基于局部加权学习的船舶操纵运动辨识建模

摘要

船舶操纵运动数学模型不仅是航海模拟器的核心技术之一，也是船舶运动控制研究的重要仿真平台。非参数模型直接研究系统输入与输出之间的映射关系，避免模型结构不精确问题，从理论上能够建立具有较高精度的船舶运动数学模型。本文基于数据驱动理念，以局部加权学习算法(Locally Weighted Learning，LWL)为基础，进行系统深入的理论探索研究，提出一种非参数辨识建模方法，期望为航海模拟器、航海控制工程等提供精度更高的船舶运动数学模型。
　　LWL算法是一种典型的非参数学习算法，广泛应用于控制机器人等系统。船舶运动不同于机器人运动，船舶操纵运动具有大惯性、严重非线性的特点。本文分别从算法应用、距离测度优化及计算复杂度3个方面展开研究，目的是提出一套满足航海模拟器需求的，较为完备的建模理论与方法。主要工作和成果如下:
　　1.LWL算法应用研究。本文基于数据驱动思想，以局部加权学习算法为基础，研究全局最优和局部最优LWL算法在船舶操纵运动建模领域的应用。基于支持向量机升维思想，将上一时刻船舶运动速度和加速度信号引入系统输入空间，提升输入空间维度，解决了船舶运动状态一对多映射、不可分问题，利用LWL算法的局部逼近特性克服了船舶运动状态的非线性问题。
　　以一组数值算例、Delta Linda号拖轮模拟器以及Mariner轮整体型数学模型为仿真研究对象进行仿真研究。采用数值算例进行仿真研究，局部最优LWL较传统全局最优LWL拟合精度提高了40.1％。以Delta Linda号拖轮数学模型和Mariner轮整体型模型为研究对象，建立船舶操纵运动数学模型。仿真结果与模型数据进行对比，两者符合地很好，说明本文算法能有效学习船舶操纵运动特性，是一种有效地建模方法;
　　2.距离测度优化研究。传统LWL算法采用梯度下降法学习距离测度，易导致距离测度局部最优和过学习欠学习。通过重新定义一种适应度函数，赋予最优距离测度以最大的适应度，提出一种改进遗传寻优算法，从多点展开并行搜索，能有效解决梯度下降算法存在的局部最优问题和训练距离测度时过学习欠学习问题。引入模式理论定性分析了本文提出适应度函数较传统适应度函数的优越性。以一组数值算例和育鲲轮实船试验数据进行仿真验证。通过数值算例仿真与文献方法进行对比，拟合精度提高了11.81％。育鲲轮实船数据能有效检验本文方法的有效性，仿真表明本文方法能有效学习育鲲轮的船舶操纵运动特性，是一种有效的距离测度训练方法;
　　3.距离测度优化研究。提出一种多新息梯度迭代算法，解决了优化距离测度的过学习欠学习问题和训练时间较长问题。该算法采用过去和当前迭代的目标函数梯度学习距离测度，能有效减少训练时间。同时研究了新息长度、距离测度初值以及收敛因子对算法收敛性的影响。证明了该算法估计误差可以收敛到0。以Mariner轮整体型模型和育鲲轮实船试验数据为仿真研究对象，仿真结果表明，与局部最优LWL相比训练时间缩短了95.26％，能有效学习船舶操纵运动特性，是一种有效的距离测度训练方法;
　　4.计算复杂度研究。为了减小LWL算法计算复杂度，提出一种网格索引构建子空间算法，为每个预测点分配一个子空间。LWL算法预测时只需调用子空间，而非整个训练数据集，能有效降低LWL算法的计算复杂度。由于网格索引算法本身计算复杂度较小，因此该算法能有效降低模型整体计算复杂度。本文从计算量和计算机执行时间两方面对算法计算复杂度进行评价。以Mariner轮整体型数学模型为仿真研究对象，Z形试验仿真结果表明，与局部最优LWL算法相比计算机执行时间减少了95.0％，与k邻近算法相比减少了34.80％。仿真结果表明，本文算法能有效地学习船舶操纵运动特性，降低了LWL算法计算复杂度，保证了模型的实时性。

目录

声明

摘要

术语表

第1章绪论

1．1研究背景及来源

1．2研究意义

1．2．1理论意义

1．2．2工程意义

1．3航海模拟器船舶操纵运动数学模型研究进展

1．4船舶操纵运动辨识建模研究进展

1．4．1传统灰箱辨识建模研究进展

1．4．2智能灰箱辨识建模研究进展

1．4．3黑箱辨识建模研究进展

1．5 LWL算法研究进展

1．5．1 LWL算法理论研究进展

1．5．2 LWL算法应用研究进展

1．6 LWL船舶操纵运动建模的优点与难点

1．7论文的主要工作和内容

第2章船舶操纵运动辨识建模基础

2．1基本概念

2．2船舶操纵运动试验设计

2．3试验数据处理

2．4研究对象

2．4．1 Mariner轮整体型数学模型

2．4．2 Delta Linda拖轮模型简介

2．4．3育鲲轮简介

2．5经典辨识算法介绍

2．5．1最小二乘辨识算法

2．5．2岭回归算法

2．5．3BP神经网络算法

2．6 LWL辨识算法

2．6．1 LWL算法定义

2．6．2距离

2．6．3高斯核函数

2．6．4目标函数

2．6．5交叉验证

2．6．6 LWL算法

2．7本章小结

第3章基于局部加权学习的辨识建模方法

3．1问题描述及解决方法

3．2基于全局最优LWL的辨识建模

3．2．1全局最优LWL算法

3．2．2数值算例仿真

3．2．3 Delta Linda拖轮试验数据

3．2．4 Delta Linda拖轮仿真研究

3．3基于局部最优LWL的辨识建模

3．3．1局部最优LWL算法

3．3．2数值算例仿真

3．3．4 Mariner轮仿真研究

3．4本章小结

第4章基于改进遗传寻优局部加权学习的船舶操纵运动辨识建模

4．1距离测度研究现状

4．2遗传算法概述

4．3一种改进的适应度函数

4．3．1问题描述

4．3．2现有适应度函数分析

4．3．3改进适应度函数

4．4改进遗传算法及性能分析

4．4．1改进遗传算法步骤

4．4．2改进遗传算法性能分析

4．5改进遗传寻优LWL辨识建模仿真研究

4．5．1数值算例仿真

4．5．2育鲲轮实船数据仿真

4．6本章小结

第5章基于多新息梯度迭代局部加权学习的船舶操纵运动辨识建模

5．1问题描述

5．2多新息梯度迭代算法

5．3多新息梯度迭代算法收敛性能分析

5．4 Marinet轮仿真对比分析

5．4．1多新息梯度迭代LWL辨识建模仿真结果

5．4．2多新息梯度迭代LWL仿真结果分析

5．5多新息梯度迭代LWL育鲲轮辨识建模仿真

5．6本章小结

第6章基于网格索引构建子空间局部加权学习的船舶操纵运动辨识建模

6．1基于LWL算法的船舶运动数学模型建模步骤

6．2航海模拟器船舶运动数学模型实时性

6．3 LWL算法计算复杂度研究现状

6．4 LWL算法计算复杂度分析

6．5网格索引构建子空间算法

6．6网格索引构建子空间LWL仿真研究

6．6．1网格划分讨论

6．6．2 Mariner轮仿真建模

6．7本章小结

第7章结论与展望

7．1结论

7．2展望

参考文献

附录

攻读学位期间公开发表论文

攻读学位期间其他研究成果

攻读学位期间参加的科研项目

致谢

作者简介