Approximation of ship's propulsion performance by Bayesian artificial neural networks

• Autorzy: Marciniak J.

Warianty tytułu

PL

Aproksymacja charakterystyki napędowej statku za pomocą bayesowskich sztucznych sieci neuronowych

• Konferencja: Sesja Naukowa Okrętowców European Shipbuilding 2004 Polski przemysł okrętowy (XXI; 27-28.09.2004; Gdańsk, Polska)
• Języki publikacji: EN

Abstrakty

EN

The Artificial Neural Network (ANN) is one of the methods of approximation. It has been proven that ANN consisting of: input layer, 1st hidden layer of sigmoid neurons, 2nd hidden layer of linear neurons, output layer, "is capable universal approximation in the sense that it can approximate to arbitrary accuracy any continuos function from a compact region of input space provided the number of hidden units is sufficiently large and provided the weights and biases are chosen appropriately" [6]. The Bayesian approach to estimating parameters of ANN model helps to avoid 'overfitting' of network to 'learning data'. The Bayesian methodology gives a tool for unified evaluation of approximation model also. Presented paper includes a comparison between ANN and regression models of ship's propulsion plant performance approximation. The data has been taken from propulsion plant simulator. The real data describing propulsion plant behavior of car-ferry, under variable external conditions (weather, draft, bottom fouling) are analyzed by Bayesian ANN as well.

PL

Aproksymacja jest jednym z możliwych zastosowań Sztucznych Sieci Neuronowych (SNN). Wykazuje się [ I. T. Nabney, "Netlab. Algorithms for Pattern Recognition" Springer Verlag 2002], że SNN składająca się z: warstwy wejściowej, pierwszej warstwy ukrytej składającej się z neuronów o sigmoidalnej funkcji przejścia, drugiej warstwy ukrytej składającej się z neuronów o liniowej funkcji przejścia, warstwy wyjściowej, jest uniwersalnym aproksymatorem. Oznacza to, Ze można aproksymować z założoną dokładnością każdą funkcję ciągłą w pewnym obszarze danych wejściowych, o ile ilość neuronów w pierwszej warswie ukrytej jest wystarczająco duża oraz parametry sieci (wagi i wartości stałe) są właściwie wyznaczone. Wykorzystanie metodyki Bayesa do estymacji parametrów SNN skutecznie zapobiega nadmiernemu dopasowaniu sieci do danych uczących oraz daje możliwość porównania modeli użytych do aproksymacji. W prezentowanym artykule porównano wyniki aproksymacji charakterystyki napędowej statku przy pomocy SNN oraz modelu regresji liniowej. Wykorzystano dane uzyskane z symulatora siłowni okrętowej. Ponadto, przy pomocy bayesowskich sieci neuronowych, znalizowano zachowanie się układu napędowego rzeczywistwj jednostki pływającej (prom pasażersko samochodowy) z uwzględnieniem zmiennych warunków zewnetrznych (pogoda, zanurzenie, stan podwodnej części kadłuba).

• Wydawca: Polish Academy of Sciences - Branch in Gdańsk Marine Technology Committee of the Polish Academy of Sciences
• Czasopismo: Marine Technology Transactions. Technika Morska
• Rocznik: 2004
• Tom: Vol. 15
• Strony: 307--316
• Opis fizyczny: Bibliogr. 12 poz., rys., tab.

Twórcy

autor

Marciniak J.

• Technical University of Szczecin, Faculty of Maritime Technology al. Piastów 41, 71-065 Szczecin, Poland

Bibliografia

• 1. Dowdy S., Wearden S., Statistics for research John Wiley&Sons 1983
• 2. Erinfolami Lateef, badania współpracy układu napędowo-energetycznego statku z rybackim zestawem trałowym PhD thesis, Politechnika Gdańska Wydział Oceanotechniki i Okrętownictwa, Gdańsk 2001
• 3. Ferdinale V., De Lembre R. Service-performance and seakeeping trials on a car-ferry International Shipbuilding Progress Vol. 17, December 1970, No. 196
• 4. Jóźwiak J., Podgórski J. Statystyka od podstaw, Polskie Wydawnictwo Ekonomiczne 2000
• 5. MacKay D. J. C. Bayesian Methods for Adaptive Models PhD thesis Californian Institute of Technology 1992
• 6. Nabney I. T. NETLAB Algorithms for Pattern Recognition, Springer Verlag 2002
• 7. Ossowski S. Sieci neuronowe do przetwarzania informacji Oficyna Wydawnicza Politechniki Warszawskiej 2000
• 8. Ossowski S. Sieci neuronowe w ujęciu algorytmicznym WNT 1996
• 9. Rutkowska D., Piliński M., Rutkowski L. Sieci neuronowe, algorytmy genetyczne i systemy rozmyte, Wydawnictwo Naukowe PWN, Warszawa-Łódź 1999
• 10. Stolcman S., Piegat A., Szcześniak J. Effectivness investigation of the RBF-neural network applied to modeling of the ship propulsion systems with controlllable pitch propeller (CPP), Polish Maritime Research, June 1999
• 11. MATLAB - the language of technical computing The MathWorks 2000
• 12. Propulsion Plant Trainer PPT2000-M22-PC 11 Users Manual Kongsberg Norcontrol AS 1998