Александр Николаевич Борисов — канд. техн. наук; кафедра САУиБВТ; доцент
Санкт-Петербург
Aleksandr N. Borisov — PhD, Associate Professor; Department of Automatic Control Systems and Onboard Computer Facilities
St. Petersburg
Маргарита Александровна Борисова — аспирант; кафедра САУиБВТ
Санкт-Петербург
Margarita A. Borisova — Post-Graduate Student; Department of Automatic Control Systems and Onboard Computer Facilities
St. Petersburg
Юрий Леонардович Сиек — д-р техн. наук, профессор; кафедра САУиБВТ; заведующий кафедрой
Санкт-Петербург
Yurу L. Siek — Dr. Sci., Professor; Department of Automatic Control Systems and Onboard Computer Facilities; Head of the Department
St. Petersburg
В настоящее время перед разработчиками информационно-управляющих систем морской подводной техники открываются новые возможности применения современных высокопроизводительных технологий для повышения качества процессов управления и точности выполнения операций. Так, например, для обеспечения синтеза алгоритмов управления движением активно исследуются подходы на основе прогнозирующих моделей (ПМ). При этом для синтеза ПМ могут применяться современные методы машинного обучения, в том числе — искусственные нейронные сети (ИНС). Предложен способ построения ПМ в составе алгоритмического обеспечения информационно-управляющих систем автономного необитаемого подводного аппарата с использованием нейросетевого эмулятора динамики. Проанализированы основные недостатки традиционного подхода к синтезу ПМ в виде системы дифференциальных уравнений, выполнен последовательный структурный и параметрический синтез нейроэмулятора. В частности, рассмотрены вопросы начальной инициализации параметров нейронной сети и формирования обучающей выборки, определена структура входных и выходных данных. Особенностью предлагаемой структуры ИНС является использование предобучения на основе каскада автоэнкодеров. Приведены результаты предобучения нейросетевого эмулятора, обосновывающие выбор архитектуры ИНС. Также для проверки адекватности ПМ в виде нейроэмулятора выполнена верификация относительно известной нелинейной динамической модели в ходе статистического имитационного моделирования.
Currently, developers of information and control systems for marine underwater equipment are faced with new opportunities for using modern high-performance technologies to improve the quality of control processes and the accuracy of operations. For example, approaches based on predictive models (PM) are actively studied to ensure the synthesis of motion control algorithms. In this case, modern machine learning methods, including artificial neural networks (ANN), can be used to synthesize PM. A method for constructing a PM as part of the algorithmic support of information and control systems of an autonomous unmanned underwater vehicle using a neural network emulator of dynamics is proposed. The main disadvantages of the traditional approach to the synthesis of PM in the form of a system of differential equations are analyzed, a sequential structural and parametric synthesis of the neural emulator is performed. In particular, the issues of initial initialization of the neural network parameters and the formation of a training sample are considered, the structure of input and output data is determined. A feature of the proposed ANN structure is the use of pretraining based on a cascade of autoencoders. Results of pretraining the neural network emulator are presented, justifying the choice of the ANN architecture. Also, to check the adequacy of the PM in the form of a neuroemulator, verification is performed with respect to a known nonlinear dynamic model during statistical simulation modeling.
The authors declare that there are no conflicts of interest present.