基于神经网络预报的气垫船运动参数滤波装置及方法

摘要

本发明提供的是一种基于神经网络预报的气垫船运动参数滤波装置及方法。包括神经网络预报单元、新息分析单元、状态估计单元、状态预测单元和权值调整单元，神经网络预报单元实现观测变量的提前预报，新息分析单元产生估计值增益和预测值增益，状态估计单元产生当前状态估计值，状态预测单元产生下一时刻预测值，权值调整单元用来对神经网络的权值进行更新。本发明通过神经网络预报可实现气垫船运动参数的精确估计，不但能提高气垫船运动参数的估计精度，还可以有效的改善气垫船运动参数的延时。非常适用于高速航行背景下的气垫船运动参数的快速估计。

说明书

技术领域

本发明涉及的是一种气垫船的数据滤波装置及方法，特别是一种由神经网络预报器和新 息分析单元组成的气垫船的运动参数滤波方法。

背景技术

气垫船是一种能够实现高速航行的现代船舶。由于气垫船不是靠水的浮力，而是靠一定 压力的气垫航行，因此它既能在水面上航行，可以贴近水面航行，又可以在陆地行驶，还能 够在空中飞行，是一种特殊新型船体。由于航行时阻力小，航行速度可达200km/h。航行过 程中主要靠空气流产生的向心力，该向心力一般都较小，因此，在风浪影响下，如果控制不 恰当，就容易造成气垫泄气而导致侧漂或翻船。

实际中当气垫船在海浪中航行时，由于海浪的扰动，运行参数诸如纵倾、横倾将会有较 大的波动，会严重干扰船体的运行，甚至引发灾难。因此，需要对气垫船运行参数进行滤波， 以降低海浪的干扰。(1)由于气垫船的模型的复杂性，目前还没有一种准确的系统模型。而 传统的滤波方法具有很强的模型依赖性，模型的不确定会使滤波效果大大降低甚至发散。(2) 传感器直接测量得到的观测数据往往有一定的滞后，不能满足实时性的要求。针对这两个问 题，目前还没有一种能够有效的应用于气垫船运动参数的数据滤波的方法。

发明内容

本发明的目的在于提供一种能够减少海浪造成的参数干扰，提高估计的实时性和估计精 度的基于神经网络预报的气垫船运动参数滤波装置。本发明的目的还在于提供一种基于神经 网络预报的气垫船运动参数滤波方法。

本发明的基于神经网络预报的气垫船运动参数滤波装置主要包括神经网络预报单元、新 息分析单元、状态估计单元、状态预测单元和权值调整单元，神经网络预报单元实现观测变 量的提前预报，新息分析单元产生估计值增益和预测值增益，状态估计单元产生当前状态估 计值，状态预测单元产生下一时刻预测值，权值调整单元用来对神经网络的权值进行更新。

本发明的基于神经网络预报的气垫船运动参数滤波方法包括如下步骤：

(1)建立在固定坐标系下气垫船六自由度运动学方程；

(2)构建小脑模型神经网络预报单元，生成预报的观测值；

(3)结合神经网络的预报值和状态估计值得到状态新息；

(4)基于新息分析法得到状态变量的估计增益和预测增益；

(5)由新息和估计增益得到状态估计值；

(6)由新息和预测增益得到状态预测值；

(7)使用状态估计值更新小脑模型神经网络的权值，得到下一时刻的预报值。

本发明的有益效果在于：基于神经网络预报单元产生未来时刻的观测数据，由于其结构 的特殊性，因而具有更好的泛化能力，并且对学习数据出现的次数不敏感。因而采用该网络 对观测数据进行预报，不仅能够克服系统模型不准确性带来的影响，而且不受观测数据延时 和数据无序到达的影响。基于新息分析的方法，利用神经网络预报值来产生未来时刻的状态 估计增益和状态预测增益，克服了实时测量数据受观测噪声影响较大以及具有一定滞后的弊 端。通过神经网络的预报，降低了海浪噪声对观测值的影响。同时使用最新的估计值去更新 神经网络权值的大小，克服了测量模型不准确带来的问题，从而能够根据实际情况对观测值 做到实时的预报，要比基于模型的观测值具有更高的精度。基于神经网络预报的滤波能够满 足气垫船状态参数的快速变化，克服传统滤波带来的时间滞后和观测模型不准确问题，达到 超前精确的滤波效果。

附图说明

图1本发明的基于神经网络预报的气垫船运动参数滤波装置结构框图。

图2本发明的基于神经网络预报的气垫船运动参数滤波方法结构。

图3神经网络预报单元结构图。

图4本发明的基于神经网络预报的气垫船运动参数滤波方法流程图。

具体实施方式

下面结合附图对本发明作进一步的详细描述。

结合图1，本发明的基于神经网络预报的气垫船运动参数滤波装置主要包括神经网络预 报单元、新息分析单元、状态估计单元和状态预测单元。神经网络预报单元实现观测变量的 提前预报，新息分析单元产生估计值增益和预测值增益，状态估计单元产生当前状态估计值， 状态预测单元产生下一时刻预测值，权值调整单元用来对神经网络的权值进行更新。

神经网络预报单元，采用新息分析法根据预报的观测变量进行当前时刻状态的估计和下 一时刻状态的预测。

新息分析单元，新息分析单元的输入为神经网络预报的观测值和前一时刻预测单元预测 的输出值。

预报单元包含三层网络结构，分别是为输入层，隐含层和输出层。根据状态变量来对输 出变量进行预测。

单元的输出为状态估计增益和状态预测增益。分别输送给估计单元和预测单元，进而求 得状态的估计值和下一时刻预测值。

结合图4，本发明的基于神经网络预报的气垫船运动参数滤波方法的下：

1.以气垫船六自由度位置参考系统为研究对象，气垫船的运动状态模型是：

其中ψ为艏向角，θ为纵倾角，为横倾角。u、v、w为轴向速度。p、r、q为姿态 角速度。ξ，η，ζ表示转化为固定坐标系下的坐标基底。

由系统微分方程式(1)可得离散化系统方程：

x(t)＝f(x(t-1))+w(t-1)(2)

其中，状态变量系统过程噪声w(t-1)是高斯白噪声。

观测方程为：

z(t)＝h(x(t))+v(t),t≥0,(3)

其中，观测向量z(t)，h_i＝I_6×6，测量噪声v(t)是高斯白噪声序列。

2.以小脑模型神经网络(CMAC-CerebellarModelArticulationController)作为预报单元， CMAC是一种表格查询式自适应神经网络。能够学习任意多维非线性映射，该算法已经被证 明能够有效的应用于非线性函数的逼近。本发明采用如图3所示的神经网络结构，采用该神 经网络进行预测时，状态变量x作为神经网络的输入空间，然后将每一个输入x进行量化成 为q个等级，这样，对于具有p个分量的x空间就会现q^p种可能的组合，然后基于网络的非 线性逼近能力，得到输出z的预测值分量为：

$z^l=\underset{j=1}{\overset{N_l}{\Sigma }}{w}_j{a}_j\left(x\right)---\left(4\right)$

其中w_j是第j个存储单元的权值，若a_j(x)激活，其值为1，否则为0。只有N_l个单元对 输出有影响。然后，就可以得到下一步的预测值z＝[z¹,z²,...,z^l,]，作为下一步滤波的观测值。

3.结合神经网络的预报值z(t)和状态预测值x(t|t-1)得到状态新息:

$ϵ\left(t\right)=z\left(t\right)-h\left(\hat{x}\right(t|t-1\left)\right)---\left(5\right)$

其中，ε(t)是t时刻的新息值，z(t)是CMAC模型预报的测量值，是t时刻的预 测值。

4.基于新息分析的方法得到状态变量估计增益K(t)和预测增益L(t)

首先计算新息的协方差矩阵Q_ε(t)，以便下一步计算估计增益和预测增益，计算公式为：

Q_ε(t)＝E[ε(t)ε^T(t)](6)

然后计算估计增益K(t)和预测增益L(t)，为了充分利用当前的新息和前一时刻的新息可 采用如下所示的计算公式：

K(t)＝E[x(t)ε^T(t)]Q_ε^-1(t)+E[x(t-1)ε^T(t-1)]Q_ε^-1(t-1)(7)

L(t)＝E[x(t+1)ε^T(t)]Q_ε^-1(t)+E[x(t)ε^T(t-1)]Q_ε^-1(t-1)(8)

5.由新息值和估计增益得到状态估计值：

基于上一步骤的预测值，然后基于递推的思想，利用当前时刻和前一时刻的新息以及一 步预测值，由估计增益K(t)，计算当前时刻的估计值，如下

$\hat{x}\left(t\right|t)=\hat{x}\left(t\right|t-1)+K\left(t\right)\left(0.5ϵ\right(t)+0.5ϵ(t-1\left)\right)---\left(9\right)$

6.由新息和预测增益得到状态预测值：

同理，基于递推的思想，利用当前时刻和前一时刻的新息以及一步预测值，由预测增益 L(t)，计算下一时刻的预测值，如下

$\hat{x}(t+1|t)=f\left(\hat{x}\right(t|t-1\left)\right)+L\left(t\right)\left(0.5ϵ\right(t)+0.5ϵ(t-1\left)\right)---\left(10\right)$

7.利用状态估计值更新CMAC神经网络的权值，得到下一时刻的预报值z(t+1):

利用当前时刻的估计值，作为神经网络新增加的输入，来得到下一时刻的观测输出的预 报z(t+1)。