623.98:534.222:004.93'1

В статье приводятся результаты очередного этапа научных исследований авторов по вопросу создания системы мониторинга морских акваторий на основе разработок нелинейной просветной гидроакустики с использованием нейросетевых технологий. Многочисленные эксперименты по обучению нейронных сетей показали, что совокупное использование алгоритма локальной оптимизации, процедуры «выбивания» сети из локального минимума и процедуры увеличения числа нейронов приводит к успешному обучению нейронных сетей. Показано что решение задач: имитации мгновенного расположения распознаваемого объекта и параметров его движения; имитации климатической изменчивости вертикального распространения скорости звука в воде и параметров гидроакустических полей с использованием базы данных типичных кривых вертикального распределения скорости звука; имитации информационных потоков, возникающих в ситуациях «приемник - источник»; разработки модуля управления имитационной моделью; оценки адекватности модели; оптимизации имитационной модели, позволит сформировать выборку с необходимым количеством данных для обучения нейронных сетей. В рамках данной работы созданы алгоритмическая основа и программный комплекс, позволяющий успешно провести обучение нейроклассификатора достаточно высокой эффективности. Результаты научных разработок авторов по данной тематике защищены патентами, изданы в виде монографий и отражены в статьях.

The paper discusses creation a monitoring system for marine areas based on non-linear rear-illuminated tracing hydroacoustics using neural network technology. Numerous experiments on training of neural networks showed that cumulative local optimization algorithm, "knocking out" the network of local minimum and procedures for increasing the number of neurons result in successful learning of neural networks. The following tasks were formulated for decision: simulating instant location of recognized object and its movement parameters; simulation of climatic variability of vertical distribution for speed of sound in water and sonar settings of fields using a database of typical vertical distribution curves of the speed of sound; simulation of information flows that occur in situations of «receiver - source»; development of module for control of simulation model; assessing the adequacy of the model; optimizing the simulation model. Solving these problems gives possibility to form a sample with a sufficient amount of data for training neural networks. Algorithmic basis and software package have been produced for successful training the neuro-qualifier of high efficiency. Results of scientific researches of authors on this subject are protected by patents, issued in the form of monographs and reflected in scientific papers.

кандидат технических наук, доцент, начальник научно-исследовательской лаборатории Тихоокеанского высшего военно-морского училища имени С.О.Макарова

кандидат технических наук, научный сотрудник научно-исследовательской лаборатории Тихоокеанского высшего военно-морского училища имени С.О.Макарова

кандидат технических наук, доцент, старший научный сотрудник научно-исследовательской лаборатории Тихоокеанского высшего военно-морского училища имени С.О. Макарова

Дорогов А.Ю. Сколько примеров требуется для обучения нейронной сети? // Нейроинформатика и ее приложения: Матер. VIII Всерос. сем. Красноярск, 2000. С. 59-60.

Каллан Р. Основные концепции нейронных сетей: Пер. с англ. М.: Изд. «Вильямс». 2001. 290 с.

Клименчук И.Н., Петухов В.И. Статистическая климатическая модель поля скорости звука для прикладных гидроакустических исследований. Подход с использованием ЭВМ // ТОВВМУ им. С.О.Макарова: Тез. докл. Владивосток. 1989. Т.1. С. 35-36.

Матвиенко В.Н., Тарасюк Ю.Ф. Дальность действия гидроакустических средств. Л.: Судостроение. 1981. 208 с.

Пятакович В.А. Технологии нелинейной просветной гидроакустики и нейро-нечетких операций в задачах распознавания морских объектов [Текст]: монография / В.А. Пятакович, А.М. Василенко, М.В. Мироненко. Владивосток: ДВФУ. 2016. 190 с.

Пятакович В.А. Предварительная обработка информации нейроноподобным категоризатором при распознавании образов морских объектов [Текст] / В.А. Пятакович, А.М. Василенко // Подводное морское оружие. 2017. № 1 (32). С. 31-34.

Пятакович В.А. Математическая модель распознавания и классификации морского объекта, реализующая аппарат нечетких множеств [Текст] / В.А. Пятакович, А.М. Василенко, Н.В. Пятакович // Интернет-журнал «Науковедение» Т. 9. №1 (2017), http: //naukovedenie.ru/PDF/49TVN117.pdf

Пятакович В.А. Нейросетевые архитектуры для решения задач классификации информационных полей морских объектов, методика их обучения [Текст] / В.А. Пятакович, А.М. Василенко, М.В. Мироненко // Интернет-журнал «Науковедение» Т. 9. №2 (2017). http://naukovedenie.ru/PDF/54TVN217.pdf