Анализ эволюции нейросетевых методов глубокого обучения и алгоритмов фильтрации состояний для отслеживания и прогнозирования траекторий движения морских объектов в системе поддержки принятия решений

В статье представлен комплексный анализ эволюции нейросетевых архитектур для задач компьютерного зрения с оценкой перспектив роста вычислительной сложности и повышения точности алгоритмов обработки визуальной информации. Современные методы глубокого обучения обладают высоким потенциалом для применения в системах безэкипажного судовождения, обеспечивая повышение уровня автономности, навигационной безопасности и устойчивости управления в условиях динамично изменяющейся морской обстановки. Цель исследования заключается в разработке прототипа системы поддержки принятия решений (СППР), обеспечивающей автоматизированное обнаружение, отслеживание и прогнозирование траекторий движения морских объектов на основе гибридного сочетания нейросетевых методов компьютерного зрения и алгоритмов фильтрации состояний. Синергия компьютерного зрения и СППР является важным шагом на пути к созданию полностью автономных систем принятия решений, которые позволят автоматизировать процессы визуального контроля, повысить навигационную безопасность и снизить влияние человеческого фактора. Научная новизна исследования заключается в гибридном подходе, сочетающем глубокие нейронные сети и алгоритмы фильтрации состояний, адаптированные к морскому мониторингу. Выбрана наиболее оптимальная нейросетевая архитектура для интеграции в СППР с адаптивным фильтром Калмана. При создании прототипа СППР использованы методы предварительной обработки данных, аугментации и оптимальные режимы обучения в условиях ограниченных вычислительных ресурсов. В основу программной реализации положена модифицированная архитектура YOLO v11, интегрированная с адаптивным фильтром Калмана для обнаружения, слежения и прогнозирования траекторий движения морских объектов. Разработанная система обеспечивает обработку изображений, видео и видеопотока реального времени. Результаты исследования подтверждают практическую значимость гибридного подхода и возможность его внедрения в интеллектуальные системы мониторинга и управления морским транспортом. The article presents a comprehensive analysis of the evolution of neural network architectures for computer vision tasks, including an assessment of the prospects for increasing computational complexity and improving the accuracy of visual information processing algorithms. Modern deep learning methods demonstrate significant potential for application in unmanned maritime navigation systems, ensuring increased autonomy, navigation safety, and resilience of control in dynamically changing marine environments. The aim of the study is to develop a prototype of a Decision Support System (DSS) that provides automated detection, tracking, and trajectory prediction of maritime objects based on a hybrid combination of neural network computer vision methods and state-filtering algorithms. The synergy of computer vision and DSS represents an important step toward the creation of fully autonomous decision-making systems capable of automating visual monitoring processes, enhancing navigation safety, and reducing the impact of the human factor. The scientific novelty of the research lies in a hybrid approach that combines deep neural networks and state-filtering algorithms adapted to maritime monitoring. The most optimal neural network architecture was selected for integration into the DSS with an adaptive Kalman filter. The DSS prototype development applied data preprocessing techniques, augmentation methods, and optimal training regimes under limited computational resources. The software implementation is based on a modified YOLO v11 architecture integrated with an adaptive Kalman filter for the detection, tracking, and trajectory prediction of maritime objects. The developed system supports the processing of images, videos, and real-time video streams. The research results confirm the practical significance of the hybrid approach and the feasibility of its integration into intelligent systems for maritime transport monitoring and control.