CC BY
67
УДК 629.5.05.527.05
ПОБУДОВА НЕЙРОМЕРЕЖЕВО1 ЕКСПЕРТНО1 СИСТЕМИ ОБРОБКИ НАВ1ГАЦ1ЙНИХ ДАНИХ В УМОВАХ Р1ЧКОВО1 е-НАВ1ГАЦП
Пам1м В. В. - д-р техн. наук, професор, ректор Державного ушверситету шфраструктури та технологш, Ки1в, Укра!на.
Доронiн В. В. - канд. техн. наук, професор кафедри техшчних систем i процеав управлшня в судноводшш Державного унiверситету шфраструктури та технологiй, Ки1в, Укра1на.
Сшян О. М. - аспiрант кафедри техшчних систем i процесiв управлшня в судноводшш Державного унiверситету шфраструктури та технологш, Ки1в, Укра1на.
АНОТАЦ1Я
Актуальнiсть. Розглянуто задачу автоматизацп дiагностики мережевих аномалш при передачi потоку навггацшних даних вiд водомiрних постав до електронно-картографiчноl системи в умовах рiчковоl е-нав^аци. Об'ектом дослiдження е процес диагностики у динамiчнiй експертнш системi. Мета роботи - створення автоматизовано1 системи дiагностики мережевих аномалш на нейронних мережах.
Метод. Запропонований спосiб автоматизацп дiагностики мережевих аномалш з використанням комплексу процедур контекстно-орiентованоl штелектуально! обробки потокгв навггацшних даних. Споаб передбачае застосування сучасних методш обробки шформацп на основi реалiзацil алгоритму нечiткого логiчного виводу на нейронних мережах. Застосоваш нейромережi можуть бути легко навченi роботi в умовах коливань параметргв, що надходять вiд водомiрних постiв. Спосiб дозволяе мiнiмiзувати помилку у синтезовано1 мереж^ Отриманий набiр кластергв-правил вiдображаеться в структурi нейро-нечпко! мережi. Реалiзацiя способу не потребуе завантаження вае! навчально! вибiрки в пам'ять електронно-картографiчноl системи, багаторазових переглядгв навчально! вибiрки i iстотно прискорюе процес синтезу мереж. В шформацшнш системi обробки потоку нав^ацшних даних, яка повинна оперативно виявляти мережевi аномалп, а також пропонувати можливi варiанти !х усунення, застосовано сукупне використання експертних систем i нейронних мереж. Поряд з фрактальним врахуванням точностi визначеш показники якостi при невiдомих закономiрностях мiж вхiдними та вихiдними даними, що надходять вiд водомiрних постав. Тобто нейромережа визначае, якi сигнали е нешформативними. За допомогою розробленого методу класифжаци вхiдних сигналiв вщ водомiрних постав з використанням мережi Кохонена простiр потоку даних розбиваеться на кластери однакового розмiру i форми. При змiнi розмiру кластера метод дозволяе одержувати рiзнi ршш деталiзацil вибiрки. Застосування процедури класифжацп вхiдних сигналiв передбачае зростання або зменшення значень диференцгйних поправок до глибин, розпiзнання iнформацil вiд водомiрних пост1в. Виргшення задач кодування i декодування параметр1в пiд час навчання нечiткоl нейромережi виконувалося одночасно iз завданням параметрично! функцil трикутно! форми. Визначеш правила представлення знань, сформованих експертом. Для зберiгання iнтелектуальноl системи в явному виглядi застосована нейромережева динамiчна експертна система на прецедентах. Визначений механiзм отримання автоматизованого виршення на пiдставi активiзацil алгоритму пошуку за ступенем близькостi прецедентiв. За вщсутноста прецедент1в завдання вирiшуеться нейромережевою базою правил. Вузлами мережi е нейрони - окремi факти, що витягаються iз прецедентiв. Зв'язки мiж вузлами мережi реалiзують правила. Тобто, оргашзовуеться багатошарова нейромережа фактiв i правил.
Результати. Вiдпрацьованi показники експериментальних дослiджень процесу автоматизацil дiагностики мережевих аномалш при передачi потоку навггацшних даних вiд водомiрних постiв.
Висновки. Виргшена задача автоматизацil дiагностики мережевих аномалш iз застосуванням гнучко! нечпко-нейронно! мережi на прецедентах. Проведенi експерименти шдтвердили працездатнiсть запропонованих методiв.
Перспективи подальших дослiджень полягають у реалiзацil етапiв створення гнструментального методу навггацп (рiчковоl е-навiгацil).
КЛЮЧОВ1 СЛОВА: вибiрка, експертна система, e-навiгацiя, нечiтко-нейронна мережа, прецедент, Inland ECDIS.
АБРЕВ1АТУРИ
ES - експертна система;
ESNN - експертна система на нейронних мережах; ESNNP - експертна система на нейронних мережах, заснована на прецедентах;
Inland ECDIS - рiчкова електронно-картографiчна система;
SENC - системна електронна карта; NN - нейронна мережа;
NNClass - нейронна мережа для класифкацп вхiдних сигналiв; Pr - прецедент; rule - правило;
WS - водомiрний пост; АД - блок адаптацп даних; БДК - база даних кластерiв; БЗП - база знань прецеденпв; ВВШ - внутрiшнi водш шляхи; ВСР - верхнiй судноплавний рiвень; ВТЗ - воднi транспортш засоби; IC - iнтелектуальна система; 1МН - iнструментальний метод нав^ацп (рiчкова e-навiгацiя);
1н - штегратор;
1ПС - iнтелектуальна пiдсистема; МПП - механiзм пошуку прецедентiв;
НЕР - нейро-експертний мехашзм отримання ршення;
НСР - нижнш судноплавний р1вень;
ОЗ - модуль отримання знань;
ПОК - щдсистема обслуговування кластер1в;
СКП - середня квадратична похибка.
НОМЕНКЛАТУРА
Ar - архитектура NN;
B - матриця n'm мюця знаходження судна за даними, що знят1 з SENC;
CF - стутнь достов1рност1 сформованого правила Rj експертом (Certainty Factor); dE(x,y) - евклвдова ввдстань;
det(pE-A) - степеневий полшом змшно! Лапласа р порядку n;
Ed - навчальна i тестуюча послщовнють; e - зважена сума вхщних сигналiв; F - база фактiв про систему Z; Gj - технологiя, рекомендована до застосування. Gj е G;
h(t) - диференцiальнi поправки до вимiряних глибин, як1 позначенi на SENC;
h10, h20 - постшна складова, що дорiвнюe можливим змшам нуля глибин 1WS (2 WS) вщносно абсолютно! системи висот;
h1WS - миттевий рiвень води вщносно 1WS; h2WS - миттевий рiвень води ввдносно 2WS; Iе - штерпретатор;
Iе1 - процес вибору з бази знань тдмножини активних правил;
Iе2 - процес зютавлення з образом для активних правил;
Iе3 - процес розв'язання конфлжпв правил;
те4
I - процес виконання правил; In1, in2 - iнтерпретатори навчання i обчислення; К - множина нечiтких обмежень на параметри множини P - нечiтких умов антецедента правила R. К = {Kj};
K - база знань у формi правил; Mn - множина штучних нейронiв; mZ0 - загальна погрiшнiсть глибини, показано! на картц
N - номер циклу навчання;
P - множина параметрiв з обмеженнями в умовах правила Rj. P = {Pj};
p1kmin - min-складова вектора вимiрювань. p1kmin id НСР;
p1kmax - max-складова вектора вимiрювань. p1kmax id ВСР
(рЕ-А) - характеристична матриця для матрищ стану А;
Rе - системоутворюючi вiдносини; RB - база виводiв;
S(p) - adj (союзна матриця) для (рЕ-А); v - вага Еуа/-нейрошв;
W - вага нечгтких обмежень Kj на параметри Pj. wj
= {wj};
X, Y - множина входiв i виходiв NN;
© Панiн В. В., Доронш В. В., Сшян О. М., 2019 DOI 10.15588/1607-3274-2019-1-19
xm - нормований компонент вхщного вектора;
y0 - потрiбне значения виходу;
y01Ws, y02Ws - нуль глибин 1WS (2WS); y01Ws = y02WS;
Р - параметр, який встановлюе ступiнь нелiнiйностi впливу ввдсташ на коефiцiент швидкостi навчання;
Ay - абсолютна помилка вихiдного нейрона,
4у=y - У0;
||(8.y01WS)i,1|| - матриця-стовпець змiн миттевого рiвня води вiдносно 1WS;
8y01WS - миттевий рiвень води вiдносно y01WS;
П - коефiцiент швидкостi навчання;
П N - коефiцiент швидкосп навчання /-го нейрона
в N-му циклi навчання;
ст - мiра близькостi для включення параметра в один кластер.
ВСТУП
Ефективним мехашзмом експлуатацi! ВТЗ е переход на 1МН ^чкову e-навiгацiю) замiсть д1ючого лоцманського методу й подальше щдвищення безпеки руху водного транспорту на ВВШ. Найважлившим етапом впровадження сучасно! системи наигацп е комплексне проведення контекстно-орiентоваио! штелектуально! обробки потоков навiгацiйних даних з урахуванням специфiки руху водного транспорту.
Проблеми в мереж1 передачi потоку нави-ацшних даних вiд WS впливають на достовiрнiсть отримано! iнформацi! [1]. Виршенням дано! проблеми е, в першу чергу, застосування систем, що побудоваш на NN. Завдаиия аналiзу та дiагностики мереж зведенi до пошуку в1дхилень вiд нормального режиму функцюнування - мережевих аномалiй. Найбшьш ефективним методом дiагностики мережевих аномалш при передачi потоку навiгацiйних даних е сукупне використання ES i NN. ESNN здатна зберiгати досввд системи в цiлому в неявному виглядг Для вiдповiдi необх1дно проводити опитування системи i здiйснювати нейронш обчислення. Це не е кращим рiшениям для завдань передачi потоку нав^ацшних даних в1д WS. Збертати досвiд iнтелектуально! системи в явному виглядi здатнi системи, засноваиi на прецедентах (ESNNP).
Об'ектом дослiдження е процес дiагностики у нейромережевiй динамiчнiй експертнiй системi.
Процес побудови нейронних мереж займае багато часу, маючи дуже багаторазовий характер. Так, тд час тренування точнiсть потоку даних ввд WS, з використанням ESNN, суттево залежить вiд розмiру та якосп використано! навчально! вибiрки. Для тдвищення швидкостi побудови нейронно! мереж1 та !! якостi необх1дно зменшити розмiр зразка, забезпечуючи збереження його основних властивостей.
Предметом дослвдження е вибiрковi методи побудови ESNNP.
Вiдомi способи вибiрки характеризуються невизначенiстю критерпв якостi [2].
Мета роботи - створення автоматизовано! системи дiагностики мережевих аномалiй на NN при передачi потоку наыгацшних даних вiд водомiрних постiв на основi реалiзацi! алгоритму нечiткого лопчного виводу з адаптацieю до змш навколишнього середовища.
1 ПОСТАНОВКА ЗАВДАННЯ
Моделi обчислень Б8 i NN надаються у виглядi
ES = < К3, Р3, RB, Iе, Re >, Iе > = < Iе2, Iе3, Iе4 >; (1) NN = < Лт, X, У, М", Ей, I"1, I"2 >; (2)
ESNN = < Кв, X, У, Ей, А, I"1, Т"2>. (3)
Для задано! БSNN зберiгаeться досввд системи в цiлому у виглядi Р(х, у) = 0 : у=/ (х).
Для збер^ання досввду 1С у виглядi у=/х) задаемо:
Е8Р = <К31, К32, Л(р), 1Р >, 1Р = < 1р1, 1р2,1р3,1р4 >;
ESNNР = < К3, К3р, Л(р), Я\ 1"р, I"2,1р >. (4)
Для задано! системи проблема може бути представлена як
(ти1е ) ^ :(Р], К], wJ, СР ■>, О■>): (ти1е ) ¿¡ПК ^ . (5)
У свою чергу, проблема формування складових вектора ~рк = (р1к, р2к, р3к) з заданого штервалу
А = [Ггкшт, Рikmюí] : ргктт И НСР, р,ктах М ВСР полягае в тому, щоб знайти такий набiр
<рь р2>: р1 с (А1), р2= (А2 | р1 е А1), А1 < А, А2 = А, де / (<р/, р2>, < р1, р2>) ^ орг.
2 ОГЛЯД Л1ТЕРАТУРИ
Класична теорiя використання штучних NN передбачае наявнiсть критерпв, за якими можна встановити факт використання у системi [3, 4, 5]. Використання нейромережевих технологш у судноводшш ввдбуваеться за двома основними напрямами. Перший напрям включае дослвдження, в яких розглядаеться використання NN i гiбридних нейро-нечiтких систем в задачах обробки наигацшно! iнформацi! i визначення параметрiв руху судна. Другий напрям представляе дослiдження з вивчення можливостi побудови нейромережевих (нейро-нечггких) систем управлiння рухом судна [6]. Нижче розглянутi найбiльш вiдомi роботи по першому напряму, що зб^аються з тематикою статтi.
У дослщженнях [7, 8] пропонуеться пiдхiд до виршення завдання комплексування навiгацiйно! шформацп на основi фiльтра Калмана. Елементи матриць переходу i вимiрювання, а також матричного коефiцiента посилення е в той же час коефщентами
NN. Елементи матричного коефщента пiдлягають корекцi! вимiрiв вектора стану, тим самим забезпечуеться адаптивнiсть фiльтра. Результати експерименту дозволяють зробити висновок про придатнiсть застосування запропоновано! технологi! комплексування тiльки для окремого випадку руху об'екта. Дiагностика моделi ESNN не розглядалася.
У статтях [9, 10] розглянуто застосування нейронно! мереж1 RBF для прогнозу координат об'екту у разi втрати сигналу або виходу з ладу шерцшного блоку кориговано! навп-ацшно! системи. Пропонований пiдхiд полягае у надходженш на вхiд NN вектора координат, який проходить попередню обробку за допомогою фiльтра низьких, середнiх або високих частот. Як недолiки сл!д зазначити: значне збшьшення часу навчання NN при використанш фiльтрiв, а також необхвдшсть проведення десятихвилинного натурного експерименту, в якому фiксуються параметри руху, що отримуються, з використанням супутниково! навiгацiйно! системи. На пiдставi натурного експерименту формуються двi вибiрки: для навчання i тестування NN.
Завдання прогнозування траекторi! руху судна може бути розв'язано на основi мереж! прямого поширення з затримкою за часом (TLFN-Time Lagged Feed Forward Network), як показано в [11]. NN складаеться з двох шарiв, перший з яких мютить нейрони з сигмо!дальними функц1ями активаци, а другий мае один нейрон з тотожною функщею активацi!. Навчання мереж! ввдбуваеться в режимi реального часу на основ! ви6!рки, що мютить певну к1льк1сть попередшх точок траекторп. Але точшсть прогноз!в не висока.
У дослщженш [12] завдання прогнозування виршувалося з використанням рекурентно! мереж! з трьома прихованими шарами. Але точшсть прогнозу траекторi! виявилася на тому ж р!вш, як i в NN з фшьтром Калмана. Перевага: не потрiбне знання статистично! iнформацi! про погргшносп вим!р!в i процесу.
У дослвдженш [13] NN виконуе функцш алгоритму зчислення шляху судна. Мережа мютить два шари, нейрони яких мають сигмо!дальш функцп активацi!. Дискретшсть прогнозу траектори становить одну хвилину. Проте, тестування навчено! мереж! виконуеться на зразках, отриманих у процес руху протягом наступних 25 хвилин.
У статтi [14] дослвджуеться взаемозв'язок i ввдмшшсть двох п!дход!в, що використовуються при вирiшеннi нелшшних задач оцiнювання. Перший з них - байеавський пвдхщ шший полягае у використанш NN-технологш. Основна ввдмшшсть шдход!в полягае в тому, що для реалiзацi! байесiвського шдходу потрiбна вичерпна iнформацiя про властивостi ошнюваних параметрiв i помилок вимiрювань, як випадкових процесiв, в той час як побудова нейромережевих алгоритмш ошнювання можлива без використання тако! шформацп.
Poбoтa [15] пpиcвячeнa викopиcтaнню NN для rampo™ цiлicнocтi нaвiгaцiйниx cиcтeм в yмoвax нaдмipнocтi iнфopмaцiï. Для визнaчeння збoю y po6o! кoнкpeтнoгo дaтчикa iнepцiйнoï cиcтeми викopиcтoвyютьcя двa бaгaтoшapoвi пepceптpoни з зaтpимкaми y чaci вxiдниx cигнaлiв. Один з ниx нaвчaeтьcя ra зpaзкax, як1 вiдпoвiдaють poбoтi cиcтeми з нecпpaвнocтями в кaнaлi дaтчикa, a iнший -нa зpaзкax, вiдпoвiдниx poбoтi cиcтeми в cпpaвнoмy darn. Зaлeжнo вiд тoгo, яга мepeжa кpaщe пpoгнoзye тoчнicть вимipювaння нa пoтoчнoмy чacoвoмy кpoцi, poбитьcя виcнoвoк пpo нaявнicть нecпpaвнocтi.
У CTarri [16] пpoпoнyeтьcя cклaдaння лшшшго piвняння стяну cyднa, щo мютить мaтpицю пepexoдy i мaтpицю кepyючиx впливiв. 3a дoпoмoгoю peкypeнтнoï !epeM Хoпфiлдa визнaчaютьcя кoeфiцieнти дaниx мaтpиць. Haвчaeтьcя мepeжa в peжимi peaльнoгo чacy пo мipi нaдxoджeння зpaзкiв, oдepжyвaниx зa peзyльтaтaми вимipювaнь.
Слад зaзнaчити, щo CTarri пpo зaстocyвaння гiбpидниx нeйpo-нeчiткиx cистeм в зaдaчax oбpoбки нaвiгaцiйнoï iнфopмaцiï вiд WS в yмoвax IMH (piчкoвoï e-rasira^].') вiдcyтнi. Цe стocyeтьcя як вн^шнян^, тaк i зapyбiжниx видaнь.
3 МАТЕР1АЛИ I МЕТОДИ
У npo^ci дocлiджeнь пpoaнaлiзoвaнi xapaктepнi ocoбливocтi цiлicнoï cиcтeми мepeжi пepeдaчi пoтoкy нaвiгaцiйниx дaниx вiд WS. Пpoблeми в мepeжi пepeдaчi пoтoкy нaвiгaцiйниx дaниx впливaють нa дocтoвipнiсть oтpимaння iнфopмaцiï. Пpoблeмa пoлягae i в тому, щo кaнaл пiдтpимки мepeж пepeдaчi дaниx e ocнoвнoю лiнieю пepeдaчi нaвiгaцiйнoï iнфopмaцiï мiж WS !a eлeктpoннo-кapтoгpaфiчнoю cистeмoю Inland ECDIS.
Зaвдaння aнaлiзy тa дiaгнocтики мepeж звeдeнi дo пoшyкy вiдxилeнь вiд нopмaльнoгo peжимy фyнкцioнyвaння WS - мepeжeвиx aнoмaлiй. Meтoди
дiaгнocтики мepeжeвиx aнoмaлiй (cигнaтypний, стaтиcтичний, NN, ES) пpeдcтaвлeнi у poбoтi [17]. Пopiвняльний aнaлiз мoдeлeй дiaгнoстики нaвeдeний у тaбл. 1.
3 aнaлiзy мeтoдiв випливae, щo нaйбiльш eфeктивними мeтoдaми дiaгнocтики мepeжeвиx aнoмaлiй пpи пepeдaчi штоку нaвiгaцiйниx дaниx з WS e ES i NN. Hpo^c фyнкцioнyвaння ES мoжнa пpeдстaвити тaким чишм:
1) oпepaтop чepeз iнтepфeйc нaдcилae зaпит дo ES;
2) oбчиcлювaч piшeнь, кopиcтyючиcь бaзoю знaнь, re^pye i видae кopиcтyвaчeвi вiдпoвiднy peкoмeндaцiю, пoяcнюючи xiд cвoïx мipкyвaнь зa дoпoмoгoю пiдcиcтeми пoяcнeнь. Пpи фiкcyeтьcя бeзлiч нaбopiв piшeнь, яш дocить дaлeкi вiд тoчнoгo piшeння. Oбчиcлюeтьcя знaчeння фyнкцiï «згоди» з piшeнням. Дaлi бeзлiч нaбopiв pimem фopмye aлгopитм. Aлгopитм cклaдaeтьcя в пocлiдoвнoмy викoнaннi pядy кpoкiв дo oтpимaння piшeння.
3acтocyвaння NN в ES являe coбoю зicтaвлeння вxiднoï i виxiднoï iнфopмaцiï нa ocнoвi девго! функцп. Ця фyнкцiя виявляeтьcя мepeжeю нa eтaпi нaвчaння i зaлишaeтьcя нeвiдoмoю кopиcтyвaчeвi.
Haйвaжливiшoю ocoбливicтю тaкoï мepeжi e мoжливicть пapaлeльнoï o6po6ot iнфopмaцiï вiдpaзy вciмa лaнкaми NN, щo знaчнo пpиcкopюe iнфopмaцiйнi пpoцecи. Здaтнiсть дo нaвчaння i yзaгaльнeння нaкoпичeниx знaнь e вaжливoю влaстивiстю NN в ES. Викopистaння NN для дiaгнocтики cтaнy мepeжi пepeдaчi дaниx вiд WS - вд нaвчaння NN poзпiзнaвaти ва aнoмaльнi cтaни. Дo кopиcниx влaстивoстeй пpи викopистaннi NN в ES мoжнa вiднecти:
1) виpiшeння зaдaч пpи нeвiдoмиx зaкoнoмipнoстяx мiж вxiдними тa виxiдними дaними. To6to NN мoжe визнaчити, якi cигнaли e нeiнфopмaтивними;
Taблиця 1 - П/^вняльний aнaлiз мoдeлeй дiaгнocrики мepeжeвиx aнoмaлiй
Moдeлi Пepeвaги Heдoлiки
Сигнarypний мeroд бaзyerьcя na збЬу з eraлoнним зpaзкoм 1. Пpoдyкrивнicrь. 2. ^явн^ть дocвiдy у викopиcraннi cиcreм. 3. Maлe чиcлo пoмилкoвиx rpивoг. 4. OбГpyнroвaнicrь piшeнь 1. Уcклaднeнo oнoвлeння бaзи дaниx cигнaтyp. 2. He виявляюrьcя нoвi cигнaтypи. 3. Пepioд oнoвлeння БД cигнaтyp пoвинeн бути нeвeликий.
Сrarиcrичний м^тод бaзyerьcя Ka oкpeмиx мepeжeвиx пpиcтpoяx, xapaкrepиcrики якиx e випaдкoвими вeличинaми, щo змiнююrьcя в Haci 1. He пoтpiбнo roчниx дaниx npo мepeжeвi aнoмaлiï. 2. Moжливicrь виявлeння нoвиx мepeжeвиx aнoмaлiй. 3. Пpocrora в eкcплyaraцiï. 4. Виcoкa eфeкrивнicrь i oбГpyнroвaнicrь piшeнь 1. Дoвгoтpивaлa вибipкa нaвчaння. 2. Склaднo зaдaти пopoгoвi oбмeжeння мepeжeвиx aнoмaлiй. 3. Heoбxiдний шaблoн
ES aкyмyлююrь знaння eкcпepriв у кoнкperнiй пpeдмerнiй oблacri 1. Вiдcyrнicrь пoмилкoвиx тpивoг. 2. Викopиcraння дocвiдy eкcпepriв 1. Пocriйнe oнoвлeння БД. 2. He виявляюrьcя ^вдам! мepeжeвi aнoмaлiï
NN пpeдcraвляюrь cncreny, якa Ma ocнoвi фyнкцiï araraa^ зicraвляe вxiднy i виxiднy iнфopмaцiю 1. Aдaпraцiя дo piзниx cepeдoвищ. 2. Aнaлiз вcix мepeжeвиx aнoмaлiй. 3. Пpoгнoзyвaння мepeжeвиx aнoмaлiй 1. He видто лoгiки пpийняrrя piшeння. 2. Вeликий чac нaвчaння. 3. Виcoкий piвeнь пoмилкoвиx rpивoг. 4. Пorpiбнi cepйoзнi знaння в oблacri пapaмerpiв мepeжi
2) адаптащю до змш навколишнього середовища. NN5 яш навченi роботi в певному середовищ^ також можуть бути легко навчеш роботi в умовах незначних коливань параметрiв, що надходять вiд WS.
В iнформацiйнiй системi обробки потоку наыгацшних даних вiд WS, яка повинна оперативно виявляти мережевi аномали, а також пропонувати можливi варiанти !х усунення, ефективним е сукупне використання методiв ES i NN (ESNN). Така сукупнiсть якостей дае NN i ES можливiсть формування пбридно! штелектуально! системи (нейромережевi динашчш ES). В ESNN замiсть бази знань використовуеться навчена NN. На ввдшну вщ звичайних ES, яш заснованi на знаниях, система такого типу може оперувати недостовiрними i неповними даними. Знання проблемно! обласп можуть бути використаиi при навчанш NN5 а пiсля навчання NN буде вщгравати роль набору правил «якщо, то - база знань». Таким чином, штучш NN не використовують лопку. Для !х роботи не потрiбне введення досв1ду i вмiння експерта. Вони насл1дують процес навчання мозку людини для знаходження залежносп мгж вхiдними та вих1дними даними. Це не задаеться розробником. Головним елементом таких систем е математична модель нейрона [18]. Штучш нейрони групуються в певнi структури, яш п1ддаються навчанню з використанням набору даних. ESNN, що дозволяе мiнiмiзувати недолiки методiв дiагностики мережевих аномалш. Результатом об'еднання даних пiдходiв е перевага перед шшими методами дiагностики.
Побудова ESNN полягае в обчисленш виразiв (1, 2, 3) [19]. У такш ESNN зберiгаеться база правил ES. Нова ESNN отримуе новий набiр системоутворюючих в1дносин Я'. Для вилучення вiдповiдi необх1дно проводити опитування системи i виконувати обчислення. Вираз (3) дозволяе зберiгати досвщ системи в цiлому в неявному виглядг
Для зберiгаиия досвiду штелектуально! системи в явному виглядi застосуемо ESNN, засновану на Рг, ввдповщно до виразу (4) [2].
Принцип побудови ESNN для експертно! оцшки потоку даних вiд WS полягае у наступному. Складаються тести, ввдповщ на як1 мають бiнарний вигляд, тобто «Так» або «Ш». При складанш «вектора опитування», якщо при дiагностицi надходить вiдповiдь «Так», то компоненту вектора присвоюеться iндекс «1», якщо «Ш», то - «0». Таким чином, виршальне «дерево» (рис. 1) може бути записане у виглядi трьох векторiв. Наприклад: {...,1, 1, 0,...}, {.. .,1, 0, 1,.} i {., 0,.}. Першi два записи (вектори) передають наступний сенс: якщо.
Аналопчно можна побудувати вектор вихщних значень, керуючись тим же правилом, що i для вхщних значень. Якщо на виходi NN отримуемо 1, то на дане дiагностування сл1д звернути увагу, так як воно може бути причиною помилки.
Представлення знань, сформованих експертом, опишемо виразом (5) [20, 21, 22]. Вираз (5) представимо в наступному вигляд!:
Правило Rj ЯКЩО P1 е Kjwj I P2j е K2j(w2j) I ... I
РП е K„j(w„j) ТО О, [CFj].
Вага w{ нечетких обмежень K антецедента правила R, визначае важлив!сть обмежень Kj у правил!. На в!дм!ну в!д звичайних NN, в модел! (5) е параметри wj i CF. Це надае правилам велику гнучшсть при вирiшеннi практичного завдання отримання достовiрних навiгацiйних даних в!д WS.
Реалiзацiя виразу (5) полягае в аналiзi вх!дних даних, формуваннi штегральних зважених оц!нок здiйсненностi кожного правила i ви6ор! оптимального рiшення. Розроблена мережа (рис. 2) реалiзуе алгоритм нечеткого лог!чного виводу за виразом (5) i визначае число шарiв нейронно! мереж i !х функцюнальшсть. Структура мереж залежить в!д шлькосп вх!дних, вих!дних параметрiв, числа градацш у шарах NN (табл. 2). Характеристичш елементи ESNN показанi у табл. 2.
Неч!тка ESNN (рис. 2), розроблена для дiагностики мережевих аномалш при о6ро6ц! потоку даних в!д WS, мае ш!сть вход!в i три виходи. У нульовому шарi ESNN м!ститься ш!сть Р-нейрошв У першому шарi м!ститися ш!сть К-нейрошв, як! моделюють нечiтк! градацп у вигляд! «Р е K». Другий шар м!стить дев'ять /-нейрон!в, як! задають неч!тк! виходи у вигляд! «якщо Р1 е К1 I Р2 е К2 то О,». Трет!й шар складаеться з дев'яти Eval-нейрошв (evaluation -ощнка), на виход! яких розраховуються комплексш оц!нки спрацьовування правил. Вага v визначае ступ!нь достов!рност! CF сформованого правила
Таблиця 2 - Елементи побудови ESNN
Шари 0-шар Прихований шар Вихщний шар NNClass
4 1 6 Р-нейрошв. 3 К (6 нейрошв) I - (9 нейрошв) Eval - (9 нейрошв) 1 О - 3 (нейрошв) 1
Я,- (добуток виход1в Еуа^-нейрошв на !х вагу V). У четвертому шар1 метиться три нейрони (на виход1 обчислюються оцшки достов1рност1 ршення).
На рис. 2 показана NN для класифжаци вхвдних сигнал1в в1д WS (ММС1а88). Завдання класифкаци полягае в розбитп сигнал1в WS на класи, причому в основ1 лежить вектор параметра WS.
Щдх1д до тако! класифжаци полягае в тому, щоб з певного числа клаав вибрати координати прототитв. Пот1м кожен вектор параметра WS зв'язуеться з найближчим до нього прототипом. Новими прототипами стають центровди вах вектор1в, пов'язаних з вихщним прототипом. М1рою близькосп двох вектор1в виберемо евклвдову вщстань [19]:
ЛЕ У ) =
Е(х- У1)2 =1 Iх
1=1
(6)
Для завдання класиф1кацп використовуемо мережу Кохонена. Дана мережа самонавчаеться без вчителя на основ1 самооргашзаци. У м1ру навчання вектори ваг нейрошв стають прототипами клаав - груп вектор1в навчально! виб1рки. На еташ виршення задач мережа вщносить пред'явлений образ до одного 1з сформованих клаав. Мережа складаеться з одного шару нейрошв. Число вход1в кожного нейрона п дор1внюе розм1рносл вектора параметра об'екта. Кшьшсть нейрошв т ствпадае з числом клаав. Зм1нюючи к1льк1сть нейрошв, можна динам1чно змшювати к1льк1сть клаав.
У запропонованш (рис. 3) вихвдт вектори
в навчальнш виб1рш можуть бути як наявними, так 1 вщсутшми, 1 вони не беруть участ1 в процеа навчання. При самонавчанш виходи не використовуються в якост1 ор1ентир1в при корекцп синапав. не мае постшно! структури.
Ега1
А7А7С/ллл-
уокг5
йуш №'Ь'
>'02 Г?'5
¿МО
/120
В
V О
VзV2V■l
||5-Г011Г5 II
База
/У/^Ш уо1\>/з+ знань
//МрУт йю
йчйрЕ - Л}
Рисунок 2 - Формування бази знань Е8ММ при обробщ потоку даних в1д WS
Рисунок 3 - Запропонована ММС1а88 для класифжаци сигнал1в в1д WS
Залежно вщ знайдено!' вщстат до нейрона-переможця цей нейрон використовуеться для кластеризаци прикладу або для поданого на входи прикладу створюеться новий кластер з вщповщними ваговими коефщентами. Кр1м того, в процеа самооргатзаци структури окрем! нейрони можуть виключатися з не!' [19].
Алгоритм самонавчання NNClass. Крок 1. 1шщал!зац!я мереж1.
RKP = dE ( У )kp = dE ( У)max : dE ( У)max < CT. (7) Умови:
1. d(x, y)> 0 V x & y.
2. d(x, y)= 0 3 ! x = y.
3. d (x, y )= d (y, x ).
4. d(x,y)< d(x,k)+ d(k,y)
Вагам w,j, i
Rj = jz( - wij)2, d(( wj)= minwi) = Rm
V i=1 1<i<n
(8)
Виходи вс!х нейрошв р!вн! 0, кр!м одного нейрона-переможця, що мае на виход! max значення. Таким чином, вектор виходу мае единий елемент, р!вний 1. Номер активного нейрона визначае ту групу (кластер), до яко! найбшьш близький вх!дний вектор.
(9)
i=1
Виразом (9) визначаеться нормування в NNClass. Нормування вх!дних даних позитивним чином впливае на швидк1сть навчання мереж1.
Крок 3. П!дстроювання ваг вах нейрон!в i нейрона-переможця при Rmin < RKp.
wN+1 = wN j j
+ П N \x
x - wN ].
(10)
Якщо умова Ятш < ЯКР не виконуеться, то в структуру мереж1 додаеться новий нейрон, ваговi коефщенти якого приймаються рiвними вхiдним значенням поданого прикладу.
Крок 5. Кроки 2-4 повторюються, поки ваги не стануть змiнюватися (або сумарна змша всiх ваг стане дуже маленькою). Пiсля навчання класифшащя виконуеться подачею на вхiд мереж! випробуваного вектора. Обчислюються вiдстаиi ввд нього до кожного нейрона з подальшим вибором нейрона з найменшою вiдстанню. Якщо протягом останньо! епохи навчання будь-яш кластери залишилися не зад1яними, то такi нейрони виключаються з! структури мереж1. При корекци вагових коеф!ц!ент!в !нших нейрон!в коефщент швидкост! навчання убувае з! збшьшенням в!дстан! Я/ до центру кластера.
(
П j =П0
1 -
1
Л
1, п, / = 1, т присвоюються мал1
випадков! значення. Задаеться початковий темп навчання л 0 = 0,9, п м+1 = пN - 0,001 .
Початкова структура не м1стить нейрон1в. При подач1 на входи мереж1 самого першого прикладу навчально! виб1рки створюеться перший нейрон з ваговими коефщентами, р1вними поданим вх1дним значенням.
Крок 2. Пред'явлення мереж! нового вх1дного сигналу. На входи мереж! подаеться новий випадково обраний приклад поточно! епохи навчання, розраховуються евкл1дов1 в1дсташ в1д прикладу до центру кожного кластера 1 визначаеться нейрон-переможець / з найменшим з них Ятт.
1 + е"Р(( -RKP )
р = 3,0 ± 0,5
Сл!д зазначити, що при самооргашзацп NNClass, що класифшуе пот!к параметр!в h(t) в!д WS, виникають дв! проблеми:
а) окрем! кластери виразу (11) для отримання диференщальних поправок h(t) до вим!ряних глибин, як1 позначен! на SENC [1],
h(( ) =
1
det((£- А)
S(p)-В + +Ы +||(8y01WS)i,1[ (11)
iC):
м!стять дуже малу шльшсть приклад!в, що може спричинити труднощ! при подальш!й обробц! !нформац!!. Наприклад, кластери, пов'язан! з нулем глибин, hw, h20, h01WS, h02WS;
б) з шшого боку, !нш! кластери виразу (11) мютять дуже багато приклад!в. Наприклад, кластери
det(p1E- А) ^ ( ),l(6y°1WS ))
Wj
У цьому випадку для регулювання розм!ру кластера i вир!шення проблеми його переповненост! задаемо в якост! додаткового параметра граничне число приклад!в ЖПР, як! формують кластер. Якщо в якийсь момент виявляеться, що новий приклад повинен бути вынесений до кластеру, розм!р якого max, приймаеться АР про створення шшого кластера. Його центром е вектор змшних NПР +1, найбшьш вщдалений в!д даного кластера.
Процедура навчання за методом поширення помилки показана на рис. 4.
зворотного
y = f (e), e = xjwj + x2w2 + . +x„ w„.
(12)
const
x
x
x,„- =
x
x
PncynoR 4 - Haвчaння NN зa мeтoдoм звopoтнoгo пoшиpeння пoмилки Ha pиc. 4 пoкaзaний дoдaткoвий пpиxoвaний шap, oбчиcлюeмo пoxiднy df(e)/de чepeз aктивaцiйнy
пoв'язaний з poзв'язaнням iнфopмaцiï вiд дpyгoгo WS. фyнкцiю [3].
Вxiдний шap:
1 - idW(x1)1 v idW(x2)b» Xl v X2, 2 - idW(x1)2 v idw(x2)2:ö Xl v X2, 3- idw(xl)3 v idw^:» xivx2.
Пpиxoвaнi шapи:
14- idw14, 15- idw15, 24- idw24, 25- idw25, 34- idw34, 35- idw35.
Виxiдний шap:
46- idw46, 56- idw56.
Визнaчимo виxiднi cигнaли (output) нeйpoнiв. Пiд чac iнiцiaлiзaцiï NN вяги poзcтaвляютьcя у випaдкoвoмy пopядкy:
, _ f (e ) , _ f (e )
w(xl) = w(xl) +ng 1-dpxb w(x 2 )l = w(x 2 )l + nS1 de~X2 '
, df2 (e) , df2 (e)
w(xl)2 = w(xl)2 + nS2^~x1' W(x2)2 = w(x2)2 + nS2^d^Lx2,
df3 (e)
df3 (e)
'(xl) = w(xl) + ng3 w(x2> + nS3
de
w14 = w14 + nS 4 f (e) Уъ w24 = w24 + nS 4 У2,
de de
, , df4 (e ) w34 = w34 + nS 4-^У3.
de
У1 = fl(W(x1)lXl) + W(x2)lX2,
У2 = f>(W(x1)2Xl) + W(x2)2X2,
У3 = fî(W(x1)3Xl) + W(x2)3X2,
У 4 = f4(w^1 + W2^ + Wз4Уз),
У5 = Ь^1ЪУ1 + W25У2 + Wз5Уз),
У6 = -6^46У4 + W5бУ5).
Oбчиcлeння cигнaлy пoмилки. П^мил^ - пpoцeнтнa вeличинa, щo вiдoбpaжae poзбiжнicть мiж oчiкyвaними i oтpимaними
df 5 (e ) df 5 (e )
w15 = w15 + nS 5 -Г^ У1 > w 25 = w 25 + nS 5 , У 2 >
de de
' g df 5 (e )
w35 = w 35 +nS 5 , У 3.
de
df6 (e ) df6 (e )
W46 = w46 + nS 6 'У4, w56 = W56 +nS 5 6 'У5.
de
de
фyнкцiю тpикyтнoï фopми фиа 5).
Спocoби вибopy n:
a) nmax * nmin.
b) nmin * nmax * nmin.
Швидкють нaвчaння бepeмo y мeжax 0,3-0,7. Для кoдyвaння i дeкoдyвaння пapaмeтpiв вiд WS вiдпoвiдями. Пoмилкa фopмyeтьcя кoжнy eпoxy i пiд чac нaвчaння нeчiткoï NN зaдaeмo пapaмeтpичнy пoвиннa йти нa cпaд.
S = [fl (e)- Sl ]2 + [f2 (e)- S 2 ]2 + - + [fn (e)- S n ]2 . (13)
S = z - у ^ S4 = w46S ^ S5 = w56S ^ S1 = w14S4 + +w1555 ^ S2 = w24S4 + w2555 ^ S3 = w34S4 + w3555. (14)
Poзpaxyнoк тамилки зa виpaзoм (13) збepiгae бaлaнc в oбчиcлeннi (мeтoд MSE - Mean Squared Error).
У зв'язку з викopиcтaнням мeтoдy гpaдieнтнoгo cпycкy в aлгopитмi звopoтнoгo пoшиpeння пoмилки
© Штн В. В., Дopoнiн В. В., Сшян О. M., 2019 DOI 10.15588/1607-3274-2019-1-19
Pncynox 5 - Пapaмerpичнa фyнкцiя rpикyrнoï фopми
n
Налаштування складових pik вектора Pk = (P1k, P2k, P3k) здшснюеться в !нтервал!
A = ^ikmim pikmax] : pikmin id НСР, pikmax id ВСР.
Дал! A розбиваемо на N пщнтервал!в
N = 2 (h2WS—hws ) ^ Pik min idcod 0, Pik max idcod 1. mZ 0
СКП виходу нечгтко! NN
M = 1 (A y )2.
(15)
Операц!я декодування е !нверсною по в!дношенню до операцп кодування.
Таким чином, вир!шена задача вибору гнучко! неч!тко-нейронно! мереж! представлення знань ! розробки неч!тко! NN, що дозволяе в результат! навчання формувати базу знань ES правилами, представленими у форм! нечгтких висновк1в.
У систем! 1МН для обробки потоков даних, включаючи обробку потоку даних в!д WS, розроблена !нтелектуальна ESNNF, що заснована на Pr (рис. 6).
Рисунок 6 - Структура ББММ , що заснована на Рг при 1МН
Система складаеться з штелектуально! п1дсистеми (1ПС) 1 шдсистеми обслуговування кластер1в (ПОК), робота яких контролюеться 1нтегратором (1н). ПОК включае базу даних кластер1в (БДК). 1ПС включае базу знань Рг (БЗП), модуль отримання знань (ОЗ), мехашзм пошуку Рг (МПП), нейро-експертний мехашзм отримання р1шення (НЕР), блоки адаптаци даних 1 пояснення р1шення (АД).
4 ЕКСПЕРИМЕНТИ
Комп'ютерна програма, яка реал1зуе запропонований метод, побудована на баз1 системи в1дображення р1чкових електронних карт SeeMYENC 1 доповнюе «Контекстно-ор1ентований п1дх1д в 1нтелектуальн1й обробц1 потоков даних в1д водом1рних пост1в при рус1 судна» (р1шення про авторське право № 36-18С-НС в1д 13.04.2018). Розроблене програмне забезпечення вивчалося при виршенш проблеми класиф1кац1! нейромереж! Кохонена [2], яка дозволяе самонавчатися без вчителя на основ1 самоорган1зац1!.
Вихщш дан! м!стять 115 виб!рок, що характеризуються амома вх!дними характеристиками (рис. 3). Сл!д зазначити, що при самоорган!зац!! NNClass, що класиф!куе пот!к параметр!в h(t) в!д WS за виразом (11), вир!шен! дв! проблеми:
1) окрем! кластери м!стять дуже малу к!льк!сть приклад!в, що може привести до труднощ!в при подальшш обробц! !нформац!!. Наприклад, кластери, пов'язаш з нулем глибин, h10, h20, h01WS, h02WS. При проведенн! експерименту вихщш дан! для таких кластер!в м!стять 40 виб!рок (NПР1 х 4 = 40).
2) rnmi кластери виразу м!стять дуже багато приклад!в. Наприклад, кластери [det(PE-A)]-1S(P), Б, II(Sy01 ws)i,11| мютять 75 виб!рок (NпР2 х 3 = 75).
У цих випадках для регулювання розм!ру кластер!в i вир!шення проблеми його переповненосл в якост! додаткових параметр!в задан! граничн! числа приклад!в Nm, як1 формують кластери (NПР1 = 10; Nnp2 = 25). Якщо в якийсь момент виявляеться, що новий приклад повинен бути в!днесений до кластера, розм!р якого max, приймаеться АР про створення !ншого кластера. Його центром е вектор змшних
N ПР + 1, найб!льш вщдалений в!д даного кластера.
Функц!я виведення Xn визначае екземпляр, що належить одному з чотирьох кластер!в (n = 4).
На основ! вихщно! виб!рки були отриман! оц!нки прим!рнишв в якост! навчальних зразк!в. При виршенш першо! проблеми для контрольних прим!рник!в з !ндив!дуальним значенням були в!д!бран! приклади з вих1дного зразка i в!дпов!дно включен! в навчальний наб!р. При вир!шенн! друго! проблеми були вщбраш приклади з вих!дного зразка i включен! в тренувальний наб!р повторно.
Кр!м того, для зразк1в побудована мережа формування бази знань ESNN при обробц! потоку даних в!д WS (рис. 2). Для отримання системи правил
i формування бази знань ESNN застосовано
проведення навчання. Процедура проведення навчання двошарово! нейронно! мереж! з! зворотним зв'язком за методом зворотного поширення помилки показана на рис. 4.
Для дано! задач! кшьшсть мережевих вход!в визначалася кшьшстю функц!й (n=2). Число нейрон!в першого прихованого шару дор!внюе 3, другого прихованого шару дор!внюе 2. Ва нейрони мереж! використовували зважену суму в якост! вагово! функц!! i лопстичного сигмо!ду як передавально! функц!!. Параметри методу навчання були встановлен! таким чином: швидк!сть навчання беремо у межах 0,3-0,7, допустима кшьшсть !терац!й (епох) методу - 200, ц!льове значення функц!! помилки - 5.
П!сля завершення процесу навчання нейронно! модел! були заф!ксована Г! шнцева характеристика h(t) i визначена помилка S.
5 РЕЗУЛЬТАТИ
Результати проведених експеримент!в представлен! в табл. 3.
Таблиця 3 - Результаты проведених експериментш
SENC Code #ПР Cluster Xws h(t) 5 Date/
max min average N пр + 1 time
Nm1 h10 0 0 0 0
Nm1 h20 0 0 0 0
UA8N0017.000 Code M ^ПР1 h01WS 0,421 0,415 0,418 0
Nm1 h02WS 0,288 0,280 0,284 0 0.334 5 27.07.2018 /
^ПР2 [det(pE-A)]-1S(p) 0,310 0,295 0,303 0 13-00
Code L ^ПР2 B - 0,229 - 0,233 - 0,231 0
^ПР2 ||(5yovms)i,1|| 0,410 0,398 0,404 0
^ПР1 h10 0 0 0 0
Nm1 h20 0 0 0 0
UA8N0082.000 Code M ^ПР1 h01WS 0,321 0,313 0,317 0
Nm1 h02WS 0,184 0,180 0,182 0 0.205 5 06.08.2018 /
^ПР2 [det(pE-A)]-1S(p) 0,188 0,182 0,185 0 13-00
Code L ^ПР2 B - 0,549 - 0,555 - 0,552 0
#ПР2 ||(5y01ws)i,1|| 0,310 0,304 0,307 0
У таблиц використанi HacTynHi позначення для методу кодування napaMeTpiB та отримання поправки до глибин: М - кластери, що мiстять дуже малу шльшсть прикладiв, L - кластери, що мютять дуже багато прикладiв, Nm - граничнi числа прикладiв для регулювання розмiрy кластерiв i виршення проблеми його переповненостi, XWS - вхвдш данi, N ПР + 1 -створення iншого кластера, при max розмiрy нового прикладу, h(t) - поправка до глибин, розраховуеться за виразом (11), 5 - помилка, процентна величина, що ввдображае розбiжнiсть м1ж очiкyваними i отриманими вiдповiдями, розраховуеться за виразом (13, 14). Маркери «min», «average» i «max» позначаються вiдповiдно мшмальними, середнiми i максимальними значеннями.
При проведеннi експерименту враховаш екстремальнi (контрольнi) значення кластера В -матриц n'm мюця знаходження судна мiж двома WS за даними, що знятi з SENC. Кластер В входить до складово! [det(pE-A)]-1S(p)B виразу (11). Так, для SENC № UA8N0017.000 & SENC № UA8N0082.000
- 0,333 < B < 0
- 0,659 < B < 0
B = 0 ^ h(t)= 0,404 , B = - 0,333 ^ h (t )= 0,303
(15)
B = 0 ^ h (t)= 0,307 , (16)
B = - 0,659 ^ h (t )= 0,185 .
Значення виразiв (15, 16) ототожнюються з отриманням поправок h(t) суднами, що знаходяться в безпосереднш близькостi ввд 1WS-2WS для визначеного району плавання.
У графi N Пр + 1 проставлен нyлi у зв'язку з тим, що max розмiр нового прикладу не встановлений i створення iншого кластера не проводилося. У рядках hw, h20 (max, min, average) також проставленi нyлi через вiдсyтнiсть змш нуля глибин 1WS-2WS вiдносно абсолютно! системи висот.
Табл. 3 показуе, що використання запропонованого методу дозволяе на практищ вибрати пiдбiркy з вихщного зразка, достатньо! для створення NN з необхвдною точнiстю, що скорочуе час для створення мереж.
AT
sfcltifHlil ЯХППЯ7 flilf
>
я ТГХГ IT.ASNflOl 7 000 "s.
&5fl
■ •
- i ■ • 3
5 i
Î Tf- ï
/ * si if О т 1
\ 7 ■< ■w- "4 Г" 1
1 ■ ■ a « и
4 * * H "(J ■ о Ч? j'
1 1 VT -ft- r> TV
035 i о э" Vr \ О f
0 и ■o
V ti • J
в j it V
. it. Jft •b -
Й- 4 г
\
- -
0 - - - - - 1 L_ H
0. 6Ü 0 - Ü. 4Ü0 - с. 200 0
Рисунок 7 - Розмщення прим1рник1в вихщного i сформованого зразюв
Рис. 7 граф!чно шюструе розмщення прим!рнишв вих!дного i сформованого зразк1в.
По в!с! абсцис нанесен! складов! по cod M i cod L, по вга ординат - дан! матриц! В - м!сця знаходження судна м!ж двома WS. Маркери «•», «о», «■*■» i «1» позначають екземпляри р!зних клас!в вих!дного зразка, вибраш для набору тренувань.
6 ОБГОВОРЕННЯ
1снуючий в!зуальний (лоцманський) метод нав!гац!! не базувався на вир!шенн! завдань !з застосування наукового подходу до впровадження сучасно! системи нав!гацп на ВВШ Укра!ни. Зв!дси i методи штелектуально! обробки потоков нав!гац!йних даних в!др!знялися спрощешстю. Це не ввдповщае законом!рностям функц!онування складного об' екта при сучасному способ! нав!гац!! через !снуюч! локальн!, галузев! завдання ! принципи забезпечення його життевого циклу.
Функц!онування сучасного способу 1МН (р!чково! е-нав!гац!!) засноване на анал!з! ц!лого ряду фактор!в, як! в даний час не враховуються у зв'язку з використанням приблизних моделей [18]. Сл!д зазначити, що проблема визначення контекстно-ор!ентовано! !нтелектуально! обробки потоков даних в ташй складн!й орган!зац!йн!й систем!, як система забезпечення 1МН на ВВШ Укра!ни, на сьогодн!шн!й день залишаеться вщкритою. Проблеми у мереж! передач! потоку наыгацшних даних впливають на достов!рн!сть отримання !нформац!!.
У робот! розглянуто задачу автоматизац!! д!агностики мережевих аномал!й при передач! потоку наыгацшних даних в!д WS до електронно-картограф!чно! системи. Отриманий наб!р кластер!в-правил в!дображаеться в структур! нейро-неч!тко! мереж!. Створений наб!р показник!в для оц!нки якост! виб!рок, що мають едину природу, на основ! реал!зацп алгоритму нечеткого лог!чного виводу.
Реал!зац!я методу не потребуе завантаження вс!е! навчально! виб!рки в пам'ять Inland ECDIS, багаторазових перегляд!в навчально! виб!рки i !стотно прискорюе процес синтезу мереж. В шформацшнш систем! обробки потоку нав!гацшних даних, яка повинна оперативно виявляти мережев! аномал!!, а також пропонувати можлив! вар!анти !х усунення, ефективне сукупне використання ES i NN. Ця сукупн!сть якостей дае NN ! ES можлив!сть формування г!бридно! !нтелектуально! системи (нейромережев! динам!чн! експертн! системи). У под!бн!й систем! зам!сть бази знань вико-ристовуеться навчена NN. На ввдшну в!д звичайних ES, як1 засноваш на знаннях, система такого типу може оперувати недостов!рними ! неповними даними. Знання проблемно! област! можуть бути використан! при навчанш мереж1, а шсля навчання NN вщгравае роль набору правил «якщо, то - база знань».
Взаемод!я NN ! ES дозволить м!н!м!зувати недолши систем д!агностики мережевих аномалш.
Результатом об'еднання даних тдход1в е перевага перед шшими системами д1агностики.
Такий шдхвд вир1шуе в першу чергу слабко структурован1 проблеми, як1 характеризуются наявн1стю фактора невизначеност1 1 м1стять як формал1зован1, так 1 неформал1зоваш елементи. Комб1нування шформацп зд1йснюеться з численних джерел 1з знаходженням бшьш точних 1 достов1рних даних про ситуацш, н1ж дан1, як1 отримаш в1д цих джерел окремо.
Перевагою проведених досл1джень е забезпечення значно бшьшо! точносп отримання нав1гац1йних даних в1д об'екпв зовн1шнього середовища, усунення суттево! неоднозначности розпливчастост1 та непередбачуваност1 ситуац1й екстремального, ризикованого характеру. Так, з таблиц! 3 1 рисунку 7 випливае, що в сформованому зразку точшсть пвдвищуеться (помилки для сформованого навчання 1 для початкового скорочення зразк1в), час навчання 1 кшьшсть тренувальних ггерацш зб1льшуеться, 1 навпаки. Сл1д зазначити, що екземпляри, критичн1 для опису под1лу клас1в, не можуть бути включеш в зразок невеликого обсягу. Це п1дтверджуе доц1льн1сть застосування пропоновано! математично! п1дтримки в побудов1 NN на прецедентах. Однак, е недол1ки -низька швидк1сть через необхщшсть обчислювати в1дстан1 м1ж екземплярами.
Теоретична незавершен1сть та багатозначна можлив1сть р1зноман1тних тлумачень на практиц1 приводить до загрозливо! статистики катастроф, аварш, небажаних под1й з пасажирами, ешпажами, вантажами, а також 1з забрудненням навколишнього середовища. Проведен1 розрахунки тдтверджують п1двищення ймов1рност1 безпечного руху суден до 97 %.
Робота м1стить матер1али щодо наукового досл1дження в галуз1 р1чкового транспорту в частиш, що стосуеться визначення механ1зм1в структуроутворення 1 обробки потоку нав1гац1йних даних в умовах сучасного методу нав1гацп. Запропонований п1дх1д е продовженням рашше проведеного досл1дження про застосування системного анал1зу впровадження 1МН на ВВШ Украши [23]. Отриман1 результати дають п1дстави стверджувати про можлив1сть впровадження запропонованого методу в реальне судноплавство на внутршшх водних шляхах Укра!ни.
Перспективи подальших досл1джень полягають в подальшш побудов1 системи 1МН при застосуванш NN для математичного забезпечення широкого набору практичних завдань д1агностики 1 розтзнавання образ1в. Так, найважлив1шим аспектом таких комплексних досл1джень е можлив1сть в1дмовитися в1д установки берегових 1 плавучих засоб1в нав1гац1йного обладнання, що дозволить отримати значний економ1чний ефект у масштабах держави (щор1чно 45 млн. грн). До того ж сл1д зазначити, що введення сучасного методу навтаци дозволить оперативно закривати судноплавство по
фарватеру й здшснювати проводку тальки обраних суден в особливий перiод.
ВИСНОВКИ
У робота вирiшена задача застосування наукового шдходу щодо побудови нейромережево! експертно! системи обробки навiгацiйних параметрiв в умовах впровадження сучасно! системи рiчково! е-наыгацп на ВВШ Укра!ни на базi рiчкових електронно-картографiчних систем. Насущна проблема виршена з метою автоматизаци дiагностики мережевих аномалiй при передачi потоку навiгацiйних даних вiд WS до електронно-картографiчно! системи. У процеа дослiдження використаний комплекс процедур, що мають елементи науково! новизни: визначення генерально! мети, аналiз множини альтернатив досягнення цих цiлей, якi зютавляються з тими чи iншими критерiями ефективностi.
Наукова новизна отриманих результата полягае в тому, що в результата дослвдження вперше запропонований споаб комплексного проведения контекстно-орiентовано! штелектуально! обробки потоков навiгацiйних даних в умовах рiчково! е-навггацц. Отримали подальший розвиток: метод дiагностики мережевих аномалш з сукупним використанням ES i NN що заснованi на прецедентах з реалiзацiею алгоритму нечiткого лопчного виводу i можливiстю формування пбридно! штелектуально! системи; метод представлення знань, сформованих експертом. Це надае правилам велику гнучшсть при вирiшеннi практичного завдання з отримання достовiрних навтацшних даних вiд WS; метод класифжаци вхвдних сигналiв вiд WS з використанням мереж! Кохонена. Завдання класифжаци полягае в розбиттi сигналiв на класи, причому в основi лежить вектор навiгацiйного параметра ввд WS; метод зворотного обчислення сигналу помилки з кодуванням i декодуванням параметрiв ввд WS пiд час навчання нечггко! NN iз завданням параметрично! функци трикутно! форми. Це дозволяе в результата навчання формувати базу знань ES за правилами, представленими у формi нечiтких висновк1в, зменшити розмiрнiсть даних навчання i, як наслщок, автоматизувати дiагностику мережевих аномалш при передачi потоку навiгацiйних даних ввд WS до електронно-картографiчно! системи.
Практична значимкть отриманих результатав полягае у тому, що, використання запропонованого методу дозволяе на практиш вибрати пiдбiрку з вихiдного зразка, достатню для створення ESNNР з необхщною точнiстю, що скорочуе час для створення моделей. У даний час розробляеться програмне забезпечення, що реалiзуе запропонований метод. Експериментальнi результати дозволяють
рекомендувати запропонований метод для використання на практицi. Крiм того, впровадження запропонованого метода дозволить ввдмовитися вiд установки берегових i плавучих засобiв навiгацiйного
обладнання, дасть можливiсть диференцшованого вiдображення масиву глибин на електроннш картi в залежностi ввд дшсного рiвня води i ввдмовитися вщ лоцманського принципу сyдноводiння на ВВШ Укра!ни. До того ж слад зазначити, що введення iнстрyментального методу навц-ацп дозволить в особливий перюд оперативно закривати судноплавство по фарватеру й здшснювати проводку тальки обраних суден. Проведеш розрахунки п1дтверджують шдвищення ймовiрностi безпечного руху суден до 97%.
Перспективи подальших дослiджень полягають у створеннi послiдовних методiв розрахунку комплексу запропонованих показник1в, оптимiзацil програмних реалiзацiй, а також в експериментальному дослiдженнi запропонованих методiв при 1МН (рiчковоl е-навiгацil).
ПОДЯКИ
Роботу виконано в рамках науково-досл1дно! теми «Методи забезпечення безпеки руху водного транспорту при використанш деталiзованого масиву глибин в рiчкових електронно-картографiчних системах», що затверджена рiшенням науково! ради Державного ушверситету iнфрастрyктyри та технологiй (номер реестрацп ID:64940 27.08.2016 (398-1)).
Л1ТЕРАТУРА / ЛИТЕРАТУРА
1. Дорошн В. В. Методи реалiзацil обчислювального гнтелекту при використанш деталiзованого масиву глибин в рiчкових електронно-картографiчних системах / В. В. Дорошн, В. М. Алейнжов, М. В. Алейнжов // Вюник Одеського нацiонального морського ун1верситету. - 2018. - № 1 (54). - С. 158-181.
2. Ясницкий Л. Н. Интеллектуальные системы : монография / Л. Н. Ясницкий. - М. : Лаборатория знаний, 2016. - 221 с.
3. Яхъяева Г. Э. Нечеткие множества и нейронные сети : монография / Г. Э. Яхъяева. - М. : Интуит, 2012. - 316 с.
4. Дли М. И. Нечеткая логика и искусственные нейронные сети : монография / М. И. Дли. - М. : Физматлит, 2013. -225 с.
5. Doronin V. Application of evaluation criteria of functional sustainability instrumental method of navigation on Ukraine's Inland waterways // The XIII International Scientific Conference. - Zheleznii Port, Ukraine, 2017. -P. 178-181.
6. Дерябин В. В. Обзор исследований, посвященных использованию нейросетевых технологий в судовождении / В. В. Дерябин // Вестник Государственного университета морского и речного флота имени адмирала С. О. Макарова. - 2015. -№ 6(34). - C. 29-43. DOI: 10.21821/2309-5180-2015-7-629-43.
7. Числов К. А. Нейроподобный алгоритм коррекции безгироскопной инерциальной спутниковой гравиметрической системы / К. А. Числов // Вестник Государственного университета морского и речного флота имени адмирала С. О. Макарова. - 2013. - № 4 (38). - С. 93-99.
8. Jwo D. Neural network aided adaptive Kalman filter for GPS / INS navigation system design / D. Jwo // Proceedings of 9th IFAC Workshop «Adaptation and learning in control and signal processing» (ALCOSP'07). - 2007. - P. 7.
9. Nguyen H. Improving GPS. INS Integration through Neural H. Networks // Journal of Telecommunications. - 2010. -Vol. 2 (2). - P. 1-6.
10. Kaygisiz B. GPS. INS Enhancement for Land Navigation using Neural Network / B. Kaygisiz // Journal of Navigation. - 2004. - Vol. 2(57). - P. 297-310. DOI: 10.1017/ S037346330400267X.
11. Сазонов А. Е. Прогнозирование траектории движения судна при помощи нейронной сети / А. Е. Сазонов,
B. В. Дерябин // Вестник Государственного университета морского и речного флота имени адмирала
C. О. Макарова. - 2013. - № 3(22). - С. 6-13. DOI: 10.21821/2309-5180-2013-5-3-6-13.
12. Lainiotis D. Neural network application to ship position estimation // Proceedings of Conference «OCEANS'93. Engineering in Harmonywith Ocean». - 1993. - P. 13841389.
13. Xu T. Novel Approach for Ship Trajectory Online Prediction Using BP Neural Network Algorithm // Advances in information Sciences and Service Sciences (AISS). -2012 - Vol. 4(11). - P. 271-277. DOI: 10.4156/AISS.vol4.issue11.33.
14. Степанов О. А. Нейросетевые алгоритмы в задаче нелинейного оценивания. Взаимосвязь с байесовским подходом / О. А. Степанов // Навигация и управление движением : материалы XI конференции молодых учeных, 21-22 апреля 2009 г. Санкт-Петербург / Государственный университет морского и речного флота имени адмирала С. О. Макарова. - Санкт-Петербург. - 2009. - С. 39-65.
15. Деева А. С. Методы контроля и диагностики информационных нарушений инерциальных навигационных систем / А. С. Деева // Вестник ЮжноУральского государственного университета : серия: компьютерные технологии, управление, радиоэлектроника. - 2010. - № 2 (178). - С. 21-25.
УДК 629.5.05.527.05
16. Zak B. Modelling of ship's motion using artificial neural networks. - Advancesin Neural Networks and Applications, World Scientific and Engineering Society Press, 2001. -P. 298-303.
17. Кучер А. В. Интеллектуальная система поддержки принятия решения на основе нечеткой логики для диагностики состояния сети передачи данных : учеб. пособие / А. В. Кучер. - Краснодар : ГОУ ВПО «Кубанский государственный технологический университет», 2007. - 221 с.
18. Application of Intelligent Processing of Data Flows Under Conditions of River Navigation / [V. Panin, V. Doronin, I. Tykhonov, M. Alieinikov] // Eastern European Journal of Enterprise Technologies. - 2018. - Vol. 3/9 (93). - P. 6-18. DOI: 10.15587/1729-4061.2018.131599.
19. Каширина И. Л. Искусственные нейронные сети : монография / И. Л. Каширина. - М. : Издательский дом «Вильямс», 2005. - 51 с.
20. Колесников А. В. Методология и технология решения сложных задач методами функциональных гибридных интеллектуальных систем / А. В. Колесников. - М. : ИПИ РАН, 2007. - 387 с.
21. Малыхина М. П. Нейросетевая экспертная система на основе прецедентов для решения проблем абонентов сотовой сети : монография / М. П. Малыхина. -Краснодар : Юг, 2011. - 148 с.
22. Научный журнал КубГАУ [Электронный ресурс] : Идентификация механизмов реализации операторов генетического алгоритма в экспертных системах продукционного типа / уклад. В. А. Частикова. -Краснодар : КубГАУ, 2012. - №75(01). - 13 с. Режим доступа: http://ej.kubagro .ru/2012/01/pdf/17.pdf.
23. Panin V. Application of the System Analysis of Implementation of the Instrumental Method of Navigation on Inland Waterways of Ukraine / V. Panin, V. Doronin, V. Aleynikov // Radio Electronics, Computer Science, Control. - 2018. - No. 2 (45). - P. 125-134. DOI 10.15588/1607-3274-2018-2-14.
Стаття надшшла до редакцй 10.10.2018.
Июля доробки 25.10.2018.
ПОСТРОЕНИЕ НЕЙРОСЕТЕВОЙ ЭКСПЕРТНОЙ СИСТЕМЫ ОБРАБОТКИ НАВИГАЦИОННЫХ ДАННЫХ
В УСЛОВИЯХ РЕЧНОЙ е-НАВИГАЦИИ
Панин В. В. - д-р техн. наук, профессор, ректор Государственного университета инфраструктуры и технологий, Киев, Украина.
Доронин В. В. - канд. техн. наук, профессор кафедры технических систем и процессов управления в судовождении Государственного университета инфраструктуры и технологий, Киев, Украина.
Спиян А. Н - аспирант кафедры технических систем и процессов управления в судовождении Государственного университета инфраструктуры и технологий, Киев, Украина.
АННОТАЦИЯ
Актуальность. Рассмотрена задача автоматизации диагностики сетевых аномалий при передаче потока навигационных даних от водомерных постов до электронно-картографической системы в условиях речной е-навигации. Объектом исследования является процесс диагностики в динамической экспертной системе. Цель работы - создание автоматизированной системы диагностики сетевых аномалий на нейронных сетях.
Метод. Предложен способ автоматизации диагностики сетевых аномалий с использованием комплекса процедур контекстно-ориентированной интеллектуальной обработки потоков навигационных данных. Способ предусматривает использование современных методов обработки информации на основе реализации алгоритма нечеткого логического вывода в нейронных сетях. Примененные нейросети могут быть легко обучены в условиях колебаний параметров, поступающих от водомерных постов. Способ позволяет минимизировать ошибку в синтезированной сети. Полученный набор кластеров-правил отображается в структуре нейро-нечеткой сети. Реализация способа не требует загрузки всей начальной выборки в память электронно-картографической системы, многоразовых пересмотров начальной выборки и
существенно ускоряет процесс синтеза сетей. В информационной системе обработки потока навигационных данных, которая должна оперативно выявлять сетевые аномалии, а также предлагать возможные варианты их устранения, применено совместное использование экспертных систем и нейронных сетей. Наряду с фрактальным учетом точности определены показатели качества при неизвестных закономерностях между входными и выходными данными, поступающих от водомерных постов. Таким образом, нейросеть определяет какие сигналы являются неинформативными. С помощью разработанного метода классификации входных сигналов от водомерных постов с использованием сети Кохонена пространство потока данных разбивается на кластеры одинакового размера и формы. При изменении размера кластера метод позволяет получать разные уровни детализации выборки. Применение процедуры классификации входных сигналов предусматривает увеличение или уменьшение значений дифференциальных поправок к глубинам, распознавание информации от водомерных постов. Решение задачи кодирования и декодирования параметров в период обучения нечеткой нейросети выполнялось одновременно с заданием параметрической функции треугольной формы. Определены правила представления знаний, сформированных экспертом. Для сохранения интеллектуальной системы в явном виде применена нейросетевая динамическая экспертная система на прецедентах. Определен механизм получения автоматизированного решения на основе активизации алгоритма поиска по степени близости прецедентов. При отсутствии прецедентов задание решается нейросетевой базой правил. Узлами сети являются нейроны - отдельные факты, извлекаемые из прецедентов. Связь между узлами сети реализуют правила. Таким образом, организуется многослойная нейросеть фактов и правил.
Результаты. Отработаны показатели экспериментальных исследований процесса автоматизации диагностики сетевых аномалий при передаче потока навигационных данных от водомерных постов.
Выводы. Решена задача автоматизации диагностики сетевых аномалий с применением гибкой нечетко-нейронной сети на прецедентах. Проведенные эксперименты подтвердили работоспособность предложенных методов.
Перспективы дальнейших исследований заключаются в реализации этапов создания инструментального метода навигации (речной е-навигации).
КЛЮЧЕВЫЕ СЛОВА: выборка, экспертная система, е-навигация, нечетко-нейронная сеть, прецедент, Inland ECDIS.
UDC 629.5.05.527.05
CONSTRUCTION OF A NEUROET NETWORK EXPERT SYSTEM FOR PROCESSING NAVIGATION DATA IN
CONDITIONS RIVER e-NAVIGATION
Panin V. V. - Dr. Sc., Professor, Rector, State University of Infrastructure and Technologies, Kyiv, Ukraine.
Doronin V. V. - PhD, Professor of the Department of Technical Systems and Control Processes in Navigation of the State University of Infrastructure and Technologies, Kyiv, Ukraine.
Spiian O. M. - Post-graduate student of the Department of Technical Systems and Control Processes in Navigation of the State University of Infrastructure and Technologies, Kyiv, Ukraine.
ABSTRACT
Context. The diagnostics automatisation problem of network anomalies during navigation data processing from gauging stations to electronic chart system under river e-navigation was studied. The object of the study is a process of diagnostic in the dynamic expert system. The purpose of the research is creating of automated troubleshooting system with a help of neural system.
Method. The diagnostic automatisation method of network anomalies with context-based intelligent navigation data processing usage was suggested. The main idea consists in modern data processing methods usage in the neural system. These methods are based on the fuzzy logic algorithm. Neural networks can be in operation during parameter fluctuations, that come from gauging stations. The cluster-rules set is displayed in the fuzzy neural system structure. There is no need to download all sample specifications in the electronic mapping system or to re-check the sample, it helps to speed up the process of network synthesis. In the navigation data processing system were used different expert systems and neural networks. Data processing system should find network anomalies and propose the ways of their decision size, the method allows to get different levels of sample specification. The method allows to minimize network error in the synthesized model. In addition to fractal method, also had been proposed a method for unknown regularities between the input and output data coming from the gauging stations. That is, the neural network can determine which signals are non-informative. With a help of input data classification from the gauging stations based on Kokhonens system, the space of the data stream splits into clusters of the same size and shape. By changing the cluster size, the method allows to get different levels of sample specification. The procedure of input signals classification helps to predict the increasing or decreasing of differential corrections towards depth, and recognize information from gauging stations. The method determines the encoding and decoding of navigation parameters by specifying the parametric function of the triangular shape. The rules formed by an expert knowledge were established. In order to keep intellectual system under current conditions should be used neural dynamic expert system model including use case. The mechanism of automated solution based on the search use case algorithm is defined. If there are not any use cases, the task solves with a help of neural network rules. The network nodes are neurons - particular facts that are consequences of use case. Links between nodes of the network implement the rules. That is, a multilayer neural network of facts and rules is built up.
Results. The experimental indexes of network anomalies during data processing from the gauging stations were followed up.
Conclusions. The automatisation problem of network diagnostic anomalies with a help of flexible fuzzy neural network was solved. The conducted experiments confirmed the efficiency of the proposed methods.
Further research may consist in the creation of an instrumental navigation method (river e-navigation).
KEYWORDS: sample, expert system, e-navigation, fuzzy-neural model, use case, Inland ECDIS.
REFERENCES
1. Doronin V. V., Aleinikov V. M., Alieinikov M. V. Metody realizatsii obchysliuvalnoho intelektu pry vykorystanni detalizovanoho masyvu hlybyn v richkovykh elektronno-kartografichnykh systemakh, Visnyk Odeskogo natsionalnogo morskogo universytetu, 2018, No. 1 (54), pp. 158-181.
2. Yasnitskii L. N. Yasnitskii Intellektualnye sistemy : monohrafiia. Moscow, Laboratoriya znanii, 2016, 221 p.
3. Yakhyaeva G. E. Nechetkiye mnozhestva i neironnyie seti : monohrafiia. Moscow, Intuit, 2012, 316 p.
4. Dli M. I. Ntchetkaia logika i iskusstvennyie neironnyie seti : monohrafiia. Moscow, Fizmatlit, 2013, 225 p.
5. Doronin V. Application of evaluation criteria of functional sustainability instrumental method of navigation on Ukraine's Inland waterways. The XIII International Scientific Conference. Zheleznii Port, Ukraine, 2017, pp. 178-181.
6. Deriabin V. V. Obzor issledovanii, posviashchennykh ispolzovaniiu neirosetevykh tekhnologii v sudovozhdenii, Vestnik Gosudarstvennogo universiteta morskogo i rechnogo flota imeni admirala S. O. Makarova, 2015, No. 6(34), ' pp. 29-43. DOI: 10.21821/2309-5180-2015-7-629-43.
7. Chislov K. A. Neiropodobnyi algoritm korrektsii bezhiroskopnoi inertsialnoi sputnikovoi hravimetricheskoi sistemy, Vestnik Gosudarstvennogo universiteta morskogo i rechnogo flota imeni admirala S. O. Makarova, 2013, No. 4 (38), pp. 93-99.
8. Jwo, D. (). Neural network aided adaptive Kalman filter for GPS / INS navigation system design, Proceedings of 9th IFAC Workshop «Adaptation and learning in control and signal processing» (ALCOSP'07), 2007, P. 7.
9. Nguyen H. Improving GPS. INS Integration through Neural Networks. Journal of Telecommunications, 2010, Vol. 2 (2), pp. 1-6.
10. Kaygisiz B. GPS. INS Enhancement for Land Navigation using Neural Network. Journal of Navigation, 2004, Vol. 2(57), pp. 297-310. DOI: 10.1017/ S037346330400267X.
11. Sazonov A. E., Deriabin V. V. Prohnozirovanie traektorii dvizheniia sudna pri pomoshchi neironnoi seti, Vestnik Gosudarstvennogo universiteta morskogo i rechnogo flota imeni admirala S. O. Makarova, 2013, No. 3 (22), pp. 6-13. DOI: 10.21821/2309-5180-2013-5-3-6-13.
12. Lainiotis D. Neural network application to ship position estimation, Proceedings of Conference «OCEANS '93. Engineering in Harmonywith Ocean», 1993, pp. 1384-1389.
13. Xu T. Novel Approach for Ship Trajectory Online Prediction Using BP Neural Network Algorithm, Advances
in information Sciences and Service Sciences (AISS), 2012, Vol. 4(11), pp. 271-277. DOI: 10.4156/AISS.vol4.issue11.33.
14. Stepanov O. A. Neirosetevyie alhoritmy v zadache nelineinoho otsenivaniia. Vzaimosviaz s baiiesovskim podkhodom, Navigatsiia I upravleniie : Materialy XI konferentsii molodykh uchenykh, 21-22 aprelia 2009 g. Sankt-Peterburg / Gosudarstvennyy universitet morskogo i rechnogo flota imeni admirala S. O. Makarova. Sankt-Peterburg, 2009, pp. 39-65.
15. Deieva, A. S. Metody kontrolia i diahnostiki informatsionnykh narushenii inertsialnykh navihatsionnykh sistem, Vestnik Yuzhno-Uralskogo hosudarstvennoho universiteta : seriia: kompiuternyie tekhnolohii, upravleniie, radioelektronika, 2010, No. 2 (178), pp. 21-25.
16. Zak B. Modelling of ship's motion using artificial neural networks. Advancesin Neural Networks and Applications, World Scientific and Engineering Society Press, 2001, pp. 298-303.
17. Kucher, A. V. Intellektualnaia sistema podderzhki priniatiia resheniia na osnove nechetkoi lohiki dlia diahnostiki sostoianiia seti peredachi dannykh : ucheb. posobie. Krasnodar, GOU VPO «Kubanskii hosudarstvennyi tekhnolohicheskii universitet», 2007, 221 p.
18. Panin V., Doronin V., Tykhonov I., Alieinikov M. Application of Intelligent Processing of Data Flows Under Conditions of River Navigation. Eastern European Journal of Enterprise Technologies, 2018, Vol. 3/9 (93), pp. 6-18. DOI: 10.15587/1729-4061.2018.131599.
19. Kashirina, I. L. Iskusstvennyie neironnyie seti : monohrafiia. Moscow, Izdatelskii dom «Viliams», 2005, 51 p.
20. Kolesnikov, A. V. Metodolohiia i tekhnolohiia resheniia slozhnykh zadach metodami funktsionalnykh hibridnykh intellektualnykh sistem. Moscow, IPI RAN, 2007, 387 p.
21. Malykhina M. P. Neirosetevaia ekspertnaia sisntema na osnove pretsedentov dlia resheniia problem abonentov sotovoi seti : monohrafiia. Krasnodar, Yuh, 2011, 148 p.
22. Nauchnyi zhurnal KubGAU [Elektronnyi resurs.] : Identifikatsiia mekhanizmov realizatsii operatorov heneticheskoho alhoritma v ekspertnykh sistemakh produktsionnoho tipa / uklad. V. A. Chastikova. Krasnodar, KubGAU, 2012, No. 75(01), 13 p. Rezhim dostupa: http://ej.kubagro.ru/2012/01/pdf/17.pdf.
23. Panin V., Doronin V., Aleynikov V. Application of the System Analysis of Implementation of the Instrumental Method of Navigation on Inland Waterways of Ukraine. Radio Electronics, Computer Science, Control, 2018, No. 2 (45), pp. 125-134. DOI 10.15588/1607-3274-2018-2-14.
