| 研究課題/領域番号 |
07805089
|
|---|
| 研究機関 | 東京商船大学 |
|---|
研究代表者 |
萩原 秀樹 東京商船大学, 商船学部・情報システム設計工学講座, 教授 (30126338)
|
|---|
| 研究分担者 |
庄司 るり 東京商船大学, 商船学部・情報システム設計工学講座, 助手 (50272729)
桑島 進 東京商船大学, 商船学部・海洋工学講座, 教授 (30016943)
杉崎 昭生 東京商船大学, 商船学部・情報システム設計工学講座, 教授 (20016926)
|
|---|
| キーワード | ニューラルネットワーク / 航路選定 / 高層気象 / シミュレーション |
|---|
| 研究概要 |
500hPa高度の分布パターンを入力信号とし、サンフランシスコから東京に至る18本のルートの優劣値(ルートスコア)を出力信号とする航路選定ニューラルネットワークを開発した。このネットワークは入力層と隠れ層(中間層)および出力層から成り、入力層と隠れ層のユニット数は96個、出力層のユニット数は18個とした。1978年〜83年までの冬季における105航海についてこのニューラルネットワークの学習を行った。学習を行うための教師信号には、18本のルート上を実況波浪データを用いて船を航走させるシミュレーションを行い、得られた航海時間によるルートスコアを用いた。18本のルートの最短時間ルートに0.9、最長時間ルートに0.1というスコアを与え、他のルートは航海時間に応じて0.1〜0.9の間のスコアを与えた。105航海のすべての学習パターンにおける出力信号と教師信号の差の2乗和の1/2として評価関数を定義し、その値が0.5以下になるまで学習を行った。
上記の学習に用いた教師信号は、18本のルートを相対的に評価するものであったが、各ルートを絶対的に評価した教師信号を用いた学習も行った。これは出力信号から各ルートの航海時間が予測できることが利点であるが、現段階ではその予測精度は十分ではなく、またパターン認識の点からは相対的な評価による教師信号を用いる方が有利である。
また、対処する問題の複雑さが増えるにつれ、ニューラルネットワークの規模は増大していく。そこで、ネットワーク全体をいくつかのサブネットワークに分割し、各サブネットワークが独自に学習を行えるようなWRニューラルネットワーク(Combined Weather Routing Neural Network)を構築し、その能力評価テストを行った。サブネットワークを有するWRニューラルネットワークは、相対評価WRニューラルネットワークおよび絶対評価WRニューラルネットワークと同様、最適あるいは準最適な航路を提供することができた。
|
