基于神经网络的船舶运动姿态建模预报

摘要

在实际工程中存在大量的非线性系统，船舶运动系统就是其中之一。由于受到海风、海浪及其他干扰因素的影响，船舶产生了复杂的六自由度运动，具有很强的随机性和非线性，为保证其航行安全，对其进行非线性建模预报就具有十分重大的意义。 神经网络是当前最主要的智能控制技术之一，它模拟人脑的结构及其对信息的记忆和处理功能，具有擅长从输入输出数据中学习有用的知识的特性。本文从神经网络理论出发，深入地研究了BP神经网络和径向基函数网络及其相应改进算法，并用之于船舶运动建模预报，取得了比较好的效果。 首先搜集整理了国内外有关船舶运动姿态预报技术的相关资料，学习了神经网络的基本理论，对BP神经网络进行深入研究和探讨，并使用共轭梯度算法对BP神经网络进行改进，使得网络性能得到改进，提高了预报精度。 然后研究径向基函数网络(RBF)及其变形——广义回归网络(GRNN)，并用之于船舶运动预报，取得了满意的效果。分析比较了上述几种方法的预报精度误差、训练算法速度、时间等性能指标。 最后对训练样本数据个数、神经元个数的选择进行了探讨和经验总结。

目录

文摘

英文文摘

声明

第1章绪论

1.1船舶运动建模预报的目的和意义

1.2国内外的研究现状

1.3神经网络应用于船舶运动预报的研究现状

1.3.1神经网络研究现状

1.3.2神经网络用于船舶运动预报的研究现状

1.4本文所作的工作

第2章人工神经网络基础

2.1人工神经网络概论

2.2人工神经元模型

2.3神经网络基本结构

2.3.1单层前馈网络

2.3.2多层前馈网络

2.3.3递归网络

2.4人工神经网络学习规则

2.5本章小结

第3章基于改进的BP神经网络船舶运动预报

3.1 BP神经网络

3.1.1 BP网络基本原理

3.1.2 BP网络的学习算法

3.1.3 BP网络的局限

3.1.4 BP网络学习方法的一些常用改进方法

3.2共轭梯度算法

3.2.1共轭梯度算法简介

3.2.2共轭梯度方向的形成

3.2.3共轭梯度算法的计算步骤

3.3用改进的BP神经网络进行预报

3.3.1输入数据预处理

3.3.2输入数据归一化处理

3.3.3运用改进后的BP网络进行7秒预报

3.3.4运用改进后的BP网络进行10秒船舶姿态角预报

3.4本章小结

第四章基于改进的RBF神经网络预报

4.1径向基函数网络(RBF网络)概述

4.2径向基函数网络模型结构

4.2.1径向基函数神经元模型

4.2.2径向基函数网络结构

4.3利用改进的径向基函数网络进行预报

4.3.1改进的RBF网络结构

4.3.2应用改进的RBF网络结构进行未来7秒预报

4.3.3应用改进的RBF网络结构进行未来10s预报

4.4本章小结

结 论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致 谢