Εφαρμογες Νευροασαφων Δικτυων Στην Αναγνωριση Πλοιου

Abstract

ΠΕΡΙΛΗΨΗΤο γνωστικό αντικείμενο αυτής της διπλωματικής είναι τα νευρωνικάδίκτυα τα ασαφή συστήματα, οι αλγόριθμοι τους καθώς και ο συνδυασμός τους:τα νευροασαφή συστήματα.Παρουσιάζεται και αναπτύσσεται μια νέα τεχνική με την μορφή αλγορίθμου(MASMOD αλγόριθμος) η οποία εφαρμόζεται στο σύστημα του πλοίου.Στο πρώτο μέρος της διπλωματικής παρουσιάζουμε την θεωρίανευρωνικών δικτύων. Ξεκινάμε με την πιο απλή (στοιχειώδη) μορφή νευρωνικούδικτύου το Perceptron και δίνουμε μια θεμελιώδη εφαρμογή του στηνταξινόμηση προτύπων. Στην συνέχεια ταξινομούμε όλα τα υπάρχοντα είδηνευρωνικών δικτύων και παρουσιάζουμε τα μονοεπίπεδα νευρωνικά δίκτυα(SLP) καθώς και τον αλγόριθμο μάθησης τους EMT (ελαχίστων μέσωντετραγώνων).Στο 3ο κεφάλαιο έχουμε τα πολυεπίπεδα νευρωνικά δίκτυα (MLP) μαζί μετην σημαντική ιδιότητα τους: της παγκόσμιας προσέγγισης και τον πιο γνωστόστην θεωρία NN (Neurals Networks) αλγόριθμο back - propagation. Στο 4οκεφάλαιο παρουσιάζουμε τα δίκτυα ακτινικών συναρτήσεων βάσης (RBF)καθώς και τον τρόπο με τον οποίο εκπαιδεύονται.Στο 5ο κεφάλαιο γίνεται η εισαγωγή και παρουσίαση αλγορίθμων πουανήκουν στην κατηγορία της μη επιβλεπόμενης μάθησης με σημαντικότερο απόαυτούς τον LVQ.Στο κεφάλαιο 6 αναφέρουμε το δίκτυο SOM (self organizing feature map- αυτοοργανούμενος χάρτης) ο οποίος χρησιμοποιεί ανταγωνιστικούςαλγορίθμους μη εποπτευόμενης δηλαδή μάθησης.Στο 7ο κεφάλαιο αναπτύσσουμε τα ανατροφοδοτούμενα NN καθώς και τααναδρομικά NN (RNN) με σημαντικότερο το δίκτυο Hopfield.Στο 2ο μέρος της διπλωματικής αναπτύσσουμε την ασαφή λογική, ταασαφή συστήματα και τα νευροασαφή συστήματα.Ξεκινάμε (8ο κεφάλαιο) με την θεωρία ασαφών συνόλων τις πράξειςτους, τους τελεστές και το θεώρημα της επέκτασης καταλήγοντας με τονσημαντικό για την θεωρία ελέγχου κανόνα της ασαφούς σύνθεσης (max - min).Στην συνέχεια παρουσιάζονται τα ασαφή συστήματα ταξινομούνται καιαναλύονται με τους απαραίτητους μαθηματικούς ορισμούς. Τέλος εισάγουμε τανευροασαφή συστήματα και τα ταξινομούμε.Στο τρίτο μέρος της διπλωματικής αναλύεται εκτενώς η νέα τεχνική τωνQiaug Gan και Chris J. Harris που βασίζεται σε αναδρομικά νευροασαφή δίκτυακαι στον MASMOD αλγόριθμο. Γίνονται οι απαραίτητοι ορισμοί από την θεωρίασυστημάτων και ελέγχου. Χρησιμοποιώντας τον MASMOD αλγόριθμο πουαποτελεί το κομβικό σημείο της τεχνικής γραμμικοποιούμε και αναγνωρίζουμετο άγνωστο, μη-γραμμικό, δυναμικό και διακριτό σύστημα του πλοίου. Ταδεδομένα για την λειτουργία του αλγορίθμου (data pairs) τα παίρνουμε από μιαμη γραμμική εξίσωση πλοίου η οποία είναι εκτενώς αναλυμένη.Τέλος στο παράρτημα υπάρχει ο MASMOD αλγόριθμος με την μορφήMATLAB κώδικα.SUMMARYThe subject of this diploma thesis is neural networks, fuzzy systems, theiralgorithms and their combination: neuro-fuzzy systems.We present and elaborate a new technique in the form of an algorithm (MASMODalgorithm), which is applied on the vessel's system.In the first part of this diploma thesis we present the theory of neural networks.We begin with the most simple (elementary) form of a neural network, Perceptron, andwe provide one of its fundamental applications for pattern classification. Then weclassify all existing types or neural networks and we present the single-level neuralnetworks (SLP), as well as their EMT (least mean square) learning algorithm.In the 3rd Chapter we have the multi-level neural networks (MLP) with theirimportant property of global approach, and the most well-known back-propagationalgorithm in the theory of neural networks. In the 4th Chapter we present the radial basefunction networks (RBF), and their training method.In the 5th Chapter we introduce and present algorithms belonging to the nonsupervisedlearning class, the most important of which is LVQ.In Chapter 6 we discuss the SOM (self organizing feature map) network, whichuses competitive algorithms, i.e. algorithms with non-supervised learning.In the 7th Chapter we discuss the back-propagating NNs and the recursive NNs(RNN), the most important of which is the Hopfield network.In the second part of this diploma thesis we discuss fuzzy logic, fuzzy systems,and neuro-fuzzy systems.We begin (Chapter 8) with the theory of fuzzy sets, their operations, theiroperators, and the expansion theorem, rounding off with the important, for the controltheory, rule of fuzzy composition (max-min). Then we present the fuzzy systems, andwe classify and analyze them with all required mathematical terms and definitions.Finally, we introduce the neuro-fuzzy systems and we classify them.In the third part of this diploma thesis we describe in detail the new technique ofQiaug Gan and Chris J. Harris, which is based on recursive neuro-fuzzy networks andon the MASMOD algorithm. We provide the required definitions from the systems andcontrol theory. By using the MASMOD algorithm, which is the hub of this technique, welinearize and identify the unknown, non-linear, dynamic and distinct vessel system. Thedata pairs for the operation of the algorithm are obtained from a non-linear vesselequation, which is thoroughly analyzed.Finally, in the Appendix we provide the MASMOD algorithm in the form ofMATLAB code.