МЕТОДИКА РОЗРОБКИ КАСКАДНОЇ МОДЕЛІ РОЗРАХУНКУ КООРДИНАТ СУДНА НА ОСНОВІ ГЛИБОКОГО НАВЧАННЯ

Анотація

Метою статті є дослідження методики розробки каскадної моделі розрахунку координат судна на основі глибокого навчання, здатної прогнозувати відносну швидкість судна в нерухомій системі координат під впливом вітру і хвиль. Поставлена мета досягається шляхом побудови топології каскадної моделі розрахунку координат судна, визначення порядку формування навчального набору даних та тестування результатів навчання. Для визначення координат місця розташування судна, зокрема, з використанням автономних навігаційних систем, необхідно забезпечити стабільність судна по заданій траєкторії. Однак, супутникові навігаційні системи мають свої недоліки, такі як обмеженість використання в певних умовах, наприклад, в середовищах, де радіохвилі не проходять, а також проблеми з шумами і цілісністю системи. У випадках, коли стикаються з форс-мажорними природними явищами, які можуть пошкодити супутникові системи, стеження судна може залежати від алгоритмів обробки навігаційної інформації в автономних системах для підвищення точності і цілісності інтегрованих навігаційних систем, що використовують дані супутникової навігації. Часто визначення деяких зовнішніх факторів, таких як параметри збурення, супроводжується значними похибками, що призводить до значної невизначеності при прогнозуванні обчислюваних координат. У порівнянні з наявними алгоритмами, використання нейронних мереж може бути більш ефективним у умовах невизначеності, оскільки вони мають нелінійні властивості перетворення вхідних сигналів у вихідні. Таким чином, прогноз обчислюваних координат при впливі зовнішніх факторів повністю відповідає цим умовам. Найбільш суттєвим результатом є каскадна модель розрахунку координат судна на основі довготривалої короткочасної пам'яті (Long short-time memory; LSTM). В рамках подальшого напряму роботи можна зазначити, що навіть якщо ця прогностична модель є більш точною, ніж традиційні методи, її ефективність повинна бути підвищена, щоб досягти оптимальних результатів. Також, важливо зазначити, що гіперпараметр оптимізації є ключовим елементом для моделей глибокого навчання. Гіперпараметри визначають як навчальну продуктивність моделі, так і якість її тестування.