Помощь в написании студенческих работ
Антистрессовый сервис

Системы управления движением морских судов на основе рекуррентных нейросетевых моделей

Диссертация: Системы управления движением морских судов на основе рекуррентных нейросетевых моделей
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Из-за невозможности проведения полных натурных испытаний с учетом всех возможных воздействий и индивидуальных конструктивных особенностей каждого судна, чрезвычайно актуальной остается проблема получения их моделей. Моделирование динамики судна позволяет решать многие важные задачи управления его движением в заданных условиях, при стохастических внешних возмущениях, с учетом сложной геометрии… Читать ещё >

Системы управления движением морских судов на основе рекуррентных нейросетевых моделей (реферат, курсовая, диплом, контрольная)

Содержание

  • Глава 1. ОСОБЕННОСТИ МПО И ИХ МАТЕМАТИЧЕСКИЕ МОДЕЛИ
    • 1. 1. Система управления курсом судна
    • 1. 2. Общие аспекты моделирования
      • 1. 2. 1. Классификация моделей
      • 1. 2. 2. Математические модели
      • 1. 2. 3. Модель динамического объекта
      • 1. 2. 4. Математические модели МПО
      • 1. 2. 5. Физические аспекты движения МПО
      • 1. 2. 6. Силы и моменты, действующие на корпус судна
      • 1. 2. 7. Системы координат
      • 1. 2. 8. Полная математическая модель движения морского подвижного объекта
      • 1. 2. 9. Анализ математических моделей МПО
    • 1. 3. Линейные модели МПО
      • 1. 3. 1. Математическая модель Номото
    • 1. 4. Нелинейные модели МПО
    • 1. 5. Выводы по первой главе
  • Глава 2. НЕЙРОСЕТИ И ОСОБЕННОСТИ ИХ ПРИМЕНЕНИЯ
    • 2. 1. Обоснование использования нейросетей
    • 2. 2. Общие свойства нейронных сетей
      • 2. 2. 1. Структура нейронных сетей
      • 2. 2. 2. Рекуррентные сети
      • 2. 2. 3. Выбор структуры нейронной сети
    • 2. 3. Обучение нейросетей
    • 2. 4. Применение нейронных сетей
    • 2. 5. Обоснование возможности построения нейросетевых моделей динамики МПО
    • 2. 6. Выводы по второй главе
  • Глава 3. СИНТЕЗ И ИССЛЕДОВАНИЕ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ДИНАМИКИ МПО
    • 3. 1. Нейросетевая идентификация динамики судна на основе линейных моделей Номото
      • 3. 1. 1. Выбор архитектуры нейросети
      • 3. 1. 2. Нейросетевая идентификация на основе линейной модели Номото первого порядка
      • 3. 1. 3. Численные эксперименты по нейросетевой идентификации на основе модели Номото 1-го порядка
      • 3. 1. 4. Нейросетевая идентификация на основе линейной модели Номото второго порядка
    • 3. 2. Нейросетевая идентификация на основе нелинейных моделей Беха и Норбина
    • 3. 3. Обучение НС динамике модели МПО, учитывающей нелинейность рулевой машины
    • 3. 4. Нейросетевая идентификация в замкнутой системе управления МПО
    • 3. 5. Использование идентификации в схемах управления движением судна
    • 3. 6. Выводы по третьей главе
  • Глава 4. НС-ИДЕНТИФИКАЦИЯ ДИНАМИКИ СУДНА НА ОСНОВЕ ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ
    • 4. 1. Основные характеристики имитатора ИС
    • 4. 2. Построение нейросетевых моделей МПО на основе экспериментальных данных
    • 4. 3. Выводы по четвертой главе

В современном мире особенно актуальными являются проблемы управления морскими подвижными объектами (МПО). Это в первую очередь объясняется необходимостью обеспечить условия безопасного мореплавания при увеличивающейся интенсивности судоходства, когда требуется осуществление определенных маневров, прогнозирование возможной нестандартной ситуации, учет непредсказуемых внешних воздействий и др. Рациональная стратегия управления может оптимизировать расход топлива, уменьшить потери ходового времени, снизить себестоимость перевозок. Естественно, система управления курсом является одной из важнейших систем судовой автоматики, от качества работы которой напрямую зависит экономическая эффективность, экологическая безопасность, надежность и безопасность плавания морского судна.

Следует отметить, что в Федеральной целевой программе «Глобальная навигационная система», утвержденной президентом Российская Федерация на период времени до 2011 года, особое место, с точки зрения обеспечения безопасности мореплавания, занимает подпрограмма «Технология высокоточной навигации и управления движением».

Значительный вклад в решение проблем управления МПО внесли российские ученые Лукомский Ю. А., Пешехонов В. Г., Скороходов Д. А., Чугунов В. С., Пантов Е. Н., Махин Н. Н., Шеремет Б. Б., Агеев М. Д., Цымбал Н. Н, Понырко С. А., Ястребов В. С., Юдин Ю. И., Вагущенко Л. Л. и др., а также их зарубежные коллеги Бех М., Норрбин Н., Д. ван Левен, Номото К., Фоссен Т. и др.

Морские подвижные объекты представляют собой класс сложных динамических систем, которые действуют в условиях значительного влияния внешней среды. МПО различного назначения в значительной степени представляют собой сложные, априорно неопределенные по своим характеристикам, управляемые динамические объекты, функционирующие в недостоверно известной среде и разнообразных условиях, описание которых 4 всегда является неполным.

Существенной причиной неопределенности является как неточность и неполнота информации об объекте и условиях его функционирования, так и погрешность измерений, используемых для формирования управляющих воздействий в процессе плавания, неполнота знаний о нерегулярных внешних возмущениях. К ним следует отнести резкие перепады ветро-волновых воздействий на МПО, ограничения акватории плавания и др.

Из-за невозможности проведения полных натурных испытаний с учетом всех возможных воздействий и индивидуальных конструктивных особенностей каждого судна, чрезвычайно актуальной остается проблема получения их моделей. Моделирование динамики судна позволяет решать многие важные задачи управления его движением в заданных условиях, при стохастических внешних возмущениях, с учетом сложной геометрии судна, в связи с загрузкой или вертикального движения судна, влияния узостей и т. д. [12, 21, 25, 30, 60−62]. К настоящему времени существует множество публикаций о моделях российских (Басин А. М., Мастушкин Ю. М., Войткунский Я. И, Гофман А. Д., Павленко В. Г, Соболев Г. В., Федяевский К. К., Тумашик А. П., Мелкозеровой И. П., Першиц Р. Я. и др.) и зарубежных (Nomoto К., Bech М., Norrbin N.H., G. van Leeuwen, J. van Amerongen, J. C. Haarman, De Keizer C., Kallstrom C. G., Astrom K. J. и др.) ученых. В работах указанных и других авторов рассматриваются различные модели движения МПО. Вопросами моделирования динамики МПО занимались множество ученых, разработавших различные модели, имеющие разную степень сложности: от простейших, линейных, до более сложных, например, нелинейных, учитывающих вязкое сопротивление водной среды, нестационарное аэрои гидродинамическое воздействие. Обзор литературы показывает, что модели различаются существенным разнообразием. Частным морским объектам соответствуют определенные математические модели.

Математическое моделирование ставит в соответствие моделируемому физическому процессу систему математических соотношений, решение 5 которой позволяет получить заключение о поведении объекта без его реального образца [43, 22, 96, 51, 63, 74]. Процесс получения моделейдостаточно непростой и трудоемкий, осложненный стохастичностью внешних воздействий, нестационарностью характеристик самого МПО, сложностью возможных форм судна, свойствами поверхности корпуса, особенностями обтекания — ламинарного или турбулентного. Учет всех этих данных позволяет создавать адекватные модели МПО и на их основе соответствующие системы управления.

Современная теория управления разработала богатый арсенал средств как для построения математических моделей динамических объектов, так и для синтеза управления. К их числу относится: теория нелинейных, адаптивных, робастных, интеллектуальных и других систем [16, 20, 23, 32, 34, 39, 45, 46, 47, 52, 64−66, 69, 70, 73, 74, 96, 110, 114]. Большинство упомянутых методов, ориентированных, в частности, на решение задач идентификации, использует предположение об известности структуры — вида дифференциальных и алгебраических уравнений, составляющих модель. Такое допущение не всегда является оправданным и требует значительных усилий для доказательства применимости.

В связи со сказанным, большой перспективой обладают методы исследования, которые не опираются на предположение об априорной определенности структуры и параметров уравнений. К числу таких методов относятся нейронные сети (НС), получившие значительное развитие в последние два десятилетия [5, 38−42, 31, 50, 73, 104−106].

Нейронные сети представляют собой перспективный класс однородных вычислительных структур, позволяющий воспроизводить сложные зависимости. Использование нейросетей целесообразно, когда математическая модель объекта частично или полностью неизвестна. Широкое применение нейронных сетей обусловлено также и тем, что они являются нелинейными по своей сути и поэтому принципиально могут эмулировать нелинейные свойства МПО. Привлекательность использования 6 искусственных нейронных сетей заключается также и в способности к обучению в реальном времени при минимальной априорной информации об объекте управления.

Следует отметить, что при разработке и исследовании систем управления движением МПО основой является математическая модель объекта. Безусловно, точные аналитические модели динамики МПО наиболее предпочтительны при решении задач анализа и синтеза алгоритмов и систем управления. Однако, как показал обзор научно-технической литературы, большинство аналитических математических моделей достаточно упрощены и часто не учитывают факторы неопределенности и нелинейности, имеющие место в реальных МПО.

В связи с этим возникает проблема построения математических моделей (идентификации) МПО в условиях частичной или полной априорной неопределенности их структуры, которые адекватны наблюдаемой динамике объектов. В настоящей диссертационной работе решение задач, связанных с этой проблемой, будет выполняться в классе рекуррентных нейронных сетей (РНС).

Целью диссертационной работы является развитие и исследование методов построения динамических моделей морских подвижных объектов на основе рекуррентных нейронных сетей.

Для достижения поставленных целей в диссертационной работе решается следующие задачи:

— анализ особенностей существующих математических моделей МПО;

— анализ особенностей НС подхода;

— построение моделей динамики морских подвижных объектов на основе рекуррентных нейронных сетей;

— численные эксперименты и верификация полученных нейросетевых моделей МПО.

Основные результаты и положения, выносимые на защиту.

— Обоснование возможности, перспективности и эффективности применения рекуррентных нейронных сетей для решения задач идентификации динамики МПО.

— Рекуррентные нейросетевые модели движения морского судна, где показана высокая степень точности полученных НС моделей.

— Алгоритмы обучения (настройки) рекуррентных НС моделей динамики морского судна, в том числе, и на основе экспериментальных данных.

Методы исследования, применяемые в диссертации, включают в себя: теорию дифференциальных уравнений, теорию автоматического управления, теорию корабля, компьютерное моделирование, теорию нейронных сетей, экспериментальные исследования на имитаторе динамики судна ИС2005.

Достоверность результатов подтверждается корректным использованием строгих математических методов исследования, применением современных компьютерных технологий вычислений и моделирования, использованием сертифицированного аппаратно-программного комплекса ИС 2005.

Практическая ценность представленной работы заключается в упрощении и унификации подходов процедуры построения моделей динамики МПО, уменьшении затрат и сокращение сроков разработки моделей.

Научная новизна проведенного исследования состоит в следующем:

— проведен анализ ряда линейных и нелинейных математических моделей МПО выбранного класса, показавший их значительное разнообразие, отсутствие универсальной модели динамики МПО и актуальность развития новых методов их идентификации;

— показана перспективность построения динамических 8 моделей МПО в классе рекуррентных нейронных сетей, которые не требуют априорного задания структуры моделей;

— продемонстрирована работоспособность подхода к нейросетевой идентификации на примерах моделей линейной и нелинейной динамики МПО, а также с использованием экспериментальных данных.

Апробация результатов. Основные результаты диссертационной работы обсуждались и получили одобрение на 58 и 59 Международных научно-технических конференциях «Молодежь — наука — инновации» МГУ им. адм. Г. И. Невельского, 2010 и 2011 годов, а также на научных семинарах кафедры автоматических и информационных систем и лаборатории нелинейных и интеллектуальных систем управления МГУ им. адм. Г. И. Невельского.

Публикации. По результатам диссертационных исследований опубликовано — 11 работ, из них 3 — в рецензируемых научных изданиях.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы, содержащего 122 наименования, приложений и изложена на 143 стр.

4.3. Выводы по четвертой главе.

Экспериментальные данные, характеризующие движение МПО, содержат информацию, необходимую для идентификации объекта. На базе имитатора сигналов ИС2005 были получены процессы отработки системой управления судном командных сигналов. Сформированные на их основе обучающие выборки были использованы для решения задачи нейросетевой идентификации.

На примерах 6 типов судов с различными условиями плавания была продемонстрирована способность рекуррентных нейронных сетей с высокой точностью воспроизводить поведение судна в различных режимах и условиях его движения.

ЗАКЛЮЧЕНИЕ

.

Большинство традиционных методов идентификации динамических объектов требует априорно заданной аналитической структуры математической модели.

Экспериментальные данные позволяют определить параметры выбранной модели. Разрабатываемый и исследуемый в настоящей диссертационной работе подход обладает большей общностью и не опирается на предварительно заданную в аналитической форме математическую модель.

Выполненный в диссертации обзор и анализ наиболее часто встречающихся математических моделей рассматриваемого класса МПО показал их значительное разнообразие, что объясняется выбранным способом аппроксимации, учетом нелинейностей, степенью детализации и другими факторами. Отсутствие универсальной модели МПО делает актуальным разработку подходов к построению такой математической модели МПО, которая не имеет предварительно заданной жесткой структуры.

Решение ряда задач, связанных с указанной проблемой, выполнено в настоящей диссертационной работе на базе рекуррентных нейронных сетей.

Для разработки исследования предложенного подхода были рассмотрены варианты обучения рекуррентных нейронных сетей на основе данных, получаемых с помощью известных линейных и нелинейных моделей динамики МПО, при значительном разнообразии их параметров и условий функционирования, в том числе и с учетом влияния внешних возмущений и шумов измерений.

Многочисленные эксперименты, проведенные в диссертационном исследовании и состоявшие в настройке рекуррентных нейронных сетей (нейросетевых моделей) на основе обучающих выборок, показали принципиальную возможность осуществления нейросетевой идентификации с высокой степенью точности. Продемонстрирована работоспособность предложенного подхода нейросетевой идентификации МПО в условиях действия помех значительного разнообразия нелинейных моделей вязкого сопротивления, учете нелинейностей исполнительных механизмов, а также при использовании в замкнутом контуре системы управлением движения МПО.

Эффективность подхода к построению нейросетевых подходов к построению нейросетевых моделей МПО показана на примере обработки экспериментальных данных, полученных с динамического объекта.

Показать весь текст

Список литературы

  1. Amerongen, J. van Adaptive Steering of Ships Text.: PhD thesis of Job van Amerongen. Delft University of Technology, 2005. — p. 156.
  2. Amerongen, J. van Model reference adaptive autopilots for ships Text. / J. van Amerongen and A.J. Udink ten Cate Automatica, Vol. 11, 1975.-pp 441−449.
  3. Bech, M. The reversed spiral test as applied to large ships Text. / M. Bech. Shipping world, Nov., 1968. — pp 256−260.
  4. Bech, M. Analogue Simulation of Ship Manoeuvres Text. / M. Bech and L. Wagner Smitt. Hya Report, Ну-14, 1969. — pp 400−406.
  5. IV Всероссийская научно-техническая конференция «Нейроинформатика-2002″. Лекции по нейроинформатике. Часть 1 Текст. М.: МИФИ, 2002. — 164 с.
  6. Neuroschool Электронный ресурс. Электрон, дан. — Режим доступа: http://neuroschool.narod.ru/index.html, свободный. — Загл. с экрана
  7. Nomoto, К. On the steering qualities of ships Text. / K. Nomoto, T. Taguchi, K. Honda and S. Hirano. Int. Shipbuilding Progress, Vol.4, 1957
  8. Nomoto, K. Simulators from the naval architects point of view Text. / K. Nomoto. Proceedings of MARSIM, Southampton, UK, 1978
  9. Kokotovic. Automat, Vol. 41, No. 2, 2005. — pp. 289−298.
  10. Tang, T. An intelligent fusion system for ship fault tolerant control
  11. Text. / T. Tang and G. Yao. Preprints of IF AC Conference on126
  12. Control Applications in Marine Systems, Ancona, Italy, 7−9 July 2004-pp. 83−94.
  13. Webster, William C. Shiphandling Simulation: Application to Waterway Design Text. / William C. Webster. The National Academies Press, 1992. — 172 p.
  14. Witkowska, A. A backstepping approach to ship course control Text. / A. Witkowska, M. Tomera, R. Smierzchalski. Int. J. Appl. Math. Comput. Sci., Vol. 17, No. 1, 2007. -pp. 73−85.
  15. Zhang, Y. Stable neural controller design for unknown nonlinear systems using backstepping Text. / Y. Zhang, P.Y. Peng and Z.P. Jiang.- IEEE Trans. Neural Netw, Vol. 11., No. 6, 2000. pp. 13 471 360.
  16. Zhang, T. Adaptive neural network control for strict-feedback nonlinear systems using backstepping design Text. / T. Zhang, S.S. Ge and C.C. Hang. Automat, Vol. 36, No. 12, 2000. — pp. 1835−1846.
  17. , H. M. Нейрокомпьютеры и интеллектуальные работы Текст. /Н. М. Амосов-Киев: Наукова думка, 1991.-365 с.
  18. , А. А. Разработка и моделирование систем комплексирования разнородных наблюдений Текст.: дис.. канд. техн. наук: 05.13.18: защищена 2006 / А. А. Аникин. Ульяновск, УГТУ, 2006. — 149 с.
  19. , К. Д Введение в искусственные нейронные сети Электронный ресурс.: Анил, К. Джейн, Жианчанг Мао, К. М. Моиуддин. Электрон, дан. — Режим доступа: http://blkptv.by.ru/ident, свободный. — Загл. с экрана.
  20. , А. А. Идентификация электромеханических систем с использованием искусственной нейронной сети Текст. / А. А. Анисимов, М. Н. Горячев // Вестник ИГЭУ им. В. И. Ленина, 2008.- Вып. 3.-С.11−14.
  21. , В. А. Теоретические вопросы управления судном Текст.: учебн. пособие / В. А. Антонов, М. Н. Письменный. Изд. 2-е, перераб. и доп. — Владивосток: МГУ им. адм. Г. И. Невельского, 2007. — 78 с.
  22. , Е. С. Практическое моделирование динамических систем Текст./ Е. С. Бенькович, Ю. Б. Колесов, Ю. Б. Сениченков. СПб.: БХВ-Петербург, 2002. — 464 с.
  23. , В. А. Теория систем автоматического управления Текст. /В. А Бесекерский., Попов Е. П. 4-е изд. СПб.:Профессия, 2003.- 752 с.
  24. , В. И. Синтез нейросетевых синергетических систем управления судном Текст.: монография / В. И. Богданов, Я. Л. Виткалов, С. А. Подпорин. Москва — Санкт-Петербург-Владивосток-Севастополь: Питер, 2006. — 204 с.
  25. , Л. Л. Системы автоматического управления движением судна Текст. / Л. Л. Вагущенко, Н. Н. Цымбал. Изд. 2-е, перераб. и доп. — Одесса: Латстар, 2002 — 310 с.
  26. , К. К. Математическое моделирование систем связи Текст.: учебн. пособие / К. К. Васильев, М. Н. Служивый. -Ульяновск: УлГТУ, 2008. 170 с/
  27. , К. К. Теория автоматического управления (следящие системы) Текст.: учебн. пособие / К. К. Васильев.-2-е изд-Ульяновск, 2001. 98 с.
  28. , Е. И. Компьютерное моделирование систем управления движением морских подвижных объектов Текст./ Е. И. Веремей, 128
  29. В. М. Корчанов, М. В Коровкин, С. В. Погожев. СПб.: НИИ Химии СПбГУ, 2002. — 370 с.
  30. , Я. Л. Исследование проблем синтеза нейросетевого контроллера в задаче управления курсом судна Текст.: дис.. канд. техн. наук: 05.22.19: защищена 25.06. 06/ Я. Л. Виткалов -Владивосток, 2006. 180с.
  31. , Л. В. Нейропрограммы Текст.: учеб. пособие в 2 ч. / Л. В. Гилева, С. Е. Гилев, А. Н. Горбань и др. Красноярск: Изд-во Красноярского гос. техн. ун-та, 1994- 260 с.
  32. , Ф. Практическая оптимизация Текст. / Ф. Гилл, У. Мюррей, М. Райт. М.: Мир, 1985. — 509 с.
  33. , С. В. Методы повышения качества управления судном на основе использования нейросетевых технологий Текст.: дис. д-р техн. наук: 05.22.19: защищена 08.22.08 / С. В. Глушков. -Владивосток, МГУ им. адм. Г. И. Невельского, 2008. 175с.
  34. , В. А. Нейронные сети. Обучение, организация и применение. Книга 4 Текст. / В. А. Головко, ИПРЖР, 2001. 256с.
  35. , А. Н. Демон Дарвина. Идея оптимальности и естественный отбор Текст.: учеб. / А. Н. Горбань, Р. Г. Хлебопрос -М.: Наука, 1988.-207 с.
  36. , А. Н. Нейронные сети на персональном компьютере Текст. / А. Н. Горбань, Д. А. Россиев //Сибирская издательская фирма РАН. Новосибирск: Наука, 1996. — 276 с.
  37. , А. Н. Возможности нейронных сетей. Нейроинформатика Текст. / А. Н. Горбань- Новосибирск: Наука, Сибирская издательская фирма РАН, 1998. с. 18−46.
  38. , А. Н. Решение задач нейронными сетями. Нейроинформатика Текст. / А. Н. Горбань Новосибирск: Наука, Сибирская издательская фирма РАН, 1998. — 176 с.
  39. , А. Н. Нейрокомпьютер, или Аналоговый ренессанс Текст. / А. Н. Горбань.- М.: Мир ПК, 1994.- № 10.- с. 126−130.
  40. , А. Н. Обучение нейронных сетей Текст. / А. Н. Горбань.- М.: СП параграф, 1990. 160 с.
  41. , А. Н. Функции многих переменных и нейронные сети Текст. / А. Н. Горбань. Соросовский образовательный журн., 1998. -№ 12. — с. 105−112.
  42. , С. И. Понятие „модели“. Классификация математических моделей Электронный ресурс. / С. И. Дворецкий.- Электрон, дан. Режим доступа: http://tstu-isman.tstu.ru/pdf/ lecture4. pdf, свободный. — Загл. с экрана.
  43. , А. А. Адаптивное и нейросетевое управление сложными динамическими объектами Текст. / А. А. Дыда. Владивосток: Дальнаука, 2007. — 149 с.
  44. , А. А. Перспективные направления совершенствования систем управления движением морских подвижных объектов130
  45. Текст. / А. А. Дыда, А. К. Шейхот. Транспортное дело России, № 9, часть 2, с. 24−25
  46. , А. А. Нейрокомпьютинг и его применения в экономике и бизнесе Текст. / А. А. Ежов, С. А Шумский. М.: МИФИ, 1998. -224 с.
  47. Идентификация и диагностика систем управления Электронный ресурс. Электрон, дан. — Режим доступа: http://blkptv.by.ru/ident, свободный. — Загл. с экрана.
  48. Имитатор сигналов для авторулевого ИС-2005 Текст.: руководство пользователя- СПб: Инженерный центр информационных и управляющих систем, 2005. 24 с.
  49. , Н. В. Теория систем автоматического регулирования Электронный ресурс.: Учебно-методический комплекс / Н. В. Клиначёв. Электрон. дан. — Режим доступа: http://model.exponenta.ru/taulec.html, свободный. — Загл. с экрана.
  50. , 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.
  51. , Е. А. Нейросетевая идентификация динамики МПО Текст. / Е. А. Константинова, А. А. Дыда // Научные проблемытранспорта Сибири и Дальнего Востока. Новосибирск: НГАВТ -2011 —№ 1. с. 111−115.
  52. , Е. А Нейросетевая идентификация нелинейной модели судна Текст. / Е. А. Константинова, А. А. Дыда, Д. А. Оськин // Научные проблемы транспорта Сибири и Дальнего Востока. Новосибирск: НГАВТ -2011.-№ 2. с. 153−155.
  53. , Е. А. Влияние помех на точность нейросетевой идентификации модели судна Текст. / Е. А. Константинова // Научные проблемы транспорта Сибири и Дальнего Востока. Новосибирск: НГАВТ. 2011 .-№ 2. — с. 149−152.
  54. , Е. А. Нейросетевая идентификация динамики судна по модели Номото. Текст. / Е. А. Константинова // Молодежь наука — инновации: сборник материалов 59-й международной молодежной НТК. — Владивосток: Мор. гос. ун-т. -2011.-с. 60−63.
  55. , Т. Ассоциативные запоминающие устройства Текст. / Т. Кохонен. М.: Мир, 1982. -384 с.
  56. , Ю. А. Навигация и управление движением судов Текст.: учебник / Ю. А. Лукомский, В. Г. Пешехонов, Д. А. Схороходов .- СПб.: Элмор, 2002. 360 с.
  57. , Ю. А. Управление морскими подвижными объектами Текст.: / Ю. А. Лукомский, В. М. Корчанов СПб.: Элмор, 1996. -320 с.
  58. , Ю.А. Системы управления морскими подвижными объектами Текст.: учебник / Ю. А. Лукомский, B.C. Чугунов Л.: Судостроение, 1988. — 272 с.
  59. , Л. Идентификация систем. Теория для пользователя Текст. / Л. Льюнг М.: Наука. Гл. ред. физ.-мат. лит., 1991. 432 с.
  60. Математическая модель Электронный ресурс. / Электрон, дан. -Режим доступа: http://ru.wikipedia.org/wiki/MaTeMaTH4ecKa» модель#скепо1е-10, свободный. Загл. с экрана.
  61. Методы классической и современной теории автоматического управления Текст.: учебник в 3 т. Т. 1. Синтез регуляторов и теория оптимизации систем автоматического управления / под ред. Н. Д. Егупова. М.: Изд-во МГТУ им. Баумана, 2000. — 736 с.
  62. , О. В. Искусственный интеллект для судоходства. Электронный ресурс. / О. В. Морозова. Электрон, дан. — Режим доступа: http://pressa.kuban.info, свободный. — Загл. с экрана.
  63. , Д. А. Анализ подходов к построению современных систем адаптивного управления с использованием традиционных принципов и интеллектуальных технологий (экспертных систем и нейросетевых структур).
  64. , А. Д. Элементы теории математических моделей. Текст. / А. Д. Мышкис. Изд. 3-е, испр. — М.: КомКнига, 2007. — 192 с.
  65. Нейроинформатика Текст. / А. Н. Горбань, В. Л. Дунин-Барковский, А. Н. Кирдин и др. Новосибирск: Наука. Сибирское предприятие РАН, 1998. — 296с.
  66. Нейронные сети и их приложения Электронный ресурс. -Электрон, дан. Режим доступа: http://www.alife.narod.ru/, свободный. — Загл. с экрана.
  67. Нейронные сети Электронный ресурс. Электрон, дан. — Режим доступа: http://www.basegroup.ru/library/analysis/neural/, свободный.- Загл. с экрана.
  68. Нейронные сети Электронный ресурс. Электрон, дан. — Режим доступа: http://www.statsoft.ru/home/textbook, свободный. — Загл. с экрана.
  69. , Ю. И. Принципы использования нейронных сетей в бортовых интеллектуальных системах Текст. /Ю. И. Нечаев // Нейрокомпьютеры: разработка, применение. 2004, № 7 8, с. 49 -56.
  70. , А. И. Компьютерный анализ и синтез систем ориентации, стабилизации и навигации Текст.: учебн. пособие / А. И. Панферов, А. В. Лопарев- Санкт-Петербург: изд. СПБГУ, 2008.-81 с.
  71. , С. И. Сравнение математических моделей с точки зрения коэффициентов влияния Текст. / С. И. Позняков, Ю. И. Юдин // Вестник Мурманского гос. техн. ун-та, 2006 том 9. — № 2 — с. 241 245.
  72. , К. Ю. Теория автоматического управления для «чайников» Текст.: учебн. пособие / К. Ю. Поляков СПб.: изд. СПБГУ, 2008.- 139 с.
  73. Пояснения к Промежуточным стандартам маневренных качеств судов. Циркулярное письмо MSC/Circ. 644 Текст. / Сборник № 3 резолюций ИМО Введ. 1994−25−05. — С-Пб.: ЗАО ЦНИИМФ, 1995−342 с.
  74. Пояснения к стандартам маневренных качеств судна. Циркулярное письмо MSC/Circ. 1053 Текст. / Сборник № 21 резолюций ИМО -Введ. 2002−05−12. С-Пб.: ЗАО ЦНИИМФ, 2003 — 248 с.
  75. Представление на судах информации об их маневренных характеристиках. Резолюция А.601(15) Текст. / Введ. 1987−20−11.- С-Пб.: ЦНИИМФ, 2001 35с.
  76. Промежуточные стандарты маневренных качеств судов. Резолюция ИМО А.751(18) Текст. / Сборник № 2 резолюций ИМО Введ. 1993 -04−11. — С-Пб.: ЗАО ЦНИИМФ, 1994 — 262 с.
  77. , А. Н. Ассоциативная память. Нейронные сети. Оптимизация нейропроцессоров. Текст. / А. Н. Радченко, СПб: Наука, 1998.-261 с.
  78. , В. Г. Эволюция, нейронные сети, интеллект. Модели и концепции эволюционной кибернетики. Текст. / В. Г. Редько, КомКнига, 2007. 224с.
  79. Руководство по определению маневренных характеристик судов Текст.: утв. Российским морским регистром судоходства 31.01.05.- М.: Морской Регистр, 2003 16 с.
  80. , Д. Нейронные сети, генетические алгоритмы и нечеткие системы. Текст. / Д. Рутковская, М. Пилиньский, Л. Рутковский М.: Горячая линия: Телеком, 2007. — 452 с.
  81. , Н. А. Интеллектуальная система автоматического управления судном по курсу Текст.: дис.. канд. техн. наук:1 360 522.19: защищена 23.12.2009 / Н. А. Седова.- Владивосток, МГУ им. адмирала Г. И. Невельского, 2009. 123 с.
  82. , А. Д. Идентификация объектов управления Текст.: учеб. пособие / А. Д. Семенов, Д. В. Артамонов, А. В. Брюхачев. Пенза: Изд. Пенз. гос. ун-та, 2003- 211 с.
  83. , А. В. Применение нейронных сетей в системах управления морскими подвижными объектами Текст. /
  84. A. В. Силяков // 24 Науч.-техн. сб. Российского морского регистра судоходства, 2005. Вып. 28. — с. 350 — 354.
  85. , Б. Я. Моделирование систем Текст.: учеб. для вузов / Б. Я. Советов, С. А. Яковлев. Изд. 3-е, перераб. и доп. — М.: Высш. шк., 2001.-343 с.
  86. , В. С. Применение методов планирования активного эксперимента для идентификации судового комплекса Текст. /
  87. B. С. Солодов, Ю. И. Юдин // Вестник Мурманского гос. техн. унта, 2006.- том 9. № 2 — с. 187−190.
  88. Справочник по нейросетям. Электронный ресурс. Электрон, дан. — Режим доступа: http://www.neuroshell.forekc.ru/, свободный. -Загл. с экрана.
  89. Стандарты маневренных качеств судна. Резолюция МБС. 137(76) Текст. / Сборник № 21 резолюций ИМО Введ. 2002−05−12. — СПб.: ЗАО ЦНИИМФ, 2003 — 248 с.
  90. , Р. Г. Еще раз об уравнении управляемости Номото Текст. / Р. Г. Степахно // Вестник Мурманского гос. техн. ун-та, 2003.- том 6. № 1 — с.69−74.
  91. , Д. А. Нейронные сети. Модели и алгоритмы Текст./ Д. А. Тархов. М.: Радиотехника, 2005. — 256 с.
  92. , В. А. Нейросетевые системы управления Текст. / В. А. Терехов, Д. В. Ефимов, И. Ю. Тюкин //Нейрокомпьютеры и их применение М.:ИПЖР, 2002 — т.8 — 480 с.
  93. , В. А. Нейросетевые системы управления Текст.: учебн. пособие / В. А. Терехов, Д. В. Ефимов, И. Ю. Тюкин М.:Высшая школа, 2002.-182 с.
  94. , И. Ю. Адаптация в нелинейных динамических системах Текст.: учебн. пособие / И. Ю. Тюкин, В. А. Терехов .- СПб, 2006.-377 с.
  95. , Ф. Нейрокомпьютерная техника: Теория и практика. Текст. / Ф. Уоссермен. Пер. с англ. — М.: Мир. — 1992. — 118 с.
  96. Федеральная целевая программа «Глобальная навигационная система» Электронный ресурс. Электрон, дан — Режим доступа: http://fcp.vpk.ru/ext/l 17/content.htm, свободный. — Загл. с экрана.
  97. , Б. Т. Моделирование. Теория автоматического управления и смежные вопросы Электронный ресурс. Электрон, дан. — Режим доступа: http://model.exponenta.ru/bt/btcontents.html, свободный. — Загл. с экрана.
  98. , М. И. Динамические системы, функционирующие в сопровождении опасных бифуркаций Текст. / М. И. Фейгин // Волжская гос. акад. водного транспорта, Н. Новгород- Соросовский образовательный журн., сер. «Математика», 1999 № 10 — с. 122 127.
  99. , С. Нейронные сети полный курс, 2-е изд. Текст./ Саймон Хайкин. М.: Вильяме, 2006. — 1104 с.
  100. , М. А. Анализ моделей движения и методов определения координат корабля Текст. / М. А. Цветов, А. Н. Васильев // Вестник Ульяновского гос. техн. ун-та, 2003- № 1−2 с. 59−63.
  101. Чубукова, И. A. Data Mining. Текст. / И. А. Чубукова Интернет-университет информационных технологий ИНТУИТ.ру, БИНОМ, Лаборатория знаний, 2008 .- 384 с.
  102. , А. И. Математические модели нелинейной динамики Текст. / А. И. Чуличков. Изд. 2-е, испр. — М: Физматлит, 2003. -296 с.
  103. , А. К. Совершенствование систем управления морскими подвижными объектами на основе идентификации и адаптации Текст.: дис.. канд. техн. наук: 05.22.19: защищена 25.06. 08/ А. К. Шейхот. Владивосток, 2008. — 130 с.
  104. , К. Ю. Моделирование систем управления нейронными сетями в составе тренажера Текст. / К. Ю. Шилов// Системы управления и обработки информации: науч.-техн. сб. / ФНПЦ «НПО «Аврора», СПб., 2005. Вып. 10. — с.66−71.
  105. , Ч. Г. Дифференциальные уравнения и краевые задачи: моделирование и вычисление с помощью Mathematica, Maple и MATLAB Текст. / Ч. Г. Эдварде, Д. Э. Пенни, М.: Вильяме, 2007. -1104 с.
  106. , Ю. И. Использование идентифицированных математических моделей судна для обеспечения безопасности судовождения Текст. / Ю. И. Юдин, А. Г. Степахно, А. Н. Гололобов // Вестник Мурманского гос. техн. ун-та. 2009-том 12. -№ 1 — с.10−12.
  107. , Ю. И. Математические модели плоскопараллельного движения судна. Классификация и критический анализ Текст. / Ю. И. Юдин, И. И. Сотников // Вестник Мурманского гос. техн. унта, 2006.- том 9. № 2 — с.200−208.
  108. , Ю. И. Метод расчёта параметров математической модели судна Текст. / Ю. И. Юдин, А. Н. Гололобов, Р. Г. Степахно // Вестник Мурманского гос. техн. ун-та, 2009 том 12. — № 1 — с.5−9.
  109. , Г. Э. Нечеткие множества и нейронные сети Текст. / Г. Э. Яхъяева. Интернет-университет информационных технологий. — ИНТУИТ.ру, БИНОМ, Лаборатория знаний, 2 008 320 с.
Заполнить форму текущей работой

Сессия? Спокойно!