原文传递
变结构神经网络及其在船舶运动在线预测中的应用研究
| 论文题名： | 变结构神经网络及其在船舶运动在线预测中的应用研究 |
| 关键词： | 变结构神经网络;船舶运动;在线预测;序贯学习算法;梯度信息 |
| 摘要： | 随着航运事业的发展，对船舶运动尤其是船舶实海况下运动的辨识、预测和控制提出了更高的要求。将神经网络技术应用于船舶运动辨识、预测与控制成为近年来的一个研究方向。径向基函数(RBF)神经网络由于其结构简单、收敛速度快、无局部极小等特点使其在在线辨识、预测及控制领域中的应用有着独特的优势。本文对序贯学习构造的变结构RBF神经网络在船舶操纵运动预测控制中的应用进行了探讨。 根据对神经网络在线应用的要求，本文提出了一种新的RBF神经网络的序贯学习算法——梯度正交模型选择(GOMS)算法，该算法利用滑动数据窗口反映系统当前的动态，通过学习窗口内数据反映的系统信息和梯度信息，在线构造变结构的神经网络，并在每一步学习后利用得到的网络进行系统状态预测，并基于预测结果进行控制。 利用GOMS算法在线构造的变结构神经网络对船舶的横摇运动进行在线预测。建立船舶横摇运动预测模型，在线调整网络的结构和权值，构造基于变结构RBF神经网络的在线预测模型，并通过船舶海上回转试验与Z型试验的实测数据验证算法的有效性。 灰色预测模型可以有效减少系统状态预测中数据中存在的不确定性对预测结果的不利影响。通过灰色关联度分析确定灰色预测模型，利用在线序贯极限学习机(OS-ELM)算法在线构造的变结构神经网络对船舶横摇进行在线预测，通过对船舶定向航行过程中的横摇运动进行预测实验以验证算法。 结合参数化辨识和非参数化辨识，结合两种辨识的优点，构造模块化的预测模型，分别利用最小二乘法和递归偏最小二乘法作为参数化辨识模块，以GOMS算法构造的变结构神经网络作为非参数化辨识模块，对船舶运动的预测进行仿真实验，并基于该模块化的预测器进行船舶航向跟踪预测控制仿真。 |
| 作者： | 尹建川 |
| 导师： | 邹早建 |
| 授予学位： | 博士后 |
| 授予学位单位： | 上海交通大学 |
| 学位年度： | 2012 |
| 正文语种： | 中文 |
检索历史
应用推荐
