Эффективность нейросетевого и нечеткого подхода в управлении безэкипажными судами

   Целью исследования является разработка и оценка моделей управления для автономного подводного и надводного судна с использованием нечетких логик и нейросетевых технологий.

   Исследуется влияние различных подходов на точность управления и стабильность движения безэкипажных, автономных судов.

   Методы. В данной работе были использованы методы: метод Рунга-Кутты пятого порядка для численного моделирования динамики автономного аппарата. Этот метод позволяет точно вычислять состояние БЭС во времени, учитывая различные параметры его движения. Использовался метод - нечеткое моделирование, которое включает разработку нечетких контроллеров. Эти контроллеры учитывают особенности динамики БЭС и обеспечивают робастность в условиях изменяющихся параметров среды. Нечеткое моделирование позволяет использовать лингвистические переменные для описания различных состояний системы и принимает во внимание неопределенности, которые могут возникнуть при управлении БЭС. Метод нейросетевых технологий в управлении БЭС. Использование нейросетей обеспечивает возможность автоматического обучения и корректировки параметров управления на основе получаемой информации о состоянии системы, что способствует повышению эффективности и надежности управления БЭС.

   Результаты. Результаты моделирования показали, что использование нечетких моделей значительно улучшает характеристики управления БЭС по сравнению с математическими моделями. Внедрение нейросетей позволило достичь наилучших показателей коэффициента среднеквадратичной ошибки (КСКО) по сравнению с обеими другими моделями, что подтверждает эффективность данного подхода. В частности, для направления X КСКО для нейросети составило 6.4321, что является наилучшим показателем среди всех моделей.

   Заключение. Исследования показали, что интеграция нечетких логик и нейросетевых технологий в управление БЭС приводит к значительному улучшению точности и стабильности управления в сложных условиях. Нейросети обеспечивают дополнительную адаптивность, позволяя системе эффективно реагировать на изменения во внешней среде и улучшая общую производительность БЭС.

1. The advancement of an autonomous underwater vehicle (AUV) technology / K. Tan, T. Liddy, A .Anvar, Tien-Fu Lu // IEEE Conference on Industrial Electronics and Applications. 2008. DOI: 10.1109/ICIEA.2008.4582535.

2. Kanakakis V., Tsourveloudis N. K., Valavanis K. P. Design and testing of a fuzzy logic controller for an autonomous underwater vehicle. Technical University of Crete. 2001. URL: https://www.researchgate.net/.

3. Huang S.H. Control of autonomous underwater vehicle using fuzzy logic and genetic algorithms. Technology of autonomous underwater vehicles, 1996.

4. Kim T.W. A new neuro-fuzzy controller for autonomous underwater vehicles. Robotics and Automation, 2001.

5. Гидроакустические навигационные средства / В.И. Бородин, Г.Е. Смирнов, Н. А. Толстякова, Г.В. Яковлев. Л.: Судостроение, 1983. 262 с.

6. Ridao P., et al. Model identification of a low-speed unmanned underwater vehicle, IFAC Proceedings. August 2002. Vol. 34(7). DOI: 10/1016/S1474-6670(17)35114-5.

7. Saiaadi H., Ura T.. Identification of AUV systems with multiple inputs and multiple outputs using neural network. IEEE 1999 .

8. Papoulis A., Pillai S. U. Probability, random variables, and stochastic processes. 4^th ed. New York, McGraw-Hill, 2002.

9. Awadi-Moghaddama D. Adaptive neurofuzzy control system based on genetic algorithm for remotely operated vehicle underwater // Expert Systems with Applications. 2009; 36.

10. Fossen T. I. Guidance and control of ocean vehicles. John Wiley & Sons, 1994. 494 p.

11. Asokan T. M. Design of an autonomous underwater robotic vehicle (AUV). Indian Institute of Technology. Madras; 2008.

12. Wang L. X. Fuzzy systems are universal approximators. IEEE International Comference on Furry Systems. San Diego, CA, USA, 2002. DOI: 10.1109/FUZZY.1992.258721.

13. Takagi T., Sugeno M. Fuzzy identification system and its application to modeling and control. IEEE (Transactions on Systems, Man, and Cybernetics.) Vol. SMC-15/ Is. 1. P. 116-132. doi: 10/1109/TSMC.1985/6313399.

14. Akkizidis I.S., Roberts G.N. Fuzzy modeling and fuzzy-neural motion control of an autonomous underwater robot. 2008. AMC'98 - Coimbra. 1998 5<supth</sup> International Workshop on Advanced Motion Control. Proceedings. DOI: 10.1109/AMC.1998.743614

15. Суровцев И.С., Клюкин В.И., Пивоварова Р.П. Нейронные сети. Воронеж: ВГУ, 1994. 224 с.

16. Разработка эргономичного приложения-помощника на основе нейронной сети / Д.С. Савенков, С.Ю. Поздняков, А.А. Кузьменко, Р.А. Филиппов, Л.Б. Филиппова // Известия Юго-Западного государственного университета. 2023; 27(3): 52-65. doi: 10.21869/2223-1560-2023-27-3-52-65.

17. Милостная Н. А. Исследование устойчивости нейро-нечёткой системы вывода, основанной на методе отношения площадей // Известия Юго-Западного государственного университета. 2021; 25(3): 70-85. doi: 10.21869/2223-1560-2021-25-3-70-85

18. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. М.: Мир, 1992.

19. Галушкин А.И., Цыпкин Я.З. Нейронные сети: история развития теории. М.: Альянс, 2015. 840 c.

20. Барский А.Б. Логические нейронные сети. М.: Бином, 2013. 352 c.