基于神經(jīng)網(wǎng)絡(luò)的船舶運(yùn)動(dòng)姿態(tài)建模及預(yù)報(bào)研究.pdf

1、艦船運(yùn)動(dòng)具有很強(qiáng)的隨機(jī)性和非線性,直接影響著船上武備系統(tǒng)精度和艦載機(jī)安全著艦,因此對(duì)船舶運(yùn)動(dòng)姿態(tài)進(jìn)行極短期預(yù)報(bào)研究具有重要的意義。神經(jīng)網(wǎng)絡(luò)具有非線性映射、自學(xué)習(xí)、自適應(yīng)等優(yōu)點(diǎn),常被用于非線性系統(tǒng)的建模與預(yù)報(bào):基于神經(jīng)網(wǎng)絡(luò)的融合應(yīng)用技術(shù)已成為近年來(lái)船舶運(yùn)動(dòng)建模及預(yù)報(bào)的一個(gè)重要方向。本文將神經(jīng)網(wǎng)絡(luò)與非線性、灰色理論、粒子算法等相結(jié)合,提出了非線性回歸模型和灰色神經(jīng)網(wǎng)絡(luò)組合模型；同時(shí)針對(duì)船舶運(yùn)動(dòng)的動(dòng)態(tài)性,提出了帶輸出反饋的遞歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

2、。主要研究工作及創(chuàng)新成果如下：
　　 ⑴用非線性自回歸模型(NAR)來(lái)描述非線性的艦船運(yùn)動(dòng)。由于模型中非線性函數(shù)系數(shù)形式難以確定,本文用一組RBF網(wǎng)絡(luò)來(lái)逼近,建立了RBF-NAR模型。采用結(jié)構(gòu)化非線性參數(shù)優(yōu)化方法來(lái)辨識(shí)模型參數(shù)；證明了模型穩(wěn)定性；針對(duì)網(wǎng)絡(luò)中心初值盲目選取、易陷入局部最小值的缺點(diǎn),本文用量子行為的粒子算法來(lái)改進(jìn),提高了模型精度和泛化能力。仿真研究表明,RBF-NAR模型比線性自回歸模型有更好的預(yù)測(cè)精度,同時(shí)用粒子算

3、法改進(jìn)的模型大大增強(qiáng)得到全局最優(yōu)解的可能,進(jìn)一步提高了預(yù)測(cè)精度。
　　 ⑵為提高非線性預(yù)報(bào)速度,本文首次采用BP網(wǎng)絡(luò)映射的方法求解二階灰色模型(GM),避免了矩陣求解；利用灰色累加技術(shù)削弱船舶運(yùn)動(dòng)數(shù)據(jù)的隨機(jī)性和波動(dòng)性,從組合優(yōu)化的角度,將GM(2,1)模型與RBF網(wǎng)絡(luò)有機(jī)結(jié)合建立了GMRBF(2,1)模型；二者較二階灰色模型都能有效減小預(yù)測(cè)值的抖動(dòng)偏差,提高了預(yù)測(cè)精度,同時(shí)具有較快的預(yù)測(cè)速度。
　　 ⑶針對(duì)船舶運(yùn)動(dòng)動(dòng)態(tài)時(shí)

4、變的特點(diǎn),本文提出將對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)的輸出層輸出信號(hào)反饋到隱含層輸入,建立了帶輸出反饋的DRNN神經(jīng)網(wǎng)絡(luò)(ODRNN)模型,推導(dǎo)了模型學(xué)習(xí)算法和更新規(guī)則,證明了穩(wěn)定性并給出學(xué)習(xí)率的選取范圍。仿真研究表明,ODRNN無(wú)需事先確定系統(tǒng)的階數(shù),可離線掌握系統(tǒng)動(dòng)態(tài)信息并具有良好的預(yù)測(cè)精度。
　　 ⑷采用視景仿真技術(shù)對(duì)船舶運(yùn)動(dòng)過(guò)程進(jìn)行三維建模和可視化仿真；利用VC++開(kāi)發(fā)了仿真控制軟件并設(shè)計(jì)了人機(jī)對(duì)話界面,實(shí)現(xiàn)了交互式控制；通過(guò)網(wǎng)絡(luò)通訊實(shí)