Помощь в написании студенческих работ
Антистрессовый сервис

Нейросетевой метод идентификации надводных объектов в решении задач автоматизации судовождения

Диссертация: Нейросетевой метод идентификации надводных объектов в решении задач автоматизации судовождения
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

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 различаться. Хотя, как показывает практика, расхождение… Читать ещё >

Нейросетевой метод идентификации надводных объектов в решении задач автоматизации судовождения (реферат, курсовая, диплом, контрольная)

Содержание

  • СПИСОК СОКРАЩЕНИЙ
  • Глава 1. АНАЛИЗ СИСТЕМ БЕЗОПАСНОСТИ МОРЕПЛАВАНИЯ
    • 1. 1. Радиолокационные станции
      • 1. 1. 1. Основные тактико-технические характеристики РЛС и РНС
    • 1. 2. Навигационные радиолокационные станции
    • 1. 3. Системы автоматической радиолокационной прокладки
    • 1. 4. Интегрированная информационная навигационная система
    • 1. 5. Электронная картографическая навигационно-информационная система
    • 1. 6. Автоматическая Идентификационная Система
    • 1. 7. Транспондерные системы идентификации
    • 1. 8. Системы Управления Движением Судов Транзас
    • 1. 9. Система мониторинга судов «Виктория»
  • Глава 2. ФОРМАЛИЗАЦИЯ ЗАДАЧИ
    • 2. 1. Выделение параметров классификации
    • 2. 2. Задача классификации
    • 2. 3. Процесс классификации
    • 2. 4. Классификация морских надводных объектов
    • 2. 5. Отбор данных
      • 2. 5. 1. Несбалансированный набор данных
    • 2. 6. Технологии идентификации
  • Глава 3. АНАЛИЗ И ВЫБОР НЕЙРОННЫХ СЕТЕЙ
    • 3. 1. Основы искусственных нейронных сетей
      • 3. 1. 1. История нейронных сетей
      • 3. 1. 2. Биологический нейрон
      • 3. 1. 3. Структура и свойства искусственного нейрона
      • 3. 1. 4. Виды функции активации
      • 3. 1. 5. Объединение нейронов
      • 3. 1. 6. Структура нейронной сети
    • 3. 2. Архитектура нейронных сетей
      • 3. 2. 1. Сети прямого распространения
      • 3. 2. 2. Сети обратного распространения
    • 3. 3. Обучение нейронной сети
      • 3. 3. 1. Парадигмы обучения
      • 3. 3. 2. Порядок обучения
      • 3. 3. 3. Минимизации целевой функции ошибки нейронной сети
    • 3. 4. Задачи классификации
      • 3. 4. 1. Классификация морских надводных объектов
      • 3. 4. 2. Отбор данных
      • 3. 4. 3. Выбор архитектуры сети
      • 3. 4. 4. Вероятностная нейронная сеть радиально-базисных функций
      • 3. 4. 5. Алгоритмы обучения сети
    • 3. 5. Расчет параметров вероятностной нейронной сети-классификатора
      • 3. 5. 1. Моделирование нейронных сетей в МАТЪАВ
      • 3. 5. 2. Этапы построения сети
      • 3. 5. 3. Определение массивов и переменных
      • 3. 5. 4. Отображение поверхностей распределения классов
      • 3. 5. 5. Масштабирование данных
      • 3. 5. 6. Кластеризация по методу «К-средних»
      • 3. 5. 7. Отображение результатов кластеризации
      • 3. 5. 8. Отклонение гауссовой функции
      • 3. 5. 9. Отображение поверхности одного кластера
      • 3. 5. 10. Построение поверхностей откликов гауссовой функции центроидов по каждому классу
      • 3. 5. 11. Суммарная поверхность центроидов
  • Глава 4. РЕАЛИЗАЦИЯ ПРОГРАММНОГО КОМПЛЕКСА
    • 4. 1. Задача разработки программного комплекса
    • 4. 2. Структура программного комплекса
    • 4. 3. Разработка интерфейса

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) PJIC должна определить скорость и координаты встречного объекта не более чем за 3 мин.

Стенень 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, A.B. Рудинский, A.C. Ермоленко, IO.JI. 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, A.C. Девятисильый, В. М. Гриняк, Н. В. Лоскутов, В. Ю. Королев, В.М.

Дорожко) так и зарубежные (E.K. 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 (HAK), определяющими место положения судна с помощью средств радионавигации и позволяющими максимально возможно автоматизировать операции судовождения.

Как одна из составных частей HAK 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 HAK 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.

Цслыо 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:

1. Анализ существующих средств идентификации морских объектов.

2. Определение параметров и возможных классов надводных морских объектов для идентификации.

3. Сравнительный анализ и выбор нейронных сетей по критериям распознаваемости, скорости распознавания и скорости обучения.

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 исследования 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 С. И. 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 различаться. 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 хорошие результаты.

Основные положения и результаты, выносимые на защиту:

5. Методика идентификации морских надводных объектов на основе нейро-сетевых технологий.

6. Алгоритм и программное обеспечение системы, обеспечивающий распознавание объектов с использованием нейросетевых технологий.

7. 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 (МАТЬАВ 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.

Выход.

Количество объектов.

Время моделирования.

Состояние.

Координаты.

Рис. 4.2 Структура главной формы.

Рис. 4.3 иллюстрирует структуру формы Радара.

Рис. 4.3 Структура формы радара.

Рис. 4.4 иллюстрирует структуру формы Информация.

Форма Информации (РогтпЗ).

Панель Моделирование (Panel!) Панель Выделенный объект (Рапе!2).

Моделирование (Нзсго1!1) С.

Пуск.

Останов (ВиНоп2).

Оистка (Button3).

Номер выделенного объекта (ЕсМ1).

Панель Классификация объектов (Рапе!3).

Показать весь текст

Список литературы

  1. Battiti, R. First and second order methods for learning: Between steepest descent and Newton’s method. Text. / R. Battiti. Neural Computation, vol. 4, no. 2, pp. 141−166, 1992.
  2. Bondarev, V.N. On System Identification Using Pulse-Frequency Modulated Signal. Text.: EUT Report / Eindhoven University of Technology, Netherlands. 88-E-195. — Eindhoven, 1988. — 84 p. — ISBN 90−6144−195−1.
  3. Caudill, M. Neural Networks Primer. Text. / M. Caudill. San Francisco, CA: Miller Freeman Publications, 1989.
  4. Caudill, M. Understanding Neural Networks: Computer Explorations, Vols. 1 and 2, Cambridge, Text. / M. Caudill, C. Butler, MA: the МГГ Press, 1992.
  5. , C. «Conjugate gradient algorithm for efficient training of artificial neural networks,» Text. / C. Charalambous. IEEE Proceedings, vol. 139, no. 3, pp. 301−310, 1992.
  6. , S.C. «Orthogonal least squares learning algorithm for radial basis function networks,» Text. / S.C. Chen, F. N. Cowan, and P. M. Grant, IEEE Transactions on Neural Networks, vol. 2, no. 2, pp. 302−309, 1991.
  7. Christopher, M.B. Neural Networks for Pattern Recognition Text. / M.B. Christopher, Oxford Univ. Press, 1995.
  8. Elman, J. L. Finding structure in time Text. / J. L. Elman, Cognitive Science, vol. 14, pp. 179−211, 1990.
  9. Escnel, ILG. Topological medianfilters. Text. / H.G. Esenel, P.R. Alan, D. Benoit// IEEE Trans. Image Process. 2002. Vol. 11, N 2. P.88−104.
  10. O.Fletcher, R. Function minimization by conjugate gradients Text. / R. Fletcher, С. M. Reeves, Computer Journal, vol. 7, pp. 149−154. — 1964.
  11. Foresee, F. D. Gauss-Newton approximation to Bayesian regularization. Text. / F.D. Foresee, and M. T. Hagan // Proceedings of the 1997 International Joint Conference on Neural Networks, pages 1930−1935, 1997.
  12. Gupta, Madan M. Static and Dynamic Neural Networks. Text. / Madan M. Gupta, Liang Jin, and Noriyasu Homma. Published by John Wiley & Sons, Inc., Hoboken, New Jersey. 2003. — P.752. — ISBN 0−471−21 948−7
  13. Hagan, M. T. Neural Network Design. Text. / M.T. Hagan, H. B. Demuth, M.H. Beale. Boston, MA: PWS Publishing, 1996.
  14. Hagan, M.T. Neural Networks for Control. Proceedings of the 1999 American Control Conference. Text. / M.T. Hagan, H.B. Demuth San Diego, CA, 1999, pp. 1642−1656.
  15. Hagan, M.T. Training Recurrent Networks for Filtering and Control. Text. / M.T. Hagan, O. De Jesus, R. Schultz. // Chapter 12 in Recurrent Neural Networks: Design and Applications, L. Medsker and L.C. Jain, Eds., CRC Press, 1999, pp. 311−340.
  16. Hagan, M.T. Training feedforward networks with the Marquardt algorithm. Text. / M. T. Hagan, M. Menhaj. IEEE Transactions on Neural Networks, vol. 5, no. 6, pp. 989−993, 1994.
  17. Haykin, S. Neural Networks. Text. / S. Haykin. A Comprehensive Foundation New York: Prentice Plall Press, 1998.
  18. Kohoncn, T. Self-Organizing Maps. Text. / Kohonen, T., Second Edition, Berlin: Springer-Verlag, 1997.
  19. Laurene F. Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. Text. / F. Laurene. Prentice Hall, 1994.
  20. Lec Yunwoo. Multiresolushin Gradient-Based Edge Detection in Noisy Images Using Wavelet Domain Filters. Text. / Lee Yunwoo, Kozaitis Samuil P. // Opt. Eng.: Jornal of Society of Photo-Optical Instrumentation Engineers. 2000. Vol. 39, N9. P. 2405−2412.
  21. Lippman, R. P. An introduction to computing with neural nets. Text. / R.P. Lippman. // IEEE ASSP Magazine, pp. 4−22, 1987.
  22. MoIlcr, M.F., A scaled conjugate gradient algorithm for fast supervised learning. Neural Networks, vol. 6, pp. 525−533, 1993.
  23. Murray, R. Neural Networks for Modeling and Control of a Non-linear Dynamic System. Text. / Murray, R., D. Neumerkel, and D. Sbarbaro // Proceedings of the 1992 IEEE International Symposium on Intelligent Control, 1992, pp. 404−409.
  24. Nguyen, D. Improving the learning speed of 2-layer neural networks by choosing initial values of the adaptive weights. Text. / D. Nguyen, B. Widrow. // Proceedings of the International Joint Conference on Neural Networks, vol 3, pp. 21−26, 1990.
  25. Powell, M.J.D. Restart procedures for the conjugate gradient method. Text. / M.J.D. Powell. //Mathematical Programming, vol. 12, pp. 241−254, 1977.
  26. R?edniillcr, M. A direct adaptive method for faster backpropagation learning: The RPROP algorithm. Text. / M. Riedmiller, H. Braun. // Proceedings of the IEEE International Conference on Neural Networks. 1993.
  27. Ripley, B.D. Pattern recognition and Neural Networks. Text. / B.D. Ripley // Cambridge University Press, 1996.-415 p.-ISBN: 05−2146−086−7
  28. Rosenblatt, F. Principles of Neurodynamics. Text. / F. Rosenblatt. // Washington D.C.: Spartan Press, 1961.
  29. Rumclhart, D. E. Learning representations by back-propagating errors. Text. / D. E. Rumelhart, G. E. Hinton, and R. J. Williams, Nature, vol. 323, pp. 533 536, 1986.
  30. Rumelhart, D. Parallel Distributed Processing. Text. / D. Rumelhart, E., J. L. McClelland and the PDF Research Group, eds., Vols. 1 and 2, Cambridge, MArTheM.I.T. Press, 1986.
  31. Rumelhart, D.E. Learning internal representations by error propagation. Text. / D. E. Rumelhart and J. L. McClelland, eds. // Parallel Data Processing, vol.1, Cambridge, MA: The M.I.T. Press, pp. 318−362, 1986.
  32. Wasserman, P. D. Advanced Methods in Neural Computing Text. / P.D. Wasserman, New York: Van Nostrand Reinhold, 1993.
  33. Widrow, B. Adaptive switching circuits. Text. / B. Widrow, M. E. Hoff, 1960IRE WESCON Convention Record, New York IRE, pp. 96−104, 1960.
  34. Yang LI. Yuan Xin. An Edge Detector Based On Wavelet Transform For SAR Image. Text. / Trans. Nanijing Univ. Aeron. And Astron. 2001 Vol. 8, N 1. P.258−269.
  35. , Б. Г. Информационные возможности интерполяционного измерителя скорости Текст. / Б. Г. Абрамович, А. В. Артемьев // XXXIII Всесоюз. межвуз. науч.-техн. конф.: Тез. докл. Т. I. Ч. 2 Владивосток, 1990.- С. 170−172.
  36. , Б. Г. Использование интерполяционных методов обработки эхосигналов для определения скорости судна Текст. / Б. Г. Абрамович,
  37. A. В. Артемьев. Владивосток.: НТО ВТ, изд. № 120/2-В, 1992. — 38 с.
  38. , Б. Г. Использование методов интерполяционной обработки эхосигналов для измерения скорости судна Текст. / Б. Г. Абрамович, А.
  39. , В.А. Автоматизация судовых энергетических установок и систем Текст. / В. А. Андрезен, СПб.: Судостроение, 1993. — 278 с. — ISBN: 5−7355−0253−0.
  40. , Р. Автоматизация судовождения Текст. / Балтийская Государственная Академия Кафедра ТЭС и ПР. Реферат, но теме: Автоматизация судовождения
  41. А.Б. Логические нейронные сети. Текст. / А. Б. Барский, — Издательство: Интуит 2007. 352 с. — ISBN: 978−5-9556−0094−9
  42. А.Б. Нейронные сети: распознавание, управление, принятие решений. Текст. / А. Б. Барский, Издательство: Финансы и статистика, 2004. — 176 с. — ISBN 5−279−2 757-Х
  43. , С.И. Радиотехнические цепи и сигналы. Текст. / С. И. Баскаков М.: Высш. шк. — 2005. 462 с. — ISBN: 5−06−3 843−2.
  44. , В.В. Нечеткие модели и сети. Текст. / В. В. Борисов, В.В. Круг-лов, A.C. Федулов. Горячая линия: Телеком, 2007. — 284 с. ISBN 5−93 517 278-Х
  45. , В.П. Прогнозирование в системе STATISTICA в среде WINDOWS Текст. / В. П. Боровиков, Г. И. Ивченко // М. Финансы и статистика. 1999. — 368 с. ISBN: 5−2790−3059−7
  46. , Л.Л. Бортовые автоматизированные системы контроля мореходности Текст./ Л. Л. Вагущенко, Одесса: Феникс, 2005. — 274 с. -ISBN: 966−8631−16−1.
  47. , Я. Л. Автоматизированные системы управления и вычислительная техника на водном транспорте. Текст.: дис. канд. техн. наук: 05.22.19: утверждена 2006 / Ярослав Леонидович Виткалов Владивосток МГУ им. Невельского — 2006.
  48. , В. А. Нейронные сети. Обучение, организация и применение. Книга 4. Текст. / В. А. Головко, ИПРЖР, 2001. 256 с. — ISBN 5−9 310 805−8
  49. , И.С. Радиотехнические цепи и сигналы. Текст. / И.С. Го-норовский, М. П. Демин М.: Радио и связь, 2006. — 719 с. — ISBN: 571 077−985−7
  50. , H.H. Задача распознавания объектов при движении судна по траектории Текст. / C.B. Глушков, H.II. Жеретинцева, И. А. Жеретинцев // Транспортное дело, 2007.-№ 11 .-с. 12−16.
  51. , H.H. Использование нейросетевых технологий при идентификации технического состояния судовых систем Текст. / Глушков C.B., Жеретинцев И. А. // Сборник «Труды Пятой межд. научной конф. творческой молодежи 17−19 апреля», 2007.-е. 80−84
  52. , H.H. Метод идентификации морских объектов Текст./ C.B. Глушков, H.H. Жеретинцева, Ю. В. Шемчук // сборник трудов ДВТУ, 2007.-№ 146.-е. 221−225.
  53. , H.H. Определение параметров динамических систем, обеспечивающих заданное качество функционирования Текст. / C.B. Глушков, H.H. Жеретинцева, И. А. Жеретинцев // Транспортное дело, 2007.-№ 11.-е. 16−20
  54. , H.H. Параметрическая идентификация системы с учетом эксплуатационных и технологических отклонений параметров Текст. / C.B. Глушков, H.H. Жеретинцева, И. А. Жеретинцев, Чемодакова Е. Г. // Транспортное дело, 2007.-№ 11.-е. 20−24
  55. , H.H. Решение задачи идентификации морских объектов Текст. / С. В. Глушков, H.H. Жеретинцева, Ю. В. Шемчук // сборник докладов научно-практической конф. «Безопасность судоходства в дальневосточном бассейне», 2007.-е. 228−239.
  56. , A.B. Радиотехнические средства обеспечения безопасности морского судоходства. Учебное пособие для вузов. Текст. / A.B. Жерла-ков, Г. Е. Румянцев, А. А. Ильин, Транспорт, 1992. 216 с.
  57. Калан, Роберт. Основные концепции нейронных сетей Текст./ Роберт Калан, М. [и др.]: Вильяме, 2003. — 288 с. — ISBN: 5−8459−0210-Х.
  58. , В.И. Нейронные сети и их применение в системах управления и связи Текст./ В. И. Комашинский, Д. А. Смирнов, Горячая линия: Телеком, 2002. — 94 с. — ISBN: 5−93 517−094−9.
  59. , В.И. Нейронные сети и их применение в системах управления и связи Текст./ В. И. Комашинский, Д. А. Смирнов, Горячая линия: Телеком, 2002. — 94 с. — ISBN: 5−93 517−094−9.
  60. , B.IO. Восстановление изображений методом вейвлет-управляемой анизотропной фильтрации. Текст.// Радиоэлектроника. 2002. № 5. С. 20−28.
  61. , В.В. Искусственные нейронные сети. Теория и практика. Текст./ В. В. Круглов, М. И. Дли, Р. Ю. Голунов, М.: Горячая линия: Телеком, 2002. — 382 с. — ISBN: 5−93 517−031−0.
  62. , В.В. Нечеткая логика и искусственные нейронные сети Текст./ В. В. Круглов, В. В. Борисов, М.: ФИЗМАТЛИТ, 2001. — 224 с. — ISBN: 594 052−027−8.
  63. Курбатова, Е.А. MATLAB 7. Самоучитель. Текст. / Е. А. Курбатова, М.: Диалектика, 2005. 256 с. — ISBN 5−8459−0904-Х
  64. Кыонг, Фам Вьет. Алгоритмические методы повышения точности навигационного комплекса грузового судна. Текст. / Фам Вьет Кыонг// Автоматизация и современные технологии, М.: Машиностроение, 2007. — № 7.
  65. Лыо11г, Л. Идентификация систем. Теория для пользователя — М.: Наука. Гл. ред. физ.-мат. лит. 1991. -432 с.
  66. К.В. Разработка методик эволюционного синтеза нейросетевых компонентов систем управления. Текст.: дис. канд. техн. наук: 05.13.06автоматизированные системы управления и прогрессивные информационные технологии, Харьков, ХГПУ, — 1998, — 189 с.
  67. , B.C. Нейронные сети. MATLAB 6. Текст. / B.C. Медведев, В. Г. Потемкин. М. ДИАЛОГ-МИФИ, 2002. — 496 с. — ISBN:5−86 404−163−7.
  68. Е.В. Логическая спецификация нейронных сетей Текст. / Ми-хиенко Е.В. // Вычисл. системы / РАН. СО. Ин-т математики. 2002. -Вып. 169: Математические модели в информатике: Сб. науч. тр. — С. 3−25. -Библиогр.: 19 назв.
  69. М. Нейронные сети, генетические алгоритмы и нечеткие системы. Текст. / М. Пилиньский, Д. Рутковская, Л. Рутковский М.: Гор. линия-Телеком, 2007. — 452 с. — ISBN: 5−93 517−103−1
  70. Радче"ко, A.M. Ассоциативная память. Нейронные сети. Оптимизация нейропроцессоров. Текст. / A.M. Радченко, И: Наука, 1998. 261 с. — ISBN 5−02−26 085−1
  71. , В.Г. Эволюция, нейронные сети, интеллект. Модели и концепции эволюционной кибернетики. Текст. / В. Г. Редько, КомКнига, 2007. — 224с. ISBN 5−484−879−4
  72. , A.B. О применении гетерогенных нейронных сетей при построении классификаторов морских объектов. X Всероссийский семинар «Нейроинформатика и ее приложения» Конференции ИВМ СО РАН Текст. / A.B. Рудинский, A.C. Ермоленко, Ю.Л. Сиек
  73. , А. Е. Автоматизация судовождения Текст./ А. И. Радионов, А.Е. Сазонов- М.: Транспорт, 1992
  74. П.В. Исследование эффективности алгоритмов обучения нейронных сетей. X Всероссийский семинар «Нейроинформатика и ее приложения» Конференции ИВМ СО РАН Текст. / П.В. Сараев
  75. , Ю.Г. Теоретические основы радиолокации и радионавигации. Текст./ Ю. Г. Сосулин, М.: Радио и связь, 1992. — 304 с. — ISBN: 5−25 601 019−0.
  76. , Д.А. Нейронные сети как средство математического моделирования. Серия «Нейрокомпьютеры и их применение». Кн.22 Текст. / Д. А. Тархов, М.: Радиотехника, 2006. — 48 с. — ISBN 978−5-88 070−089−9.
  77. , Д.А. Нейронные сети. Модели и алгоритмы Текст./ Д. А. Тархов, — М.: Радиотехника, 2005. 256 с. — ISBN: 5−88 070−067−4.
  78. ФинкелыптсЙ11, М. И. Основы радиолокации: Учебник для вузов. 2-е изд. перераб и дои. Текст./ М. И. Финкельштейн, М.: Радио и связь, 1983 г.- 536с.
  79. , С. Нейронные сети полный курс, 2-е изд. Текст./ Саймон Хай-кин, М. [и др.]: Вильяме, 2006. — 1104 с. — ISBN: 5−8459−0890−6.
  80. , Я.З. Основы теории автоматических систем М.: Наука. -1977г.-559 с.
  81. Шамис, A. J1. Пути моделирования мышления. Активные синергические нейронные сети, мышление и творчество, формальные модели поведения и «распознавания с пониманием». Текст./ A.JI. Шамис, М.: КомКнига, 2006. 336 с. — ISBN 5−484−578−7
  82. , Я.Д. Теория и техника обработки радиолокационной информации на фоне помехЯ.Д. Ширман, Манжос В. Н., М.: Радио и связь, 1981 г.- 416с. ил.
  83. Ч. Г., Дифференциальные уравнения и краевые задачи: моделирование и вычисление с помощью Mathematica, Maple и MATLAB Текст. н*"
  84. Ч.Г. Эдварде, Д. Э. Пенни, М.: Вильяме, 2007. 1104 с. — ISBN 978−58 459−1166−7.
  85. , Г. Э. Нечеткие множества и нейронные сети Текст. / Г. Э. Яхъ-яева, М.: Бином, 2006. 320 с. — ISBN 5−9556−0049−3.
  86. Carriage requirements for ship borne navigational systems and equipment — SOLAS, Regulation 19, Item 2.4 Электронный ресурс. — Режим доступа: http://www.tuapseport.iTi/Solas/solaschVreg 19. zip
  87. , К.В. Лекции по статистическим (байесовским) алгоритмам классификации. Электронный ресурс. Режим доступа: http://www.ccas.ru/voron/download/Bayes.pdf
  88. Глобализация ГЛОНАСС, Коллегия Минтранса/Навигация. Электронный ресурс. Режим доступа: http://www.morvesti.ru, 2006.
  89. Дженн, Аннл К. Введение в искусственные нейронные сети. Электронный ресурс. Анил К. Джейн. 1996. — Режим доступа: http://victoria.lviv.ua/litml/oio/indexrus.html
  90. , И.В. Нейронные сети: основные модели. Электронный ресурс. Режим доступа: http://neuroschool.narod.ru/books/zaencev.html
  91. , Р. Нейронные сети. Электронный ресурс. Режим доступа: http://kpis.ru/content/statistica/modules/stneunet.html
  92. Интеграция систем управления судном. Электронный ресурс. Режим доступа: http://auto-film.info
  93. Интегрированная Мостиковая Система. Электронный ресурс. — Режим доступа: http://www.transas.ru
  94. Ф.В. Алгоритмические методы повышения точности навигационного комплекса грузового судна. Электронный ресурс. Режим доступа: http://www.niiae.ru/referats/fam viet. pdf, 2007
  95. Моделирование сетей RBF Электронный ресурс. Режим доступа: ¦http://www.mathworks.com/namespace/mcode/vl/syntaxhighlight.dtd
  96. , О. Искусственный интеллект для судоходства. Электронный ресурс. Режим доступа: http://pressa.kuhan.info
  97. Справочник по нейросетям. Электронный ресурс. Режим доступа: http://www.neuroshell.forekc.ru/
  98. Реальность и перспективы развития электронных картографических систем, Новости морской электроники. Электронный ресурс. Режим доступа: http://www.polarmar.ru
  99. Тюрин, С. GPS Автоматические информационные системы будущего. Электронный ресурс. — Режим доступа: http://rix.com.ua/tech/441/404/841.html,
  100. , Ф. Нейрокомпыотерная техника: Теория и практика. Перевод на русский язык, 10. А. Зуев, В. А. Точенов, 1992Электронный ресурс. Режим доступа: http://www.zipsites.ru/books/neirokomptekhnika/
  101. Федеральная целевая программа «Глобальная навигационная система» Электронный ресурс. Режим доступа: http://fcp.vpk.ru/ext/! 17/content.htm
  102. Чубукова, И.А. Data Mining. Электронный ресурс. Режим доступа: http://www.intuit.ru/department/database/datamining/
  103. Энциклопедия Кругосвет Электронный ресурс. Режим доступа: http://www.krugosvet.ru/articles/l 3/1 001 378/print.htm
Заполнить форму текущей работой

Сессия? Спокойно!