详情

原文传递基于模糊BP神经网络船舶避碰理论与方法研究

论文题名：	基于模糊BP神经网络船舶避碰理论与方法研究
关键词：	船舶避碰;模糊推理;BP神经网络;船舶碰撞;信息处理;碰撞危险度
摘要：	船舶碰撞危险度和船舶避碰决策系统的研究一直是航海人员最关心的问题。目前，在这个领域还存在很多问题，包括碰撞危险。研究船舶碰撞危险度的目的是为避碰决策提供依据。以前，我们只是通过观测到的目标船的原始数据，如距离和方位以及它们的变化情况，判断船舶是否存在碰撞危险，即是否有和目标船发生碰撞的可能。事实上，深入研究并处理这些观测数据，会得到意想不到的、有价值的信息。人工神经网络是模仿延伸人脑认知功能的新型智能信息处理系统。采用电子或光子等元件实现模仿人脑神经细胞的结构和功能，构造具有人脑智能的人工智能信息处理系统。生物神经元相对于电子电路来说非常慢(10-3秒相对于10-9秒)，人脑却能以比现有计算机快得多的速度完成许多任务。这主要是因为生物神经网络具有巨大的并行性，即所有的神经能同时工作。以联接机制为基础的神经网络具有大量的并行性、巨量的互连性、存储的分布性、高度的非线性、高度的容错性、结构的可变性、计算的非精确性等特点。神经网络具有自学习、自适应和自组织性能。具有处理非常模糊、复杂问题的能力。 BP网络是现在理论较完整、应用最广泛的神经网络。它采用光滑活化函数(又称激活函数)，具有一个或多个隐层，相邻两层之间通过权值全连接。它是前传网络，即所处理的信息逐层向前流动。而当学习权值时，却是根据理想输出与实际的误差，由前向后逐层修改权值(BackPropagation)。研究BP网络在各控制领域的应用是当前的国际热点课题，由于BP网络功能的特点，已被成功实现于很多识别判定工作环境，如图象识别、最佳选择判定、系统优化等。在船舶操纵过程中，如何处理船舶会遇局势，如何选择最佳避让时机和方案，一直是研究工作者的课题。本文主要利用神经网络的自学习、自适应、自组织性、以及处理非线性问题的独特功能，设计避碰系统或优化避碰系统。 (1)以最具代表性的判定依据Dc、Tc为网络输入，通过学习专家样本实现基本危险度的识别。充分体现神经网络的的自学习、自适应、自组织性。根据DCPA和TCPA概念的涵义，提出了空间碰撞危险度和时间碰撞危险度的概念，采用多因素分别建立了两种碰撞危险度模型，并根据刺激—反应思想，较合理地确定了两种危险度的合成算子。 (2)由于BP网络的强大分类功能，它可非常理想的完成多因素影响的碰撞危险度等级识别工作，且比人工判断更全面、更客观、更稳定、更快速。用信号处理与特征提取技术直接提取会遇局势的各参数为输入信号向量，并依据前人经验与本人实验摸索，设计一个合理BP神经网络，并对资料提供的专家样本进行学习，训练调整出网络最佳权值和阈值分布。提出了空间碰撞危险度和时间碰撞危险度的概念，建立了多因素的动态碰撞危险度模型。同时应用新兴起的神经网络工具，区别于他人研究，以一船获得的另一船的原始数据作为BP神经网络的输入，探讨了确定碰撞危险度的快速BP神经网络，通过仿真，结果理想。这经由训练过的网络便可将会遇局势按设计的分类方式将碰撞危险度分为若干等级(等级数目由设计者决定)。 (3)分析模糊危险度判定系统，针对危险隶属函数中有关经验参数，分析影响这些参数的因素。对受各种环境因素影响的参数采用BP网络学习得出最佳结果，由此优化判定系统，使之更客观、更准确、更自动化。对避碰规则规定的三种会遇局面进行了定量划分及对避碰行动局面进行了划分。基于避碰规则及对船员调查，通过定性与定量分析，运用模糊理论对三种会遇局面进行了定量划分；并在此基础上，对避碰行动局面进行了划分。该结果较全面地总结了船员对海上避碰规则的认识，完善了ACAS知识库。神经网络的研究还处在一个发展阶段，然而，它已逐渐显现了巨大威力。当前是以长远发展目标与近期效果结合来不断发展神经网络。
作者：	陈雪娟
专业：	控制工程
导师：	何怡刚;郭家穗
授予学位：	硕士
授予学位单位：	湖南大学
学位年度：	2005
正文语种：	中文