объекту к моменту принятия решения о ее классе. По терминологии искусственных нейронных сетей такая строка называется строкой фактов (наблюдений). Вопрос о том, сколько таких строк в матрице наблюдений необходимо иметь для обучения нейронной сети, решающей достаточно сложную задачу распознавания морских объектов, непростой. Существуют общие рекомендации относительно оценки размера матрицы данных обучения [1, 3, 7, 8].
Например, выполнение следующего неравенства: M > W/s, где M - количество данных обучения (строк в матрице), W - число синаптических связей, s - доля ошибок, допустимая в ходе тестирования. Так, при допустимости 10% ошибок число наблюдений должно быть в 10 раз больше числа имеющихся в сети весовых коэффициентов.
Прежде чем приступить непосредственно к разработке нейронной сети, нужно решить, какие переменные использовать в обучающей выборке. Значения классификационных признаков морского объекта одного класса могут меняться в некоторых пределах, поэтому необходимо знать их статистические свойства. Часть параметров зависят от условий распространения звуковой энергии в морской среде, поэтому при обучении следует учесть изменчивость вертикального распределения скорости звука [4, 6, 8].
Первоначальный выбор исходных переменных (данных обучения) зачастую определяется интуицией эксперта, и возможно включение максимального их числа. На последующих этапах размеры выборки могут корректироваться. Расчеты показывают, что число строк фактов М, описывающих модель поля скорости звука в заданной пространственно-временной области, должно быть от 30 тысяч до 50 тысяч даже без учета требований, выдвинутых в работах [2, 3, 10].
Сформировать обучающую выборку можно двумя путями. Первый сопряжен с накоплением данных в натурных условиях. Даже при получении большого объема информации таким путем выборки будут ограничены временем проведения измерений и пространством района, они имеют локальный характер, и ценность их как представительного статистического материала для обучения нейросети низка. Если учесть, что обученная нейронная сеть должна обеспечивать принятие решения в пределах некоего интервала глубин расположения шумящего объекта, дистанций и множества вариантов гидрологических условий, связанных с климатической изменчивостью вертикального распределения скорости звука (ВРСЗ), то получение представительной обучающей
выборки в натурных условиях становится не просто дорогостоящей, но и невыполнимой задачей. Каким бы ни был набор наблюдений в реальных условиях, он не в состоянии отобразить того многообразия ситуаций и явлений, которые могут возникнуть. Кроме того, сбор натурных данных сопровождается ошибками обсерваций, счисления и гидроакустических измерений, искажениями, отскоками или просто отсутствием данных. От этого не спасают даже современные возможности контроля навигационной обстановки и соблюдение метрологических требований при электроакустических измерениях. Отскоки же, лежащие далеко от области правдоподобных значений некоторой переменной, могут исказить результат обучения. Хотя нейронные сети в целом устойчивы к шумам, у этой устойчивости есть предел.
Имитационное моделирование информационной ситуации
Следует отметить, что полезность натурных данных мы не отвергаем вообще, поскольку они могут пригодиться при тестировании уже обученной нейронной сети и при оценке адекватности принятой модели. Поэтому мы предлагаем второй путь - имитационное моделирование информационной ситуации, возникающей в процессе классификации подводных технических объектов комплексной системой морского мониторинга.
Имитационное моделирование обеспечивает достаточно гибкую среду для поиска и проверки исследовательских идей. Для многих приложений такое моделирование оказывается вполне адекватным и достаточным, а в нашем случае - единственным способом оценить возможности классификации в рамках климатической изменчивости морской среды и влияние этой изменчивости на процесс распознавания морских объектов. Имитация должна включать в себя три основных процесса: моделирование навигационной обстановки; моделирование параметров движения морского объекта; моделирование канала распространения звуковой энергии. Имитационная модель -своего рода универсальное средство исследования сложных систем - представляет логико-алгоритмическое описание поведения отдельных компонентов системы и правил их взаимодействия, отображающих последовательность событий, возникающих в моделируемой системе.
В состав имитационной модели комплекса имитационного моделирования (КИМ) должна быть включена модель приемной антенны гидроакустической станции (ГАС) с детерминированными техническими параметрами, глубиной погружения и блоком расчета (измерения) значений параметров классификационных признаков. В этом блоке могут быть использованы правила расчета значений формализованных классификационных признаков. Моделирование навигационной обстановки должно обеспечивать воспроизведение генераций случайных значений координат морского объекта, глубины его погружения и курса. Скорости каждого морского объекта в процессе имитации назначаются в рамках заданных распределений, производится определение соответствующих курсовых углов и пеленгов на объект [2, 6]. Для морского объекта определенного класса необходимо назначить уровни шумоизлучения соответственно его скорости. Построить область сектора, радиус которого должен быть равен предельно возможной дальности действия носителя ГАС, обнаруживающего морской объект. Рисунок 1 иллюстрирует ЗБ-область, представляющую собой цилиндрический сектор, радиус которого, должен быть равен предельно возможной дальности действия ГАС, обнаруживающего МО. По координатам объектов производится расчет фактических дистанций до каждой из них и соответствующих этим дистанциям потерь на распространение, согласно принятой модели канала распространения. В качестве модели канала распространения в работе применяется модель, разработанная В.Н. Матвиенко и Ю.Ф. Тарасюк [6]. Модель распространения гидроакустических сигналов базируется на представлении среды с помощью плоскопараллельных слоев, с постоянными значениями градиентов скорости звука.
В качестве главного объекта модели канала распространения, определяющего имитацию изменчивости потерь на распространение, используем статистическую климатическую модель вертикального распределения скорости звука. Методическая основа выделения представительных кривых ВРСЗ в заданном районе-сезоне (пространственно-временной области), согласно этой модели [4], подразумевает, что каждой из таких кривых может быть поставлена в соответствие трой-
ка чисел, характеризующих вероятностную оценку значимых параметров вертикальной структуры поля скорости звука: {Ртрсз, Рот, РВрсз}. Обозначив соответствующие вероятности через Р1-Р3, в терминах нечетких множеств можем записать модель поля скорости звука в заданной пространственно-временной области:
C =№ Pli + Hi P2i + C (H)i Pзi },
где Т - тип распределения скорости звука по глубине ьй представительной кривой ВРСЗ; Н -глубина залегания опорных точек; С(Н) - значения скорости звука на стандартных горизонтах.
Надводный МО Координаты МО Глубина
Рис. 1. Область имитационной модели морской навигационной обстановки.
Имитационное моделирование непосредственно процесса подводного распространения звука проводилось нами с целью генерации набора данных для формирования обучающей выборки комплексом имитационного моделирования. Программа расчета параметров гидроакустического поля (111 АП) «Дальность» (элемент структуры КИМ) основана на лучевом приближении решения волнового уравнения. Лучевая теория позволяет получить важные сведения о распространении звука в морской среде. Расчетные модули программы работают с данными натурных измерений и осуществляют автоматизированную выборку данных из баз многолетней гидрологической информации.
Программа «Дальность» позволяет моделировать процесс распространения акустических сигналов в морской среде для двумерно-неоднородного канала распространения звука и оценивать поведение анализируемых параметров (аномалия распространения, потери на распространение, оптимальный угол наклона характеристики направленности антенны и др.) в заданной пространственно-временной области.
Основным критерием применимости методики и реализующей ее программы расчета ПГАП является адекватность модели данных натурным измерениям. Критерием может служить точность измерения уровня звукового давления в морских условиях, которая может изменяться в пределах от 2 до 4 дБ. Для сравнения будем использовать меру различия значений потерь при распространении звука, полученных в ходе эксперимента, и потерь при распространении звука, рассчитанных по программе «Дальность» для данных натурного эксперимента. На рис. 2 представлена гистограмма и кумулята, построенные для трехсот значений, вычисленных как разность между натурно измеренными и расчетными потерями при распространении звука, иллюстрирующие, что 68 % данных входит в интервал от 0 до 4 дБ. Это позволяет сделать вывод, что результаты программы «Дальность» хорошо согласуются с натурными измерениями потерь на распространение звука.
Оценка адекватности методики расчета ПГАП может быть получена при ее сравнении с апробированными программами. Такой подход оправдан, если речь идет о прогнозе потерь при распространении звука в районе со сложными гидрологическими условиями, где большое время проведения натурных измерений на протяженной трассе отдаляет полученные результаты от ис-
тинных значений. Сравнение значений потерь при распространении звука, рассчитанных по программе «Дальность», с результатами известных программам «Горизонт» и «FIELD» (элементы структуры КИМ) показало их хорошее согласование.
Рис. 2. Оценка меры различия расчетных и натурных данных о потерях при распространении звука. Частота - 108 Гц, глубина источника - 50 м, глубина приемника - 520 м.
Для примера на рис. 3 представлены гистограмма и кумулята, построенные для двухсот разностных значений потерь при распространении звука, рассчитанных по программам «Дальность» и «FIELD», иллюстрирующие, что 94% данных входят в интервал от 0 до 4 дБ.
-2 О 2 4 6 8 10 12 14 16 18 20
120 100 80 60 40 20
О
-2 0 2 4 6 8 10 12 14 16 18 20
Рис. 3. Разностные значения потерь при распространении звука, рассчитанные по программам «Дальность» и «FIELD».
Одной из особенностей моделирования морской обстановки является необходимость имитации функционирования множества сложных объектов, входящих в ее состав. В частности, к таким объектам относятся надводные корабли и подводные лодки, летательные аппараты, стационарные объекты (буи, нефтяные вышки и т.п.). Большинство объектов являются сложными техническими системами. В связи с этим имитационное моделирование полноценной морской обстановки позволяет сформировать выборку с необходимым количеством данных для обучения нейронных сетей.
Целесообразность дальнейшей разработки кратко описанного ниже КИМ, обеспечивающего эффективность формирования обучающей выборки для нейросетевых линий классификации МО и представляющего собой неотъемлемую часть процесса создания системы мониторинга полей различной физической природы в морской среде [8], должна стать предметом дальнейшего исследования на основании результатов проводимого тестирования.
Считаем необходимым хотя бы очень кратко остановиться на описании разработанного и тестируемого КИМ навигационной обстановки. Задача конфигурирования системы имитационного моделирования заключается в нахождении соответствия между объектами и моделями. Конфигурирование осуществляется на этапе инициализации вычислительно-моделирующего комплекса (ВМК). Хранение входных и выходных параметров моделей и передача их между компонентами КИМ обеспечиваются ВМК.
Возможность динамического конфигурирования КИМ основывается на: классификации объектов и имитационных моделей; унификации динамических параметров объектов морской обстановки; унификации программного интерфейса имитационных моделей; унификации программного интерфейса модулей библиотеки моделей.
Классификация объектов обеспечивает возможность разработки специализированных моделей для объектов различной физической природы и характеристики их различными параметрами в ВМК. Унификация программного интерфейса моделей позволяет производить операции с моделями различных МО. За счет этого обеспечивается независимость программной реализации от реализации частных имитационных моделей. Задача унификации программного интерфейса моделей решена на базе объекто-ориентированной технологии программирования. Все имитационные модели МО реализованы в виде классов, наследников базового класса, определяющего единый интерфейс модели. Интерфейс имитационной модели определяет основные функции моделирования, которые вызываются на КИМ (см. таблицу). Приведенные функции обеспечивают осуществление базовых операций над моделью, включая сохранение и восстановление состояния модели. Изменение динамических параметров МО осуществляется в функции Run, из которой реализуется вызов частных моделей процессов функционирования объекта.
Базовые функции модели объекта обстановки
Функция базового класса Функция базового класса Назначение
Init Функция инициализации модели
IsReady Проверка готовности модели к работе
Idle Выполняется постоянно с момента создания модели вне зависимости от ее готовности
Run Выполнить шаг моделирования
Destroy Прекратить выполнение модели
GetData Сохранение внутренних данных модели в неформатированный буфер
SetData Восстановление внутренних данных алгоритма из неформатированного буфера
GetLastError Получить строку-сообщение о последней ошибке
Реализации имитационных моделей объектов размещаются в программных модулях (DLL). Произвольный набор программных модулей образует библиотеку моделей объектов морской обстановки. Унификация программного интерфейса модулей реализации моделей позволяет при загрузке задания на моделирование информационной ситуации навигационной обстановки поставить каждому МО в соответствие имитационную модель.
Реализация программного интерфейса модулей основана на возможности экспортируемых функций DLL. Каждый модуль библиотеки имитационных моделей экспортирует две функции, обеспечивающие:
- получение информации о реализованных в модуле моделях (GetOwnAlgoInfo);
- создание экземпляра выбранной имитационной модели (CreateOwnAlgo).
Первая функция позволяет получить список реализованных в модуле моделей и их класси-
фикационные признаки (для какого класса и типа объектов предназначена модель). Классификация моделей совпадает с классификацией объектов, однако в отличие от нее допускает неопределенность. То есть для имитационной модели может быть не указан конкретный класс и наименование объекта, в этом случае модель подходит для моделирования объектов указанного типа и различных классов и наименований.
Алгоритм загрузки имитационных моделей по полученному из задания на моделирование информационной ситуации находит наиболее полно соответствующую модель МО и использует функцию CreateOwnAlgo для создания экземпляра этой модели.
Реализованное таким образом динамическое конфигурирование КИМ позволяет:
- максимально быстро получить функционирующий вариант модели морской обстановки на основе минимального количества частных моделей;
- увеличивать количество и качество моделей МО;
- разрабатывать частные имитационные модели информационной ситуации навигационной обстановки.
Обсуждение результатов
Таким образом, при удовлетворительных результатах тестирования дальнейшая разработка КИМ, обеспечивающего эффективность формирования обучающей выборки для нейросетевых линий классификации МО, системы мониторинга гидрофизических и геофизических полей морских акваторий с использованием нейросетевых технологий, должна подразумевать решение следующих задач:
- имитации мгновенного расположения распознаваемого объекта и параметров его движения относительно носителя ГАС;
- имитации климатической изменчивости ВРСЗ, а следовательно, и параметров гидроакустических полей с использованием базы данных типичных кривых вертикального распределения скорости звука;
- имитации информационных потоков, возникающих в дуэльных ситуациях «приемник-источник» с записью полученных данных, в том числе и о параметрах классификационных признаков, на магнитные носители;
- разработки модуля управления имитационной моделью; оценки адекватности модели; оптимизации имитационной модели.
Отметим, что существующие методы распознавания, базирующиеся на развитой алгоритмической и технической базе, применяемые для распознавания морских объектов, в конечном счете определяются подготовкой эксперта-пользователя (оператора), т.е. использование нечеткой логики не вносит диссонанс в построение систем распознавания. Сети, построенные на нечетких множествах, весьма эффективны, что подкреплено рядом доказанных теорем, аналогичных теоремам о полноте для искусственных нейронных систем. Возможно одновременное использование различных композиций нечетких выводов. Сама схема выводов может быть многокаскадной. Перспективы такого подхода: можно принимать правильные решения в условиях неполной и нечеткой входной информации об идентифицируемом объекте. Нечеткая логика в решении этих задач оказывается особенно полезна, когда в рассуждении присутствует неопределенность, которая затрудняет или даже исключает применение точных количественных методов и подходов.
С помощью методов теории нечетких множеств можно получать аналитические выражения для количественных оценок нечетких условий принадлежности признаков к тому или иному множеству (группе классификационных признаков объекта распознавания). Они позволяют эффективно решать сложные задачи обработки информации, когда классы, подлежащие разделению, имеют произвольную форму и пересекаются между собой, отличаются высокой точностью и эффективностью в условиях неопределенности, низким временем обучения, надежностью против помех.
Заключение
В заключение отметим, что обучение нейронной сети экспертной системы мониторинга и классификации источников гидрофизических и геофизических полей морских акваторий с использованием имитационного моделирования информационной ситуации и методов нечеткой логики позволит оператору (обучающему эксперту) сформировать и проверить выборку с необходимым количеством данных для обучения нейронных сетей системы мониторинга полей различной физической природы в морской среде. При этом обучающий эксперт сможет владеть не только данными, доступными оператору ГАС на момент обнаружения, но и точными параметрами движения морского объекта, которые обеспечивают контроль обучения, но в обучающую выборку не входят. От сформированной обучающей выборки зависит эффективность процесса обучения, способность сети решать поставленные перед ней проблемы во время эксплуатации. На этом этапе кроме параметра качества подбора весов важную роль играет время обучения. Как правило, эти два параметра связаны обратной зависимостью, поэтому их приходится выбирать на основе компромисса.
СПИСОК ЛИТЕРАТУРЫ
1. Беллман Р., Энджел Э. Динамическое программирование и уравнения в частных производных. М.: Мир, 1974. 205 с.
2. Дорогов А.Ю. Сколько примеров требуется для обучения нейронной сети? // VIII Междунар. конф. «Нейроинформатика и ее приложения»: тез. докл. Красноярск, 2000. С. 59-60.
3. Каллан Р. Основные концепции нейронных сетей. М.: Вильямс, 2001. 290 с.
4. Клименчук И.Н., Петухов В.И. Статистическая климатическая модель поля скорости звука для прикладных гидроакустических исследований. Подход с использованием ЭВМ // Проблемы и методы разработки и эксплуатации вооружения и военной техники ВМФ: сб. науч. тр. Владивосток: ТОВВМУ, 1989. С. 35-36.
5. Люгер Д.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. М.: Вильямс, 2005. 864 с.
6. Матвиенко В.Н., Тарасюк Ю.Ф. Дальность действия гидроакустических средств. Л.: Судостроение, 1981. 208 с.
7. Об утверждении Стратегии развития морской деятельности Российской Федерации до 2030 г. Постановление Правительства Российской Федерации от 8 декабря 2010 г., № 2205-р. URL: https://rg.ru/2010/12/21/mordeyatelnost-site-dok.html (дата обращения: 10.08.2017).
8. Пятакович В.А., Василенко А.М., Мироненко М.В. Технологии нелинейной просветной гидроакустики и нейро-нечетких операций в задачах распознавания морских объектов: монография. Владивосток: Дальневост. федерал. ун-т, 2016. 190 с.
9. Jimenez L.A.T., Mayen H.G., Arteagoitia O.B., Garza D., Torres R. System for acoustic detection and autonomous classification of targets in the sea (SIDACAM). Proceedings of 3nd Underwater Acoustics Conference and Exhibition, 21-26 June 2015, Crete Island, Greece. 2015, p. 137-144.
10. Kohonen T. Self-organized formation of topologically correct feature maps. Biological Cybernetics. Berlin and New York, 2001, 501 p.
11. Skarsoulis E., Papadakis P., Kalogerakis M., Piperakis G., Orfanakis E. A passive acoustic localization system for broadband sources. Proceedings of 3nd Underwater Acoustics Conference and Exhibition, 21-26 June 2015, Crete Island, Greece. 2015, p. 341-348.
THIS ARTICLE IN ENGLISH SEE NEXT PAGE
shipbuilding D0l.org/10.5281/zenodo.897021
Pyatakovich V., Vasilenko A., Mironenko M.
VALERlY PYATAKOVICH, Candidate of Engineering Sciences, Associate Professor, Chief of a Research Laboratory, e-mail: [email protected]
ANNA VASILENKO, Candidate of Engineering Sciences, Researcher of a Research Laboratory, e-mail: [email protected]
The Pacific Higher Naval College named after S^. 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: classification of sea objects, fuzzy logic, neural networks, neuro-fuzzy models, automatic control systems, training algorithms of neural networks.
REFERENCES
1. Bellman R., Angel E. Dynamic Programming and Partial Differential Equations. M., Mir, 1974, 205 p.
2. Dorogov A.Yu. How many examples required for training a neural network? Proc. 8th all-Russ. sem. Neuroinformatics and its applications. Krasnoyarsk, 2000, p. 59-60.
3. Kallan R. The essence of neural networks. M., Vilyams Publ., 2001, 290 p.
4. Klimenchuk I.N., Petuhov V.I. Statistical climate model of the velocity field of the sound for applied hydro-acoustic research. Approach using a computer. Proc. of Makarov Pacific Higher Naval College. Vladivostok, 1989, vol. 1, p. 35-36.
5. Luger D.F. Artificial intelligence: strategies and methods for solving complex problems. M., Williams Publ., 2005, 864 p.
6. Matvienko V.N., Tarasyuk Yu.F. The range of acoustical means. Leningrad, Sudostroenie Publ., 1981, 208 p.
7. On the approval of the Strategy for the development of maritime activities of the Russian Federation until 2030. Decree of the Government of the Russian Federation of December 8, 2010, N 2205-r. URL: https://rg.ru/2010/12/21/mordeyatelnost-site-dok.html - 10.08.2017.
8. Pyatakovich V.A., Vasilenko A.M., Mironenko M.V. Technology low-frequency nonlinear hydroacoustics and neuro-fuzzy operations in pattern recognition of marine objects. Vladivostok, DVFU Publ., 2016, 190 p.
9. Jimenez L.A.T, Mayen H.G., Arteagoitia O.B., Garza D., Torres R. System for acoustic detection and autonomous classification of targets in the sea (SIDACAM). Proceedings of 3nd Underwater Acoustics Conference and Exhibition, 21-26 June 2015, Crete Island, Greece. 2015, p. 137-144.
10. Kohonen T. Self-organized formation of topologically correct feature maps. Biological Cyber-netics. Berlin and New York, 2001, 501 p.
11. Skarsoulis E., Papadakis P., Kalogerakis M., Piperakis G., Orfanakis E. A passive acoustic localization system for broadband sources. Proceedings of 3rd Underwater Acoustics Conference and Exhibition, 21-26 June 2015, Crete Island, Greece. 2015, p. 341-348.
