Содержание к диссертации
Введение
Глава 1. Анализ систем безопасности мореплавания 18
1.1. Радиолокационные станции 20
1.1.1. Основные тактико-технические характеристики РЛС и РНС 23
1.2. Навигационные радиолокационные станции 27
1.3. Системы автоматической радиолокационной прокладки 28
1.4. Интегрированная информационная навигационная система 28
1.5. Электронная картографическая навигационно-информационная система 30
1.6. Автоматическая Идентификационная Система 31
1.7. Транспондерные системы идентификации 36
1.8. Системы Управления Движением Судов Транзас 37
1.9. Система мониторинга судов "Виктория" 38
Глава 2. Формализация задачи 40
2.1. Выделение параметров классификации 40
2.2. Задача классификации 42
2.3. Процесс классификации 43
2.4. Классификация морских надводных объектов 44
2.5. Отбор данных 45
2.5.1. Несбалансированный набор данных 46
2.6. Технологии идентификации 47
Глава 3. Анализ и выбор нейронных сетей 49
3.1. Основы искусственных нейронных сетей 49
3.1.1. История нейронных сетей 49
3.1.2. Биологический нейрон 49
3.1.3. Структура и свойства искусственного нейрона 50
3.1.4. Виды функции активации 52
3.1.5. Объединение нейронов 54
3.1.6. Структура нейронной сети 55
3.2. Архитектура нейронных сетей 56
3.2.1. Сети прямого распространения 57
3.2.2. Сети обратного распространения 62
3.3. Обучение нейронной сети 67
3.3.1. Парадигмы обучения 69
3.3.2. Порядок обучения 72
3.3.3. Минимизации целевой функции ошибки нейронной сети 73
3.4. Задачи классификации 77
3.4.1. Классификация морских надводных объектов 79
3.4.2. Отбор данных 80
3.4.3. Выбор архитектуры сети 81
3.4.4. Вероятностная нейронная сеть радиально-базисных функций 81
3.4.5. Алгоритмы обучения сети PNN 87
3.5. Расчет параметров вероятностной нейронной сети-классификатора... 89
3.5.1. Моделирование нейронных сетей BMATLAB 7 89
3.5.2. Этапы построения сети 92
3.5.3. Определение массивов и переменных 93
3.5.4. Отображение поверхностей распределения классов 93
3.5.5. Масштабирование данных 94
3.5.6. Кластеризация по методу «К-средних» 95
3.5.7. Отображение результатов кластеризации 96
3.5.8. Отклонение гауссовой функции 97
3.5.9. Отображение поверхности одного кластера 98
3.5.10. Построение поверхностей откликов гауссовой функции центроидов по каждому классу 99
3.5.11. Суммарная поверхность центроидов 101
Глава 4. Реализация программного комплекса 103
4.1. Задача разработки программного комплекса 103
4.2. Структура программного комплекса 103
4.3. Разработка интерфейса 105
Список литературы
- Навигационные радиолокационные станции
- Классификация морских надводных объектов
- Структура и свойства искусственного нейрона
- Задача разработки программного комплекса
Введение к работе
Актуальность темы. В различных ситуациях во время рейса судоводителю приходится решать задачу идентификации целей на море для последующего выбора маневра, который позволит максимально безопасно разойтись с опознаваемым объектом. Актуальность темы подтверждается правительственными документами, выпущенными в последнее время. Федеральная целевая программа «Глобальная навигационная система. Технология высокоточной навигации и управления движением», утвержденная Президентом Российской Федерации на период до 2011 года особое место отводит разработке интеллектуальных систем, повышающих безопасность морского судоходства. Согласно резолюции ИМО А477 (12) РЛС должна определить скорость и координаты встречного объекта не более чем за 3 мин.
Степень разработанности темы. Проблеме распознавания объектов посвящены многочисленные исследования отечественных и зарубежных ученых, таких как В.И. Богданов, В.А. Иванов, В.А. Пятакович, И.И. Юшков, А.В. Рудинский, А.С. Ермоленко, Ю.Л. Сиек, K.J. Hunt., S. Chen, P.M. Grant, M.T. Hagan и др.
Современные научные разработки морской тематики связаны с определением элементов движения цели (ЭДЦ) и разработкой методов определения формы и размеров морских объектов по отраженному радиолокационному сигналу. К таким методам относятся: метод расщепления функции для распознавания объектов по собственным электромагнитным колебаниям, непрерывное вейвлет-преобразование для получения градиентов изображения, обработка изображения морфологическими фильтрами и другие методы, построенные на базе обработки радиолокационного наблюдения. Эти методы позволяют на экране радара формировать контур морской цели. Значительный вклад в развитие данного направления внесли как российские ученые (Ю.В. Кузнецов, Т.Я. Шевгунов, А.Б. Баев, О.С. Салычев, М.А. Бехтин, В. Г. Семин, А.С. Девятисильый, В.М. Гриняк, Н.В. Лоскутов, В.Ю. Королев, В.М.
8 Дорожко) так и зарубежные (Е.К. Miller, Л. Лыонг, M.L. Van Blaricum, A.J. Mackay, Т.К. Sarkar, D.D. Weiner, Lee Yunwoo, Kozaitis Samuel, Yang Li и др).
Современные суда оснащаются навигационными автоматизированными комплексами (НАК), определяющими место положения судна с помощью средств радионавигации и позволяющими максимально возможно автоматизировать операции судовождения.
Как одна из составных частей НАК используются системы автоматической радиолокационной прокладки (САРП) для повышения безопасности мореплавания за счет обеспечения судоводителя непрерывной информацией об элементах движения цели (ЭДЦ).
В портах созданы центры систем управления движением судов (СУДС) и мониторинга в прибрежных морских районах, оснащенные автоматизированными информационными системами (АИС) для автоматического сбора информации о судах.
Идентификация морских объектов на текущий момент не выполняется и распознается судоводителем по показаниям НАК для ЭДЦ, и, конечно, зависит от квалификации судоводителя, являясь субъективной составляющей. В то же время задача автоматизированной идентификации встречных объектов на пути следования судов является актуальной и разработка системы распознавания объектов позволит решить эту задачу.
Целью и задачи работы. Целью данной диссертационной работы является разработка методики, обеспечивающей автоматизированную идентификацию надводных морских объектов в режиме реального времени.
Для достижения указанной цели были поставлены и решены следующие задачи:
Анализ существующих средств идентификации морских объектов.
Определение параметров и возможных классов надводных морских объектов для идентификации.
Сравнительный анализ и выбор нейронных сетей по критериям распознаваемости, скорости распознавания и скорости обучения.
9 4. Разработка алгоритма и программного обеспечения для решения задачи идентификации морских надводных объектов.
Задача идентификации морских объектов является интеллектуальной, и ее решение разгружает судоводителя. В современных исследованиях, посвященных теории и практике применения нейронных сетей, показано, что эти высокоорганизованные структуры оказываются особенно перспективными для решения плохо формализованных задач.
Объектом исследования являются нейронные сети в системе обеспечения безопасности мореплавания.
Предметом исследовании является идентификация морских надводных объектов на основе нейронных сетей.
Теоретические основы исследования. Теоретическую основу исследований составили работы отечественных и зарубежных авторов в области теории искусственного интеллекта, применения нейронных сетей в задачах классификации, теории радиолокационного наблюдения морских целей. Основополагающими работами в исследовании стали труды СИ. Баскакова, Л.Л. Вагущенко, Роберта Калана и Л. Лыонга.
Проблема. С одной стороны, растут требования по обеспечению безопасности плавания по точности движения на заданном маршруте, по комплексной обработке информации от разнородных приборов в режиме реального времени. С другой стороны, проблема заключается в том, что на сегодняшний день нет отечественных систем, обеспечивающих безопасность судовождения с возможностью автоматизированной идентификации надводных морских объектов, отвечающих современным требованиям.
При определении опасности обнаруженной цели, а также при выборе маневра одним из значимых факторов является тип целей, расхождение с которыми регламентируется международными правилами предупреждения столкновения судов на море — МППСС 72. Часто в одной и той же ситуации, но с различными типами целей действия судоводителя могут сильно разли-
10 чаться. Хотя, как показывает практика, расхождение с определенными типами объектов в соответствии с правилами не всегда приемлемо и безопасно.
Задача идентификации встречных надводных объектов является наиболее актуальной в случаях:
нежелания быть распознанными для судов, занимающихся незаконным выловом морепродуктов;
отсутствия оснащения АИС;
большого количества объектов и необходимости автоматизировать процесс их распознавания;
неопознанных объектов;
в близи большого промышленного центра, где большое количество радиопомех;
поиска и спасения шлюпок и барж и др.
В ряде случаев развивающаяся ситуация на море или в проливе не может быть описана каким-либо правилом. В этих ситуациях судоводителю приходится самостоятельно рассчитывать маневр, тогда особое значение имеет характер обрабатываемой цели. При этом задача штурмана значительно усложняется различными факторами, среди которых можно выделить следующие:
погодные условия, ограничивающие видимость (туман, мгла, снегопад, сильный ливень, песчаная буря и др.);
близость берегов или стесненные условия плавания при напряженном трафике.
Возможность идентификации морских объектов позволит обеспечить:
автоматизацию идентификации объекта, что важно для последующего процесса расхождения судов;
повышение скорости обработки целей;
параллельность обработки целей. Судоводитель может вести наблюдение одновременно за несколькими целями, количество которых зависит от его
опыта и, это число обычно не превышает десяти. Реализация нейронной сети на ЭВМ обеспечивает большую скорость обработки информации, и при этом количество одновременно обрабатываемых целей возрастает на несколько порядков и фактически зависит от скорости и памяти ЭВМ на которой реализована сеть.
- качество распознавания. Применение определенных методов построения и
обучения нейронных сетей для решения вопросов классификации дает хо
рошие результаты.
Основные положения и результаты, выносимые на защиту:
Методика идентификации морских надводных объектов на основе нейро-сетевых технологий.
Алгоритм и программное обеспечение системы, обеспечивающий распознавание объектов с использованием нейросетевых технологий.
Функциональная и структурная схема системы идентификации морских объектов.
Методы исследования. Методы системного анализа, методы математического моделирования, методы линейного и нелинейного программирования, положения теории нейронных сетей.
Научная новизна работы заключается в применении нейросетевых технологий в обработке эхо-сигналов радаров для разработки высокоэффективной системы идентификации морских надводных объектов, позволяющей решать задачи автоматизированных навигационных комплексов движения судна по маршруту следования, в том числе:
определение параметров и классов идентификационных морских целей;
выбор оптимальной структуры нейронной сети по критериям распознаваемости, скорости распознавания и скорости обучения;
разработка методики, алгоритма и программного обеспечения решения задачи идентификации морских надводных объектов различных по классам и уровню помех.
Достоверность результатов обусловлена корректностью применения математического аппарата неросетевых технологий, современных средств компьютерного моделирования (MATLAB 7.0) и близостью результатов теоретических исследований с данными имитационного компьютерного моделирования.
Практическая ценность работы. Разработанный метод, алгоритм и программное обеспечение могут быть применены для разработки систем идентификации морских надводных объектов, используемых в навигационных автоматизированных комплексах для решения задач судовождения. Разработанные методика, алгоритм и программное обеспечение могут быть реализованы в имитационно-тренажерных системах, необходимых для обучения инженеров-судоводителей.
Реализация результатов работы. Результаты работы непосредственно использованы при выполнении госбюджедных исследовательских работ, которые велись на кафедрах автоматизированных информационных систем и технических судовых систем ФГОУ ВПО МГУ им. адмирала Г.И. Невельского. Выводы и рекомендации диссертации внедрены в процесс обучения ФГОУ ВПО МГУ им. адмирала Г.И. Невельского (лекции, лабораторные работы, курсовое и дипломное проектирование).
Апробация результатов работы. Основные положения подтверждены экспериментально при компьютерном моделировании программного комплекса. Материалы работы были доложены и одобрены на:
международной технической конференции «Безопасность на море» в Разделе «Проблемы транспорта Дальнего Востока», 2005;
межвузовских научно-технических конференциях МГУ им. адмирала Г.И. Невельского 2004-2007 г.г.;
VII Международном Форуме студентов, аспирантов и молодых учёных Стран Азиатско-Тихоокеанского региона, 2007 г.;
V Международной научной конференции творческой молодежи «Научно-техническое и экономическое сотрудничество стран АТР в XXI веке», 2007 г.;
IX Международной очно-заочной научно-практической конференции «Интелектуальный потенциал вузов - на развитие Дальневосточного региона России и стран АТР»;
Всероссийской научно-технической конференции «Искусственные сети и модели в нероинформатики, промышленности и экологии», 2007 г.;
XV Всероссийском семинаре. Секция «Нейроинформатика и ее приложения», 2007 г.;
2-ой научной конференции с международным участием «Технические проблемы освоения Мирового океана», 2007 г.
Публикации. По результатам исследований опубликовано 12 работ, в том числе 4 - на международных конференциях, 3 - на всероссийских, 5 - на региональных, из них 3 работы опубликованы в изданиях, рекомендованных списком ВАК.
Структура и объем диссертации. Диссертация представлена на 162 листах машинописного текста и состоит из введения, четырех глав, заключения, списка использованных источников из 118 наименований и приложения. Работа содержит 48 иллюстраций и 4 таблицы.
Возрастающая интенсивность судоходства, увеличение грузоперевозок, увеличение трафика информационных потоков требуют активного внедрения средств автоматизации и вычислительной техники в процессы судовождения. Глобализация торгово-экономических отношений привела к бурному росту морских перевозок по всей земной акватории. Интенсификация морских перевозок привела к существенному возрастанию многочисленных рисков безопасности мореплавания, в том числе столкновений судов с опасными последствиями для окружающей среды. Необходимо отметить, что в Федеральной целевой программе «Глобальная навигационная система», утвержденной президентом Российская Федерация на период времени до 2011 года, особое
14 место, с точки зрения обеспечения безопасности мореплавания, занимает подпрограмма «Технология высокоточной навигации и управления движением». Необходимо также отметить, что одновременно международная электротехническая комиссия по интегрированным навигационным системам активно работает над созданием стандарта, в котором регламентируются требования к системам обеспечения поддержки принятия решений по управлению судном [75]. Согласно резолюции ИМО А477 (12) РЛС должна определить скорость и координаты не более чем за 3 мин.
В различных ситуациях во время рейса судоводителю приходится решать задачу идентификации целей на море для последующего выбора маневра, который позволит максимально безопасно разойтись с опознаваемым объектом. И порой, даже для опытных судоводителей не всегда удается заранее распознать встречные объекты, предугадать их возможное действие и решить вопросы расхождения с ними заранее в условиях интенсивного судоходства. Идентификация объекта, является принципиально важным моментом в процедуре выбора маневра и расхождения.
При определении вида опасности обнаруженной цели, а так же выборе маневра, одним из значимых факторов является тип цели, расхождение с которыми регламентируется Международными правилами предупреждения столкновения судов на Море - МППСС 72. Часто, при одной и той же ситуации, но с различными типами целей действия судоводителя могут сильно различаться. Хотя, как показывает практика, расхождение с определенными типами судов в соответствии с правилами не всегда приемлемо и безопасно. Не всегда развивающаяся ситуация может быть описана каким-либо правилом. В таких случаях судоводителю приходится самостоятельно рассчитывать маневр, и в этом случае особое значение имеет характер обрабатываемой цели. Проблема идентификации встречных объектов при следовании судна по курсу является актуальной проблемой.
Решению именно этой проблемы с использованием нейросетевых технологий посвящена диссертационная работа, которая включает разработку
15 математических моделей, выбор и построение сетей и необходимого программного обеспечения для идентификации встречных объектов.
В первой главе приведен анализ современных систем безопасности мореплавания. С развитием научно-технического прогресса выполнение операций судовождения автоматизируются. В настоящее время технической основой автоматизации операций судовождения стали электронные вычислительные машины (ЭВМ), а также микропроцессоры и микро ЭВМ, на базе которых строятся современные навигационные автоматизированные комплексы. Они берут на себя функции, связанные с обработкой и хранением информации, прогнозированием развития ситуаций, управлением движения и т.д., включая выбор мер, повышающих эффективность решаемых задач. В настоящее время технической основой автоматизации операций судовождения стали навигационные автоматизированные комплексы (НАК), автоматизированные информационные системы (АИС), системы автоматической радиолокационной прокладки (АРП), выполняющие функции, связанные с обработкой и хранением информации, прогнозированием развития ситуаций, управлением движения и т.д.
Во второй главе выполнена формализация задачи. Для этой цели были рассмотрены характеристики элементов движения цели (ЭДЦ) возможные варианты получения характеристик морских объектов с использованием технических средств судовождения. Был предложен ряд параметров, характеризующих объекты.
Для чего морские объекты предварительно классифицированы по классам. Выделено девять классов объектов. Для каждого объекта класса выделен ряд параметров, которые наиболее полно характеризует объект класса. Описана характеристика каждого параметра, а также, каким образом он снимается, или какой формулой он рассчитывается.
Для решения задачи при помощи нейронной сети необходимо собрать и подготовить данные для ее последующего обучения. Обучающий набор
данных представляет собой набор наблюдений, для которых указаны значения входных и выходных переменных.
Во второй главе приведен анализ существующих нейронных сетей, решающих подобные задачи. Описаны математические модели, структуры и свойства нейронных сетей, приведены возможные и выбранные функции активации. Представлены варианты наиболее распространенных архитектур нейронных сетей. Описаны характеристики каждой архитектуры. Приведены различные методы обучения нейронных сетей.
Также в этой главе был выполнен анализ выбора нейронных сетей. До сих пор не существует аналитических методов выбора параметров нейронных сетей. Выбор архитектуры сети производится на основе опыта и экспериментов. Для задач классификации, к которым относится рассматриваемая задача, рекомендации как таковые отсутствуют. Проведенное компьютерное моделирование с сетями различной архитектуры показало, что для решения рассматриваемой задачи подходят два варианта нейронных сетей:
многослойный персептрон;
вероятностные нейронные сети (PNN - Probabilistic Neural Networks) основанные на радиалыю-базисных функциях (RBF - Radial Basis Functions).
В программной среде MathLab было выполнено построение и обучение нейронных сетей. Обучение было выполнено на 2700 образцах по триста образцов на каждый объект класса.
По результатам моделирования выяснилось, что сети RBF имеют ряд преимуществ перед сетями, основанными на многослойном иерсептроне. Во-первых, они моделируют произвольную нелинейную функцию с помощью всего одного промежуточного слоя, и тем самым избавляют от необходимости решать вопрос о числе слоев. Во-вторых, параметры линейной комбинации в выходном слое можно полностью оптимизировать с помощью хорошо известных методов линейного моделирования, которые работают быстро и не испытывают трудностей с локальными минимумами, так мешающими при
17 обучении многослойного персептрона. Поэтому сеть RBF обучается очень быстро (на порядок быстрее персептрона).
Другие отличия работы RBF от персептрона связаны с различным представлением пространства модели: «групповым» в вероятностной сети и «плоскостным» в персептроне. Опыт показывает, что для правильного моделирования типичной функции сеть RBF, с ее более эксцентричной поверхностью отклика, требует несколько большего числа элементов. Модель, основанная на RBF, будет работать медленнее и потребует больше памяти, чем соответствующий персептрон (однако она гораздо быстрее обучается, а в некоторых случаях это важнее).
В четвертой главе описано программное обеспечение для решения задачи распознавания объектов. Целью разработки программного продукта было наглядное представление идентификации объектов, представленных на имитаторе радара с помощью вероятностной нейронной сети-классификатора.
Структурная схема иллюстрирует процесс взаимодействия программного модуля с нейронной сетью и подготовленными сценариями для идентификации объекта.
Программное обеспечение предоставляет пользователю информацию об исследуемом объекте, а так же результат работы нейронной сети. Результат представлен в виде таблицы с распределением значений вероятностей по имеющимся классам.
В приведенных примерах распознавания объектов при их движении присутствуют сценарии, как в нормальных климатических условиях, так и в условиях плохой видимости.
Навигационные радиолокационные станции
Навигационные радиолокационные станции (НРЛС) отображают надводную обстановку и позволяют измерять полярные координаты объектов (пеленг, дистанцию), которые используют для определения места корабля и элементов движения целей (ЭДЦ), для обеспечения плавания в узкостях и выработки параметров маневра своего корабля (курса, скорости, времени лежания на курсе) для предупреждения столкновений.
Кроме того, НРЛС могут использоваться для обнаружения смерчей, гидрометеоров, определения направления и скорости их перемещения, а также для определения маневренных элементов корабля (судна) [67 ].
Системы автоматической радиолокационной прокладки (САРП) при сопряжении с РЛС предназначены для повышения безопасности мореплавания. Это обеспечивается за счет подачи судоводителю непрерывной информации о положении и параметрах движения объектов.
В режиме автоматической радиолокационной прокладки (АРП) решаются следующие основные задачи: - ручной и автоматический (на заданной дистанции или зоне) захват объектов на сопровождение; - сопровождение объектов (автоматическое измерение пеленгов и дальностей до них); - вычисление параметров движения сопровождаемых объектов (курс и скорость); - вычисление элементов сближения (расстояния кратчайшего сближения и время до точки кратчайшего сближения); - вычисление экстраполированной ситуации при проигрывании маневра.
По оценкам специалистов перспективным направлением является разработка интегрированных информационных навигационных систем (ИИНС). Одной из основных функций, которых является обеспечение поддержки принятия решений капитаном при выполнении комплекса транспортно- технологических маневров, включая, например операции захода и швартовки судна в порту назначения.
Полномасштабная реализация концепции ИИНС связана с созданием в ближайшем будущем базы данных официальных электронных карт глобального покрытия акватории. Рассматриваются возможности интеграции с базами данных по приливоотливным течениям, глобальной базой данных по поверхностным течениям, базой данных по портам захода. Планируется под 29 ключение глобальной климатической базы данных по розам ветров, атмосферному давлению, температуры воды и воздуха, повторяемости штормов и обледенения. Наращивание функций ИИНС связано также с возможностью визуализации этих данных на электронной карте, а также проведения расчета воздействий течений, ветра и волнения на конкретное судно с целью корректировки его скорости.
Таким образом, работа с этими данными позволит повысить качество решения задач обеспечения безопасности мореплавания, а также повысить экономические результаты морских перевозок. Например, с точки зрения заказа причала, особенно в крайне загруженных портах Юго-Восточной Азии, где опоздание грозит простоем в несколько суток, а более ранний приход влечет перерасход топлива.
Дальнейшее развитие и совершенствование ИИНС тесно связано с созданием нового поколения глобальных систем связи, использующих принципы сотовой связи на основе низкоорбитальных спутников. В этом случае передача данных о судне в береговой офис компании или в морскую администрацию региона позволит организовывать многосторонний обмен динамической информацией для принятия решений в реальном масштабе времени.
С развитием научно-технического прогресса выполнение операций судовождения автоматизируются, и навигационный комплекс пополняется средствами автоматизации. Когда уровень автоматизации в комплексе становится заметным, его начинают называть автоматизированным. В настоящее время технической основой автоматизации операций судовождения стали электронные вычислительные машины (ЭВМ), а также микропроцессоры и микроЭВМ. Они берут на себя функции, связанные с обработкой и хранением информации, прогнозированием развития ситуаций, управление движением и т.д. Включая выбор мер, повышающих эффективность решения задач. Наиболее развитой к настоящему времени является автоматизация операций задачи, реализации стратегии плавания, включая прокладку движения встречных судов.
Классификация морских надводных объектов
Цель процесса классификации состоит в том, чтобы построить модель, которая использует прогнозирующие атрибуты в качестве входных параметров и получает значение зависимого атрибута. Процесс классификации заключается в разбиении множества объектов на классы по определенному критерию.
Классификатором называется некая сущность, определяющая, какому из предопределенных классов принадлежит объект по вектору признаков.
Для проведения классификации с помощью математических методов необходимо иметь формальное описание объекта, которым можно оперировать, используя математический аппарат классификации. Таким описанием в нашем случае выступает база данных. Каждый объект (запись базы данных) несет информацию о некотором свойстве объекта.
Набор исходных данных (или выборку данных) разбивают на два множества: обучающее и тестовое. - Обучающее множество (training set) - множество, которое включает дан ные, использующиеся для обучения (конструирования) модели. Такое множество содержит входные и выходные (целевые) значения примеров.
Выходные значения предназначены для обучения модели. - Тестовое (test set) множество также содержит входные и выходные значения примеров. Здесь выходные значения используются для проверки работоспособности модели.
Все надводные морские объекты были разбиты на крупные классы, каждый из которых включает большой набор объектов. Деление морских надводных объектов на классы выполнено с учетом поведения, размеров и характера движения объектов.
Крупнотоннажные суда с большой скоростью такие как сухогрузы, танкера, химовозы, газовозы и др. объединены в класс - грузовые суда. Средние суда с большой скоростью объединены в класс - контейнерные суда. Суда, предназначенные для ловли рыбы - в рыболовные суда. Низколетящие самолеты, которые могут попасть в зону действия радара, такие как гидросамолеты, другие самолеты небольших габаритов, вертолеты объединены в класс - летательные аппараты. Небольшие объекты, находящиеся наплаву и свободно дрейфующие, такие как мусор, бочки, контейнера и т.д., которые могут перемещаться под действием ветра и волн составляют класс плавучих объектов.
Объекты навигации и безопасности судоходства такие как буи, радиобуи, радиолокационные маяки и т.д. объединены в класс стационарных навигационных объектов.
Элементами ландшафта названы острова, полуострова, мысы, осыхае-мые участки береговой черты и др. Для учета погодных условий введен класс метрологических явлений. Этот класс включает облака нижнего слоя, дожди, которые могут попасть в зону действия радара. . Отбор данных
Для решения задачи при помощи нейронной сети необходимо собрать и подготовить данные для ее последующего обучения. Обучающий набор данных представляет собой набор наблюдений, для которых указаны значения входных и выходных переменных. Необходимо выяснить, какие переменные использовать и сколько (и каких) наблюдений собрать.
Выбор переменных (по крайней мере, первоначальный) осуществляется интуитивно. Опыт работы в данной предметной области поможет определить, какие переменные являются важными. Для начала можно включить все переменные, которые могут влиять на результат, на последующих этапах это множество может быть сокращено.
Нейронные сети могут работать с числовыми данными, лежащими в определенном ограниченном диапазоне. Это создает проблемы в случаях, когда данные имеют нестандартный масштаб, когда в них имеются пропущенные значения, и когда данные являются нечисловыми. Числовые данные масштабируются в подходящий для сети диапазон, а пропущенные значения можно заменить средним значением (или на другую статистику) этой переменной по всем имеющимся обучающим примерам.
При обучении нейронной сети обучающее множество должно быть репрезентативными (представительными) с точки зрения существа задачи. Если обучающие данные не репрезентативны, то модель, как минимум, будет не очень хорошей, а в худшем случае - бесполезной. Имеет смысл перечислить ряд причин, которые ухудшают качество обучающего множества: - в случаях, когда будущее непохоже на прошлое; - когда, в качестве обучающих данных, берутся исторические данные; - если обстоятельства изменились, то закономерности, имевшие место в прошлом, могут больше не действовать.
Нейронная сеть может обучаться только на тех данных, которыми она располагает. Предположим, что объект со скоростью более 70 узлов должен быть отнесен к классу «летательные аппараты», а обучающее множество не содержало объектов со скоростью более 40 узлов. Тогда едва ли можно ожидать от сети правильного решения в совершенно новой для нее ситуации.
Структура и свойства искусственного нейрона
Нейрон является составной частью нейронной сети. Искусственный нейрон (или просто нейрон) является элементарным функциональным модулем. Он представляет собой модель живого нейрона, однако, лишь в смысле осуществляемых им преобразований, а не способа функционирования. Существуют логические, непрерывные и импульсные модели нейрона.
- Логические модели нейрона (в частности, описываемый картой Вена формальный нейрон) активно исследовались в 60—70-х годах, но не получили дальнейшего развития.
- Импульсные модели более близки к физической природе процессов, происходящих в нервной клетке, однако их теория не так развита как у непрерывных, и они все еще не находят широкого применения.
- Непрерывная модель, наиболее используемая в настоящее время. Нейрон работает следующим образом. Входные сигналы поступают на блоки, реализующие функцию синапсов. Каждый из них характеризуется своим весовым коэффициентом (синаптичесим весом). Положительные значения весов wkj соответствуют возбудительным синапсам, отрицательные - тормозным. Взвешенные входные сигналы подаются на линейный сумматор, после чего результат их сложения поступает на блок активационной функции. Обычно активационная функция ограничивает выходной сигнал нейрона в диапазоне [0,1] или [-1,1]. Модель нейрона также включает в себя сдвиг Ь, который добавляется к входному сигналу блока активационной функции [2]. Смещение W-i ... Wj ... wn ХІ О Выход f\- 0 У Хп о її Математическая модель нейрона Нейрон обладает группой синапсов - однонаправленных входных связей, соединенных с выходами других нейронов. Каждый синапс характеризуется величиной синаптической связи или ее весом w,-.
Каждый нейрон имеет текущее состояние, которое обычно определяется, как взвешенная сумма его входов: /=і (3.1) где - ХІ - входные сигналы, совокупность всех входных сигналов нейрона образует вектор х; - Wj - весовые коэффициенты, совокупность весовых коэффициентов образует вектор весов W.
Нейрон имеет аксон - выходную связь данного нейрона, с которой сиг нал (возбуждения или торможения) поступает на синапсы следующих нейро нов. Выход нейрона есть функция его состояния: Y = f(S-0) (3.2) где - Y- выход нейрона; - в— пороговый уровень данного нейрона. Функция/называется функцией активации. Параметрами нейрона, определяющими его работу, являются: вектор весов w, пороговый уровень в и вид функции активации/ Виды функции активации Рассмотрим наиболее распространенные основные виды функций активации в искусственных нейронных сетях [104].
В классическом формальном нейроне используется пороговая функция активации или жесткая ступенька (рис. 3.3). Нейроны с такой нелинейностью требуют малых вычислительных затрат. Пороговая функция активации
Кусочно-линейная функция активации или ступенька с линейной частью (рис. 3.4). Рассчитывается легко, но имеет разрывную первую производную в точках S= 6;S= в +Л, что усложняет алгоритм обучения.
Логистическая функция, сигмойд или функция Ферми (рис. 3.5). Применяется очень часто для многослойных персептронов и других сетей с непрерывными сигналами. Гладкость, непрерывность функции - важные поло 53 жительные качества. Непрерывность первой производной позволяет обучать сеть градиентными методами (например, метод обратного распространения ошибки).
Функция гиперболического тангенса применяется часто для сетей с непрерывными сигналами (рис. 3.6). Функция симметрична относительно точки (0,0), это преимущество по сравнению с сигмоидной функцией активации. Y
Гауссова функция активации применяется в случаях, когда реакция нейрона должна быть максимальной для некоторого определенного значения S (рис. 3.7). Выбор функции активации определяется: - спецификой задачи; - удобством реализации; - алгоритмом обучения: некоторые алгоритмы накладывают ограничения на вид функции активации и их нужно учитывать. Объединение нейронов Множество всех нейронов сети можно разделить на подмножества — слои. Взаимодействие нейронов происходит послойно. Слой искусственной нейронной сети это множество нейронов, на которые в каждый такт времени параллельно поступают сигналы от других нейронов данной сети [52]. В слоях происходит параллельная обработка сигнала. иллюстрирует промежуточный нейрон, получающий входные сигналы с выходов других нейронов. Параметры обучения посредством правил обучения определяют синаптические веса для входной функции.
Задача разработки программного комплекса
В основу функционирования программного комплекса должна быть заложена вероятностная нейронная сеть с возможностью изменения ее функциональных характеристик. Структурная схема программного комплекса приведена на рис. 4.1.
ПК включает: скомпилированную программу и внешние данные. Внешние данные разделены на два типа: параметры нейронной сети и сценарии цели. Параметры нейронной сети представляют собой два текстовых файла содержащие вектора центроидов кластеров и отклонения колоколов этих центроидов. Эти данные импортированы из пакета MATLAB после расчета параметров вероятностной нейронной сети. Сценарии цели представля ют собой текстовые файлы, каждый из которых описывает поведение одной цели, ее состояние во времени.
Идентификация морских объектов выполняется с использованием вероятностной нейронной сети, которая создается и обучается в пакете MAT-LAB. Для обучения нейронной сети подготавливается обучающий набор данных по каждому классу объектов и загружается для обучения нейронной сети в пакет MATLAB. Полученные параметры нейронной сети загружаются модулем работы с нейронной сетью и классом морских объектов. Для класса морских объектов создан ряд процедур и функций.
Программный комплекс реализован в следующей последовательности: 1. Используя электронные журналы показаний радара ЭДЦ, строится обучающий набор для каждого класса по выбранным параметрам в количестве 300 образцов. В табл. 4.1 приведены параметры идентификации мор ских надводных объектов, а в табл. 4.2 выполнено деление морских надводных объектов на классы.
2. Опираясь на источники [12], [17], [28], [72] российских и зарубежных авторов для целей классификации выбрана вероятностная нейронная сеть радиально-базисных функций.
3. В математическом пакете MATLAB была создана вероятностная нейронная сеть радиально-базисных функций.
4. Используя файлы обучающих наборов образцов, сеть была обучена и в результате обучения были получены параметры нейронной сети. Параметры нейронной сети представляют собой два текстовых файла содержащие вектора центроидов кластеров и отклонения колоколов этих центроидов. Эти данные импортируются из пакета MATLAB после расчета параметров вероятностной нейронной сети радиально-базисных функций.
5. При работе с MATLAB были получены графики, наглядно отображающие результат кластеризации множества объектов каждого класса.
6. Созданы сценарии, которые представляют собой текстовые файлы, каждый из которых описывает поведение одной цели, ее состояние во времени.
7. Для разработки прикладной программы выбрана среда Delphi 7.0. Определен интерфейс приложения. Разработана структура интерфейса, приведенная на рис.
8. Создан класс морских объектов с рядом функций и процедур, приведенных в табл. 4. Интерфейс ПК реализован в объектно-ориентированной программной среде Delphi 7. В состав интерфейса входят: - главная форма (Form 1); - форма радара (Form2); - форма информации (Form3);
Представление результатов работы ПК осуществляется при помощи наглядного отображения сценария цели посредством вывода его на имити руемый монитор радара. Номер выделенного курсором (крестиком) на имитаторе радара объект высвечивается в окне «Выделенный объект». В окне «Классификация выделенного объекта» показана процентная вероятность его распознавания принадлежности к каждому классу. Решения нейронной сети отображаются в режиме реального времени, что позволяет визуально наблюдать реакцию сети на изменение параметров цели и окружающей среды во времени.
Для программирования поведения морских надводных объектов был создан класс «MObject», методы и функции которого приведены в коде Приложение 2.
