基于神经网络的船舶运动姿态建模及预报研究

摘要

舰船运动具有很强的随机性和非线性,直接影响着船上武备系统精度和舰载机安全着舰,因此对船舶运动姿态进行极短期预报研究具有重要的意义。神经网络具有非线性映射、自学习、自适应等优点,常被用于非线性系统的建模与预报:基于神经网络的融合应用技术已成为近年来船舶运动建模及预报的一个重要方向。本文将神经网络与非线性、灰色理论、粒子算法等相结合,提出了非线性回归模型和灰色神经网络组合模型；同时针对船舶运动的动态性,提出了带输出反馈的递归神经网络预测模型。主要研究工作及创新成果如下：
　　 ⑴用非线性自回归模型(NAR)来描述非线性的舰船运动。由于模型中非线性函数系数形式难以确定,本文用一组RBF网络来逼近,建立了RBF-NAR模型。采用结构化非线性参数优化方法来辨识模型参数；证明了模型稳定性；针对网络中心初值盲目选取、易陷入局部最小值的缺点,本文用量子行为的粒子算法来改进,提高了模型精度和泛化能力。仿真研究表明,RBF-NAR模型比线性自回归模型有更好的预测精度,同时用粒子算法改进的模型大大增强得到全局最优解的可能,进一步提高了预测精度。
　　 ⑵为提高非线性预报速度,本文首次采用BP网络映射的方法求解二阶灰色模型(GM),避免了矩阵求解；利用灰色累加技术削弱船舶运动数据的随机性和波动性,从组合优化的角度,将GM(2,1)模型与RBF网络有机结合建立了GMRBF(2,1)模型；二者较二阶灰色模型都能有效减小预测值的抖动偏差,提高了预测精度,同时具有较快的预测速度。
　　 ⑶针对船舶运动动态时变的特点,本文提出将对角递归神经网络的输出层输出信号反馈到隐含层输入,建立了带输出反馈的DRNN神经网络(ODRNN)模型,推导了模型学习算法和更新规则,证明了稳定性并给出学习率的选取范围。仿真研究表明,ODRNN无需事先确定系统的阶数,可离线掌握系统动态信息并具有良好的预测精度。
　　 ⑷采用视景仿真技术对船舶运动过程进行三维建模和可视化仿真；利用VC++开发了仿真控制软件并设计了人机对话界面,实现了交互式控制；通过网络通讯实现数据传输,使六自由度稳定平台系统能跟随视景仿真船舶一致运动。