CN107292015B - 基于神经网络算法的水下航行器均衡潜浮模型评估方法 - Google Patents
基于神经网络算法的水下航行器均衡潜浮模型评估方法 Download PDFInfo
- Publication number
- CN107292015B CN107292015B CN201710452977.0A CN201710452977A CN107292015B CN 107292015 B CN107292015 B CN 107292015B CN 201710452977 A CN201710452977 A CN 201710452977A CN 107292015 B CN107292015 B CN 107292015B
- Authority
- CN
- China
- Prior art keywords
- model
- underwater vehicle
- emp
- neural network
- error coefficient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于计算机模拟仿真评估领域,具体的涉及基于神经网络算法的水下航行器均衡潜浮模型仿真评估方法,包括:设定多种工况下的输入参数,对水下航行器均衡潜浮模型的数学模型进行试验;当所述潜浮模型达到设定状态时,记录各项输入输出参数作为一个样本集;利用神经网络算法对所述样本集进行数值分析,得到所述数学模型与理想值之间的误差系数;若所述误差系数在规定范围内,则用所述误差系数来评估所述潜浮模型。本发明可以评估水下航行器均衡潜浮模型的准确性。
Description
技术领域
本发明属于计算机模拟仿真评估领域,具体的涉及基于神经网络算法的水下航行器均衡潜浮模型仿真评估方法。
背景技术
近年来,水下航行器无论是在民用还是在军用上,都扮演着重要的角色。作为国防工业中的重要组成部分,其操纵控制技术发展迅速。水下航行器的操纵由原来分散布置的四个***协同合作的控制方式发展为集所有控制装置于一体的“操纵控制***”的控制方式。均衡潜浮是水下航行器操纵控制技术的重要组成部分,其又可以细分为浮力均衡和纵倾均衡。随着水下航行器操纵控制技术的迅速发展,纵倾均衡分***的控制精度也越来越高。
但是由于水下航行器构造复杂,水下航行器上设备较多,海上环境多变,试验耗费大量人力物力,对于水下航行器控制技术的试验验证比较困难。三维仿真模拟验证方法可以有效的进行模型模拟,而且可以通过可视化的方法给试验人员更直观的呈现试验效果。但是对水下航行器建成的均衡潜伏模型并没有相关评估方法,不知所建的水下航行器均衡潜伏模型的准确性,所以对水下航行器控制技术的试验验证也没有相关有效方法。
发明内容
本发明要解决的技术问题在于,克服现有技术的不足,提供基于神经网络算法的水下航行器均衡潜浮模型仿真评估方法,其可以评估水下航行器均衡潜浮模型的准确性。
本发明所涉及的基于神经网络算法的水下航行器均衡潜浮模型仿真评估方法,包括以下步骤:
设定多种工况下的输入参数,对水下航行器均衡潜浮模型的数学模型进行试验;
当所述潜浮模型达到设定状态时,记录各项输入输出参数作为一个样本集;
利用神经网络算法对所述样本集进行数值分析,得到所述数学模型与理想值之间的误差系数;
若所述误差系数在规定范围内,则用所述误差系数来评估所述潜浮模型。
进一步地,若所述误差系数超出规定范围,则改变输入参数,将改变后的输入参数代入所述数学模型重新进行试验:
当所述潜浮模型达到设定状态时,记录改变后的输入输出参数作为一个新的样本集;
利用神经网络算法对所述新的样本集进行数值分析,得到所述数学模型与理想值之间的新的误差系数;
利用加权算法对所述新的误差系数进行校正,得到校正后的误差系数;
利用所述校正后的误差系数来评估所述潜浮模型。
更进一步地,所述数值分析,具体包括:
设有样本集:(Xm,ym),m=1~M;
求最佳参数δa,使得风险函数Re m p(δ)达到最小值;
将δa和最小值Re m p作为权向量和阈值参数,计算得到所述误差系数。
再进一步地,所述Re m p(δ)表达式为:
还进一步地,
所述求最佳参数δa,使得风险函数Re m p(δ)达到最小值,包括:
加入最陡降算法和迭代算法;
根据所述最陡降算法和迭代算法得到δa和最小值Re m p。
又进一步地,所述加入最陡降算法和迭代算法的计算公式为:
δ(k+1)=δ(k)+Δδ(k) (2)
优选地,
所述根据所述最陡降算法和迭代算法得到最佳参数δa和最小值Re m p,具体包括:
令a取较小值,使得||Δδ(k)||<<1,则有:
Re m p(δ(k+1))=Re m p(δ(k))+ΔRe m p(δ(k)) (4)
由公式(4)可知,Re m p(δ(k))随着k的增加而下降,所述δ(k)趋向于 Re m p(δ)的一个局部极小点;
取所述局部极小点对应的Re m p(δ)为最佳参数δa。
优选地,
将δa和最小值Re m p作为权向量和阈值参数,计算得到所述误差系数,具体包括:
将δa和最小值Re m p作为权向量和阈值参数,代入下列公式:
优选地,
在本发明中,利用神经网络算法对不同工况下的输入参数数值分析,从而求出水下航行器均衡潜浮模型的数学模型与理想值之间的误差系数,通过误差系数来评价水下航行器均衡潜浮模型。因此,提供了一种进行水下航行器控制技术的试验验证的渠道。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例方法的框架图;
图2是本发明实施例的方法流程图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
如图1和图2所示,在发明所述的基于神经网络算法的水下航行器均衡潜浮模型仿真评估方法之前,首先要建立水下航行器均衡潜浮模型的数学模型;
均衡潜浮模型主要是指艏艉之间移水的变化规律,受压力等多种因素的干扰,数学模型比较复杂。此处使用的为减压器后的压力为0.579Mpa,且纵倾角在0°~35°范围内的数学模型,具体如下:
均衡潜浮艏向艉移水的数学模型:
WS(t)=WS(t-Δt)+WS(Δt)
均衡潜浮艉向艏移水的数学模型:
t代表移水时间,单位:s;
Δt代表移水时间步长,单位:s;
WS(Δt)代表Δt时间内的移水量,单位:m3;
WS(t)代表t时刻的移水量,单位:m3;
α1代表Δt时间内的起始纵倾角,单位:°;
α2代表Δt时间内末端纵倾角,单位:°。
对水下航行器搭建三维可视化场景;利用三维建模工具建立水下航行器各主要部件的三维模型。将模型导入场景编辑引擎中,依据模型算法调整各部件参数,建立完整的水下航行器虚拟场景。将上述数学模型转化为场景脚本,绑定到场景中的模型上,在场景中进行模拟试验。
本发明所述的基于神经网络算法的水下航行器均衡潜浮模型仿真评估方法,包括以下步骤:
101、设定多种工况下的输入参数,对水下航行器均衡潜浮模型的数学模型进行试验;
102、当所述潜浮模型达到设定状态时,记录各项输入输出参数作为一个样本集;
103、利用神经网络算法对所述样本集进行数值分析,得到所述数学模型与理想值之间的误差系数;
104、若所述误差系数在规定范围内,则用所述误差系数来评估所述潜浮模型。
201、若所述误差系数超出规定范围,则改变输入参数,将改变后的输入参数代入所述数学模型重新进行试验;
202、当所述潜浮模型达到设定状态时,记录改变后的输入输出参数作为一个新的样本集;
203、利用神经网络算法对所述新的样本集进行数值分析,得到所述数学模型与理想值之间的新的误差系数;
204、利用加权算法对所述新的误差系数进行校正,得到校正后的误差系数;
205、利用所述校正后的误差系数来评估所述潜浮模型。
所述数值分析,具体包括:
设有样本集:(Xm,ym),m=1~M;
求最佳参数δa,使得风险函数Re m p(δ)达到最小值;
将δa和最小值Re m p作为权向量和阈值参数,计算得到所述误差系数。
所述Re m p(δ)表达式为:
所述求最佳参数δa,使得风险函数Re m p(δ)达到最小值,包括:
加入最陡降算法和迭代算法;
根据所述最陡降算法和迭代算法得到δa和最小值Re m p。
所述加入最陡降算法和迭代算法的计算公式为:
δ(k+1)=δ(k)+Δδ(k) (2)
所述根据所述最陡降算法和迭代算法得到最佳参数δa和最小值Re m p,具体包括:
令a取较小值,使得||Δδ(k)||<<1,则有:
Re m p(δ(k+1))=Re m p(δ(k))+ΔRe m p(δ(k)) (4)
由公式(4)可知,Re m p(δ(k))随着k的增加而下降,所述δ(k)趋向于 Re m p(δ)的一个局部极小点;
取所述局部极小点对应的Re m p(δ)为最佳参数δa。
将δa和最小值Re m p作为权向量和阈值参数,计算得到所述误差系数,具体包括:
将δa和最小值Re m p作为权向量和阈值参数,代入下列公式:
其中:
利用神经网络算法对新的样本集进行数值分析的方法和上述利用神经网络对样本集进行数值分析的方法完全相同,只是相关数据不同,所以在此就不再赘述。
在本实施例中,利用虚拟现实技术在三维模型空间中实现水下航行器内部各***机舱设备控制仿真和三维可视化的功能;为未来方案验证、装备论证、仿真试验、技术研究等业务提供基础仿真平台。这种建模方法避免实体试验艇的建设,这一点大大减少了装备开发研究的成本,符合水下航行器研究的发展趋势。
本实施例中的评估方法,加入了神经网络算法,可以从复杂的各种参数中进行信息处理,快速地进行计算,得出所需要的结果。并且加入了迭代算法,这减小了个别误差较大点对整体误差值计算的影响力,也大大提高了评估方法的准确度。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (7)
1.一种基于神经网络算法的水下航行器均衡潜浮模型仿真评估方法,其特征在于,包括以下步骤:
设定多种工况下的输入参数,对水下航行器均衡潜浮模型的数学模型进行试验;
当所述潜浮模型达到设定状态时,记录各项输入输出参数作为一个样本集;
利用神经网络算法对所述样本集进行数值分析,得到所述数学模型与理想值之间的误差系数;
若所述误差系数在规定范围内,则用所述误差系数来评估所述潜浮模型;
所述数值分析,具体包括:
设有样本集:(Xm,ym),m=1~M;
求最佳参数δa,使得风险函数Remp(δ)达到最小值;
将δa和最小值Remp作为权向量和阈值参数,计算得到所述误差系数;
所述Remp(δ)表达式为:
2.根据权利要求1所述的基于神经网络算法的水下航行器均衡潜浮模型仿真评估方法,其特征在于,
若所述误差系数超出规定范围,则改变输入参数,将改变后的输入参数代入所述数学模型重新进行试验;
当所述潜浮模型达到设定状态时,记录改变后的输入输出参数作为一个新的样本集;
利用神经网络算法对所述新的样本集进行数值分析,得到所述数学模型与理想值之间的新的误差系数;
利用加权算法对所述新的误差系数进行校正,得到校正后的误差系数;
利用所述校正后的误差系数来评估所述潜浮模型。
3.根据权利要求2所述的基于神经网络算法的水下航行器均衡潜浮模型仿真评估方法,其特征在于,
所述求最佳参数δa,使得风险函数Remp(δ)达到最小值,包括:
加入最陡降算法和迭代算法;
根据所述最陡降算法和迭代算法得到δa和最小值Remp。
5.根据权利要求4所述的基于神经网络算法的水下航行器均衡潜浮模型仿真评估方法,其特征在于,
所述根据所述最陡降算法和迭代算法得到最佳参数δa和最小值Remp,具体包括:
令a取值,使得||Δδ(k)||<<1,则有:
Remp(δ(k+1))=Remp(δ(k))+ΔRemp(δ(k)) (4)
由公式(4)可知,Remp(δ(k))随着k的增加而下降,所述δ(k)趋向于Remp(δ)的一个局部极小点;
取所述局部极小点对应的δemp(δ)为最佳参数δa。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710452977.0A CN107292015B (zh) | 2017-06-15 | 2017-06-15 | 基于神经网络算法的水下航行器均衡潜浮模型评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710452977.0A CN107292015B (zh) | 2017-06-15 | 2017-06-15 | 基于神经网络算法的水下航行器均衡潜浮模型评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107292015A CN107292015A (zh) | 2017-10-24 |
CN107292015B true CN107292015B (zh) | 2020-09-01 |
Family
ID=60097059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710452977.0A Active CN107292015B (zh) | 2017-06-15 | 2017-06-15 | 基于神经网络算法的水下航行器均衡潜浮模型评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292015B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109625333B (zh) * | 2019-01-03 | 2021-08-03 | 西安微电子技术研究所 | 一种基于深度增强学习的空间非合作目标捕获方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102679982A (zh) * | 2012-04-06 | 2012-09-19 | 西北工业大学 | 一种面向不确定任务时间的自主水下航行器航路规划方法 |
CN106780434A (zh) * | 2016-11-15 | 2017-05-31 | 天津大学 | 水下图像视觉质量评价方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140107839A1 (en) * | 2012-10-16 | 2014-04-17 | Massachusetts Institute Of Technology | High efficiency, smooth robot design |
-
2017
- 2017-06-15 CN CN201710452977.0A patent/CN107292015B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102679982A (zh) * | 2012-04-06 | 2012-09-19 | 西北工业大学 | 一种面向不确定任务时间的自主水下航行器航路规划方法 |
CN106780434A (zh) * | 2016-11-15 | 2017-05-31 | 天津大学 | 水下图像视觉质量评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107292015A (zh) | 2017-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109345875B (zh) | 一种提高船舶自动识别***测量精度的估计方法 | |
Banazadeh et al. | Frequency domain identification of the Nomoto model to facilitate Kalman filter estimation and PID heading control of a patrol vessel | |
CN104992002B (zh) | 一种面向智能蒙皮天线的应变传感器布局方法 | |
CN114218875A (zh) | 一种用于流场预测的加速方法及装置 | |
Shafiei et al. | Application of neural network and genetic algorithm in identification of a model of a variable mass underwater vehicle | |
CN115496006A (zh) | 一种适用于高超声速飞行器的高精度数值模拟方法 | |
CN107292015B (zh) | 基于神经网络算法的水下航行器均衡潜浮模型评估方法 | |
Njaka et al. | Method for improving existing maneuvering models to accommodate large drift angles | |
CN116992577B (zh) | 跨介质航行器的仿真方法、***、设备及存储介质 | |
CN112414668A (zh) | 一种风洞试验数据静气弹修正方法、装置、设备及介质 | |
CN115438571A (zh) | 一种基于机器学习的地波雷达波浪场计算方法及装置 | |
CN114611420A (zh) | 非定常气动力计算精度评估及修正方法 | |
Zhou et al. | A study of hybrid prediction method for ship parametric rolling | |
CN113761645A (zh) | 用于水下航行器壳体设计的方法、装置及设备 | |
Kim et al. | A study on the sensitivity analysis of the hydrodynamic derivatives on the maneuverability of kvlcc2 in shallow water | |
CN110937082A (zh) | 一种基于随机风场和海浪的船舶倾覆风险测试方法 | |
CN106372345A (zh) | 船舶坞墩的受力分析方法及装置 | |
CN113283137B (zh) | 一种有机防护涂层体系下结构件腐蚀效应控制仿真方法 | |
CN110083946A (zh) | 一种基于无约束优化模型的多状态模型修正的方法 | |
CN105093933B (zh) | 一种确定lpv变增益控制器的方法 | |
CN111783957A (zh) | 模型量化训练方法、装置、机器可读存储介质及电子设备 | |
CN108711203B (zh) | 一种基于代理模型的破损船体波浪载荷快速预报方法 | |
Zhuoyi et al. | Structure design of an autonomous underwater vehicle made of composite material | |
Koskinen | Numerical simulation of ship motion due to waves and manoeuvring | |
Lin et al. | Study on resistance of multi-function small surface boat design |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |