Вестник МГТУ, 2023, Т. 26, № 4.

Вестник МГТУ. 2023. Т. 26, № 4. С. 472-488. DOI: https://doi.org/10.21443/1560-9278-2023-26-4-472-488 Диапазон ячеек (рис. 18) обозначим как (h1#01:Treshhold,var17:h2#03). Его первая строка содержит только коэффициенты смещения между слоями: S1 - 8 значений; S2 - 3 значения; S3 - 1 значение. Диапазон ячеек (h1#01:var1, h2#08:var16:) является первой матрицей весов W1, диапазон (h2#01:h1#01, h2#03:h1#08) - второй матрицей W2, диапазон (var17:h2#01, var17:h2#03) - матрицей W3 (столбец). Пакет ANN в SciLab дает возможность непосредственно (без выполнения дополнительных процедур) обращаться к этим характеристикам. В программе (рис. 17) это делается так: W_gd(1), W_gd(2), W_gd(3), где W_gd - список, полученный в строке 12. Выводы Оценка возможностей использования аппарата нейронных сетей для исследования математических моделей движения судна показала, что коррекция с помощью сети идентифицированных параметров выбранной модели адекватна результатам стандартных натурных испытаний, определенных резолюцией ИМО № 137 от 2002 г. "Стандарты маневренных качеств судов". При использовании программного комплекса (Пашенцев, 2018) появляется возможность: а) проведения произвольного числа испытаний вариативных моделей судна и получения массива данных для работы по обучению нейронной сети; б) построения сети, имеющей в качестве входных данных параметры модели и любую из маневренных характеристик в качестве выхода. Сеть выбранной архитектуры построена с помощью пакетов StatisticaNN и ANN SciLab, обучена на массиве из 120 наборов данных, результат обучения использован для целей прогнозирования (регрессии). Ошибка не превысила приемлемого технического уровня (5 %). Для обычных пользователей более удобным в применении является пакет SNN; быстрее получается конечный прогноз, но результаты прогноза возможно использовать только в ручном режиме. Программирующим пользователям пакет ANN (в SciLab, аналогично в MathLab) позволяет написать достаточно простую программу, используя функции пакета, и применить полученные результаты для разных целей управления процессом расчетов (например, можно динамически менять выходные переменные из набора данных). Эта возможность является преимущество данного пакета, хотя требует дополнительной работы программистов. Работа с нормированными данными в SNN позволяет по нормированному выходному результату одной из маневренных характеристик (например, Dc) предсказать достаточно точно остальные характеристики (Vc, beC, omC) для установившейся циркуляции, не производя для каждой из них нового обучения сети. Констатируем в итоге, что с помощью нейронной сети решена поставленная задача определения маневренной характеристики судна по параметрам математической модели. Это решение открывает возможность выполнения главной (обратной) задачи - определения параметров математической модели по заданным маневренным характеристикам судна. Подобные исследования будут выполняться в рамках кафедральной инициативной НИР в 2023-2025 гг. Конфликт интересов Автор заявляет об отсутствии конфликта интересов. Библиографический список Николенко С. И., Кадурин А. А., Архангельская Е. О. Глубокое обучение. Погружение в мир нейронных сетей. СПб. : Питер, 2018. 480 с. Оценка влияния параметров математических моделей судна на его маневренные характеристики : св -во рег. программ для ЭВМ / С. И. Позняков, С. В. Пашенцев ; № 2006612406 ; заявл. 10.05.2006 ; зарег. 10.07.2006. Позняков С. И., Юдин Ю. И. Сравнение математических моделей с точки зрения коэффициентов влияния // Вестник МГТУ. 2006. Т. 9, № 2. С. 241-245. EDN: ICJVKJ. Программный комплекс построения математической модели судна по теоретическому чертежу и ее испытания в 16 режимах работы с учетом внешних воздействий : св-во рег. программ для ЭВМ / С. В. Пашенцев ; № 2018615122 ; заявл. 12.03.2018 ; опубл. 26.04.2018. Редько В. Г. Эволюция, нейронные сети, интеллект : модели и концепции эволюционной кибернетики. М. : URSS, 2022. 224 с. (Синергетика: от прошлого к будущему ; № 23). Справочник по теории корабля / под ред. Я. И. Войткунского: в 3 т. Л. : Судостроение, 1985. Т. 1. Гидромеханика. Сопротивление движению судов. Судовые движители. 768 с. Хайкин С. Нейронные сети. Полный курс. М. : Вильямс, 2019. 1104 с. Юдин Ю. И., Пашенцев С. В. Идентификация математической модели судна. М. : Моркнига, 2015. 157 с. Bishop C. M. Pattern recognition and machine learning. Springer Science+Business Media, LLC, 2006. 738 p. Clevert D., Unterthiter T., Hochreiter S. Fast and accurate deep network learning by exponential linear units (ELUs). 2015. URL: https://arxiv.org/pdf/1511.07289.pdf. Hagan M. T., Demuth H. B., Beale M. H., De Jesis O. Neural network design. Boston : PWS Pub., 2014. 800 p. Satish Annigeri. Scilab: A Hands on Introduction. 2009. URL: https://www.cse.iitb.ac.in/~cs626-449/scilab.pdf. 487