Lietoto transportlīdzekļu skaits pieaug ļoti strauji. Tas izraisa lielāku negadījumu skaitu. Daudzu negadījumu un avāriju cēlonis ir autovadītāja faktors. Risinājums varētu būt bezpilota transporta kontrole. Taču šāda transporta izmantošana noved pie citas problēmas – kā nodrošināt drošu braukšanu un izvairīties no bezpilota transporta sadursmēm. Promocijas darba zinātniskais jaunums ir iebūvētas sistēmas tehnoloģija, kas spēj mācīties reāllaikā, lai izvairītos no avārijām bez iepriekšējas apmācības, datu kopām un skolotāja. Šī tehnoloģija ir universāla dažādiem transporta veidiem. Autors to nosauca par imūno neironu tīklu (INN). Tā ir simbioze, kurā tiek izmantoti mākslīga neironu tīkla (ANN) un mākslīgas imūnas sistēmas (AIS) labākās īpašības. Atsevišķi katram no tiem ir virkne trūkumu. ANN nepieciešama iepriekšēja apmācība, tas var būt pārtrenēts utt. AIS nav nepieciešama apmācība, bet optimizācija prasa laiku, un to nevar izmantot reāllaika kontrolei. Jaunā INN sistēma apvieno ANN iespējas un AIS ir pielāgota reāllaika drošības kontrolei. Promocijas darba galvenais mērķis ir izstrādāt uz imūnneironu tīklu balstītu mašīnmācības tehnoloģiju bez uzraudzības drošai transportlīdzekļa vadībai. Galvenā hipotēze ir tāda, ka imūnais neironu tīkls var pieņemt vadības lēmumus, lai novērstu transportlīdzekļu sadursmes ar labāku veiktspēju nekā tradicionālais neironu tīkls šajā uzdevumā. Tika definēti šādi uzdevumi: - Izpētīt elektrotransporta satiksmes kustības vadības objektus un to mijiedarbību. - Izpētīt esošos risinājumus bīstamo situāciju atpazīšanai un novēršanai elektrotransportā, kas balstīti uz ANN algoritmiem. - Salīdzināt centralizētās, decentralizētās un dalītās sistēmas struktūras, izvēlēties definētam uzdevumam piemērotāko un izstrādāt jaunu sistēmas struktūru, kas varētu palīdzēt piedāvāto sistēmu padarīt lētāku, ātrāku un vieglāk ieviešamu. - Izstrādāt matemātiskos modeļus un algoritmus, kas varētu palīdzēt risināt dažāda veida transporta drošības un sadursmju novēršanas uzdevumus, piemēram, objektu atpazīšanas uzdevumu, luksoforu signālu atpazīšanas uzdevumu, iespējamo krustojuma punktu noteikšanas uzdevumu, sadursmes varbūtības novērtēšanas uzdevumu, sadursmju novēršanas uzdevumu. - Izstrādāt jaunu uz INN balstītu algoritmu UEV bīstamo situāciju atpazīšanas un novēršanas uzdevumam. - Izstrādāt UEV elektriskās ķēdes diagrammu ar imūnatmiņu, pamatojoties uz viena borta datoru. - Veikt datorsimulācijas un pierādīt piedāvāto algoritmu efektivitāti. Promocijas darba ievads satur uzdevuma formulējumu, esošo problēmas risinājumu veidu analīzi, izvēlētās tēmas pamatojumu un atbilstību, piedāvāto algoritmu un metožu praktisko pielietojumu.6 Promocijas darba pirmā daļa ir veltīta centralizēto, decentralizēto un dalīto sistēmu modeļu salīdzināšanai un jaunas sistēmas struktūras izstrādei, kas varētu palīdzēt piedāvāto sistēmu padarīt lētāku, ātrāku un vieglāk ieviešamu. Matemātiskie modeļi un mērķa funkcija ir aprakstīti promocijas darba otrajā daļā. Matemātiskie modeļi ir balstīti uz tādiem algoritmiem kā konvolucionālais neironu tīkls (CNN) un mākslīgais neironu tīkls (ANN), kā arī uz jauno uz INN balstītu mašīnmācības tehnoloģiju bez uzraudzības drošai transportlīdzekļa vadībai. Trešā daļa ir veltīta promocijas darbā izmantotajām metodēm un algoritmiem. Tika pētīta un aprakstīta elektrotransporta sakaru un vadības metožu izvēle. Ir izstrādāti vairāki algoritmi: - CNN algoritms objektu atpazīšanas uzdevumam; - luksoforu sarkanā signāla atpazīšanas algoritms; - ANN balstīts algoritms sadursmes varbūtības novērtēšanai un minimizēšanai; - jauns uz INN balstīts algoritms sadursmes varbūtības novērtēšanai un minimizēšanai. Ceturtajā daļā ir parādīti izstrādātie prototipi un datormodeļi piedāvāto algoritmu testēšanai. Izstrādātās sistēmas elektrotehniskais apraksts ar elektriskās shēmas skaidrojumu piedāvāts arī šajā promocijas darba daļā. Promocijas darba pēdējā daļa ir veltīta izstrādāto algoritmu efektivitātes pārbaudes rezultātiem. Izstrādātie algoritmi tika pārbaudīti ar datormodelēšanas palīdzību.