声明
摘要
第一章 绪论
1.1 研究背景以及研究目的和意义
1.2 相关研究进展
1.2.1 船舶操纵性预报研究进展
1.2.2 基于系统辨识的船舶操纵运动建模研究进展
1.3 本论文的主要工作和创新
第二章 船舶操纵运动数学模型
2.1 船舶操纵运动坐标系
2.2 整体型数学模型
2.3 分离型数学模型
2.4 响应型数学模型
2.5 本章小结
第三章 船舶操纵性试验
3.1 船舶操纵自航模试验
3.2 船舶操纵约束模试验
3.3 本章小结
第四章 支持向量机
4.1 支持向量机简介
4.2 支持向量回归机
4.2.1 线性支持向量回归机
4.2.2 核函数
4.2.3 ε-支持向量回归机
4.3 不同损失函数下的支持向量回归机
4.4 基于支持向量回归机的系统辨识方法
4.5 本章小结
第五章 小波分析方法应用于船舶操纵性试验数据预处理
5.1 小波分析简介
5.1.1 多分辨分析
5.1.2 小波变换
5.1.3 小波分解与重构算法
5.2 小波分析在信号消噪方面的应用
5.2.1 小波消噪方法简介
5.2.2 基本消噪模型
5.3 小波函数
5.3.1 Haar小波
5.3.2 Daubechies小波
5.3.3 Coiflet小波族
5.4 小波分析应用于自航模Z形试验数据的消噪
5.4.1 基于db4小波的Z形试验数据消噪
5.4.2 基于Haar小波和coifl小波的Z形试验数据消噪
5.5 小波分析方法有效性验证
5.5.1 基于含噪Z形试验数据分析的辨识建模
5.5.2 基于经过消噪处理的Z形试验数据分析的辨识建模
5.6 本章小结
第六章 基于船舶操纵自航模试验分析的辨识建模-仿真验证
6.1 SVM应用于响应模型辨识建模
6.1.1 样本对构造
6.1.2 辨识建模结果
6.1.3 不敏感因子ε对辨识建模的影响
6.2 SVM应用于Abkowitz模型辨识建模
6.2.1 样本对构造
6.2.2 模型变量之间的多重共线性分析
6.2.3 辨识建模中参数漂移现象的抑制
6.2.4 模型建模结果
6.2.5 回归模型的泛化性验证
6.3 本章小结
第七章 基于船舶操纵约束模试验分析的辨识建模-试验验证
7.1 样本对构造
7.1.1 用于斜拖试验分析的样本对构造
7.1.2 用于纯横荡试验分析的样本对构造
7.2 线性相关性分析
7.3 辨识建模结果
7.3.1 基于斜拖试验分析的辨识建模结果
7.3.2 基于纯横荡试验分析的辨识建模结果
7.4 本章小结
第八章 Abkowitz模型中的非线性函数关系辨识
8.1 切比雪夫神经网络简介
8.1.1 切比雪夫神经网络模型
8.1.2 权值更新公式
8.1.3 切比雪夫神经网络训练算法
8.2 样本对构造
8.3 切比雪夫神经网络应用于非线性函数关系辨识
8.3.1 切比雪夫神经网络结构参数设置
8.3.2 泛化性验证
8.4 BP神经网络应用于非线性函数关系辨识
8.4.1 BP神经网络结构参数设置
8.4.2 泛化性验证
8.5 SVM应用于非线性函数关系辨识
8.5.1 核函数结构参数
8.5.2 泛化性验证
8.6 本章小结
第九章 研究总结与展望
9.1 全文总结
9.2 研究展望
参考文献
攻读博士学位期间参加的科研项目
攻读博士学位期间撰写的论文与开发的软件
致谢