CN108563119A - 一种基于模糊支持向量机算法的无人艇运动控制方法 - Google Patents
一种基于模糊支持向量机算法的无人艇运动控制方法 Download PDFInfo
- Publication number
- CN108563119A CN108563119A CN201810254250.6A CN201810254250A CN108563119A CN 108563119 A CN108563119 A CN 108563119A CN 201810254250 A CN201810254250 A CN 201810254250A CN 108563119 A CN108563119 A CN 108563119A
- Authority
- CN
- China
- Prior art keywords
- data
- support vector
- unmanned boat
- vector machine
- training
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于模糊支持向量机算法的无人艇运动控制方法,属于运动控制技术领域,首先采集无人艇航行的数据和外部环境数据,划分为训练数据和测试数据进行预处理,对预处理结果查找分隔阈值。然后判断训练数据量是否大于等于阈值,如果是,对训练数据采用粒子群算法,否则采用网格搜索算法,得到最优配置参数进行验证和简化。输入预处理后的测试数据,若其线性可分,带入模糊支持向量机得到最优决策面;若线性不可分,将数据映射到高维空间,然后训练得到最优决策面。将船体的环境干扰力数据划分为训练数据和测试数据,得到最优模糊支持向量机的输出补偿到运动环境中。本发明提高无人艇运动效果,有效减少由于环境干扰所产生的偏差。
Description
技术领域
本发明属于运动控制技术领域,涉及无人艇的航速航向控制,特别涉及一种基于模糊支持向量机的无人艇运动控制方法。
背景技术
无人艇是一种具有自主航行能力的水面无人运载平台,最早应用于二战期间,最初的设计目的是在近海区域进行排雷或扫除障碍物,然而由于受到技术的限制,在随后几十年一直没有取得显著的发展。随着高新科技的飞速发展,无人艇也随之受到了重视:由于其体积小、反应快、灵敏度高,且能高效地完成较为复杂的任务,因而在民用、军事作战等方面具有重要的应用价值。目前,对于无人艇运动控制的研究已有不少学者发表了相关文献,主要的研究方法包括:经典的PID以及改进PID控制、模糊控制以及神经网络控制等。
经典PID以及改进PID控制是根据无人艇的控制偏差作为输入,经过比例、积分和微分环节消除误差的方法。其优点主要在于不需要精确的被控对象模型,原理简答、使用方便、适应性强和鲁棒性好等。缺点就是主要适用于简单的被控对象,对于复杂的、具有大滞后、大惯性的对象效果不好。如Bibuli M发表的《Path-following algorithms andexperiments for an unmanned surface vehicle》讨论了基于航向运动数学模型的控制设计方法,利用I-PD控制器和Kalman滤波器运动控制器,并进行实验取得较好的控制效果。
模糊控制是将无人艇运动的偏差和偏差率作为***输入,经过模糊化、模糊规则的运行,最后解模糊输出的过程。模糊控制具有许多传统控制方法无法比拟的优点。如文献1:哈尔滨工程大学硕士论文2013年3月,董早鹏的《无人艇运动模糊控制技术研究》论文中使用了Mamdani和Takagi-Sugeno模糊控制技术来对无人艇的航速航向进行控制,其具有不需要精确数学模型、鲁棒性强、速度快等优点。但是,在建立模糊规则的时候,如果不具备相关领域的知识,建立的模糊规则往往收敛效果不好,这样对于方案的通用性较差,***调试难度增加。所以模糊规则建立这块需要采用更为智能的算法,如神经网络和支持向量机。
神经网络是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法模型。它通过调整内部大量节点之间相互连接的关系,从而达到信息处理的目的。因此从模糊控制中将模糊化的数据放入神经网络,通过自我学习就可以得到相关模型,用此模型取代模糊规则,这样就不用依赖专家经验知识了。孙巧梅的《无人艇建模及逻辑网络自适应控制方法研究》论文(大连海事大学博士论文2013年6月)中使用了模糊神经网络的方法对无人艇的运动进行控制,根据两者所具有的优缺点进行互补,扩宽了神经网络的信息处理范围和能力,同时也使模糊规则的自动提取和隶属函数的自动生成有可能得到解决。但是神经网络在训练模型时,存在着需要数据量大,容易过拟合以及难以解释相关模型实现等缺点,所以选择实现方法更好的支持向量机来进行无人艇的运动控制。
支持向量机算法是建立一个最优决策超平面,使得该平面两侧距离该平面最近的两类样本之间的距离最大化,从而对分类问题提供良好的泛化能力。孙宗海的《支持向量机及其在控制中的应用研究》论文(浙江大学2003年8月)中使用了模糊最小二乘支持向量机的方法,将模糊化的数据放入支持向量机的网络进行学习,输出相关控制曲线。该方法很好的拟合了所需要相关曲线特性,但是在支持向量机最优参数选定上,更多的是凭借经验或者全局搜索的方式,使得在大量数据的情况下,模型训练较慢。另外,采用最小二乘的支持向量机,虽然在计算量上减小了,但是在预测精度上有所欠缺,这对于执行本身滞后的***来说,存在一定的问题。
发明内容
针对现有的模糊支持向量机在寻找最优参数时速度较慢,使得整个***在大量数据情况下得到模型的时间较长,而影响无人艇***的运动;同时,对于在无人艇运动过程中预测精度较低的问题。本发明提出一种基于模糊支持向量机算法的无人艇运动控制方法;
具体步骤如下:
步骤一:针对某无人艇船体,通过传感器采集该无人艇航行的数据和外部环境数据,并划分为训练数据和测试数据;
无人艇航行的数据包括:GPS读取无人艇位置和航速信息;磁罗盘读取无人艇的航向信息;加速度计测量加速度信息,即速度偏差率;同时根据舵机特性得知PWM值所对应的舵机偏转角。
无人艇外部环境数据包括艇长、空载重量、型深、满载航速、满载吃水和持续时间等基本信息。
将无人艇航行的数据存储,并将一部分作为训练数据,一部分作为测试数据。
步骤二:对训练数据和测试数据,均采用隶属函数和模糊方程进行预处理;
步骤三、分别采用粒子群算法和网格搜索算法,对预处理结果通过二分法查找分隔阈值。
具体为:对预处理的数据进行二分,取其中一半数据进行输入训练,如果粒子群算法所用时间比网格搜索算法所用时间少,则减少一半数据量输入;反之,则增加一半数据量输入。如此迭代直到两者所用时间相差不大为止,此时的数据量设为阈值。
步骤四、将预处理后的训练数据量与阈值对比,判断训练数据量是否大于等于阈值,如果是,对训练数据采用粒子群算法,否则采用网格搜索算法,训练模糊支持向量机模型得到最优配置参数;
配置参数包括:惩罚参数c、核函数参数g、交叉验证数v以及核函数类型t;
步骤五、对最优配置参数的模糊支持向量机模型进行K-CV验证并简化。
首先,将经过预处理后的训练数据随机切分为K个互不相交的大小相同的子集。
然后,利用其中K-1个子集训练模糊支持向量机,余下的子集作为测试模型;重复进行K次训练,最后选出K次评测中平均误差最小的模糊支持向量机模型。
最后,对平均误差最小的模糊支持向量机模型进行简化;
模糊支持向量机的输出为多个核函数训练后进行加权,不同的核函数对整个数据的影响不同,通过每次减少一个核函数的数量来确定输出值的变化情况,然后对不同核函数的影响程度进行排序,选取排序前十个的核函数即可;
步骤六、对简化后的模糊支持向量机输入经过预处理的测试数据,并判断输入数据是否线性可分,如果是,进入步骤七;否则,进入步骤八;
判断方法如下;输入的测试数据处在二维平面,因此将测试数据分为两类M+和M-,通过对两类数据集求解各自的凸闭合曲线,如果两个闭合曲线相交,则为线性不可分,反之,则为线性可分。
步骤七、将线性可分的测试数据,带入模糊支持向量机进行计算得到最优决策面;
得到最优决策面是指,得到船体航速的作用力和对船体航向的作用力
步骤八、输入的测试数据线性不可分,使用高斯核函数将数据映射到高维空间实现线性可分,然后进行训练得到最优决策面。
步骤九、针对该无人艇船体的环境干扰力数据,划分为训练数据和测试数据,并重复上述步骤,得到最优模糊支持向量机的输出作为前馈控制力,补偿到该无人艇的运动环境中,从而抑制外界干扰所带来的偏差;
补偿设为因此最后得到作用于船体的作用力为:由此对船进行控制。
本发明的优点在于:
(1)一种基于模糊支持向量机的无人艇运动控制方法,采用了粒子群算法和网格搜索算法的混合算法来对模糊支持向量机找寻最优参数,通过优化模糊支持向量机参数从而获得最好的模型,提高无人艇运动效果。
(2)一种基于模糊支持向量机的无人艇运动控制方法,根据无人艇在进行控制时会受到外界环境干扰的情况进行分析,除了反馈和机械补偿以外,还加入了前馈控制机制。
(3)一种基于模糊支持向量机的无人艇运动控制方法,通过传感器采集外界环境的相关参数,结合船体受力分析可以得到参数与受力之间的关系,通过模糊支持向量机进行模型训练,可以得到相关模型,有效减少由于环境干扰所产生的偏差。
(4)一种基于模糊支持向量机的无人艇运动控制方法,采用了模型简化操作,模型中会有多个核函数对输入数据进行评判,但是有些核函数对于输入数据的影响较小,省略不会影响整个模型的训练精度,同时还能减小模型,使其更好的适应嵌入式设备之上。
附图说明
图1是本发明中无人艇运动***算法原理框图。
图2是本发明提出的基于模糊支持向量机的无人艇运动控制方法的流程图。
图3是本发明中基于模糊支持向量机的无人艇运动控制方法中粒子群算法流程图。
具体实施方式
下面结合附图对本发明的具体实施方法进行详细说明。
本发明针对无人艇运行数据模型训练较慢,从而影响***运行的问题,采用了粒子群算法和网格搜索算法结合的参数寻优方式,首先针对训练集的数据量进行分析,设定一个阈值,这个阈值采用二分法进行试验,在这个阈值内,网格搜索和粒子群搜索算法在时间上的差别不会影响到***的正常运行,此时网格搜索的精确度要高于粒子群算法,就以网格搜索为主。如果数量大于这个阈值,训练时间已经有了较大的影响,就会采用粒子群算法为主。因此混合算法使得模糊支持向量机算法能找到最优参数,从而较好的控制无人艇的运动。采用混合算法充分考虑到训练模型的实际问题,能够既保证***的运行速度,也保证***寻优的精确度问题。然后将得到的训练模型进行剪枝操作,简化模型的大小,使得其更好的应用在嵌入式设备上。
另外,无人艇由于会受到外界环境的干扰,所以会导致在运行过程中存在偏差问题,针对此问题,也提出了相关的补偿机制,除了对于机械结构和反馈控制的补偿,在这个***中加入前馈补偿的机制,主要通过外界环境相关参数进行模型训练,得到相关的前馈控制力的作用。这种控制方法一方面避免了对于船体和环境需要建立精确模型的困难,另一方面,可以通过自我学习不断优化控制模型从而执行相关任务。
本发明中无人艇运动***算法原理如图1所示,包括三层:
(1)输入层;实现对输入变量和的模糊化过程,并作为控制***的输入;
(2)隐含层;完成二维输入与SVM进行核运算功能;加入粒子群或网格算法是为了对预处理的数据量进行判定,加快模型参数配置。核函数根据输入数据的特点采用两种核函数,速度核函数使用线性核,即k(x,y)=xTy+c,航向核函数被设为高斯核函数,即k(x,y)=exp(-|x-y|2/2σ2),式中σ为核宽度,它反映了边界封闭包含的半径。
(3)输出层。通过解模糊化的操作,对数据进行SVM回归。
如图2所示,具体包括以下几个步骤:
步骤一:针对某无人艇船体,通过相关传感器采集该无人艇航行的数据和外部环境数据,并划分为训练数据和测试数据;
根据实物规格说明书,得到无人艇船体相关数据包含艇长、空载重量、型深、满载航速、满载吃水、持续时间等基本信息。
从传感器中读取无人艇航行数据,包括GPS读取无人艇位置和航速信息;磁罗盘读取无人艇的航向信息;加速度计测量加速度信息,即速度偏差率;同时根据舵机特性得知PWM值所对应的舵机偏转角,从而推算出相关机械结构的偏转量。
坐标转换,无人艇最后的航迹显示部分为电子海图,需要将所得到的位置信息(单位:弧度),转换为地理坐标(单位:米),再转换为海图坐标(单位:0.01毫米)来显示。
将无人艇航行的数据存储在excel表格中,并将一部分作为训练数据,一部分作为测试数据。
步骤二:对训练数据和测试数据,均采用隶属函数和模糊方程进行预处理;
根据航速和航向的曲线特性,分别取三角隶属函数和高斯隶属函数,解模糊取面积平均法。
步骤三、分别采用粒子群算法和网格搜索算法,对预处理结果通过二分法查找分隔阈值。
具体为:对预处理的训练数据集进行二分法训练,对比算法之间的运行时间和最优参数值,取定一个阈值。具有为:取其中一半数据进行输入训练,如果粒子群算法所用时间比网格搜索算法所用时间少,则减少一半数据量输入;反之,则增加一半数据量输入。如此迭代直到两者所用时间相差不大为止,此时的数据量设为阈值。
为了保证算法所取到的结果不具有偶然性,所以采用多次训练取平均值的方法进行。
如图3所示,粒子群算法的执行步骤如下:
(1)、随机初始化每个粒子,需要设置最大的速度区间,防止超出最大区间。位置信息即为整个搜索空间,在速度区间和搜索空间上随机初始化速度和位置;设置群体规模为m。
(2)、评估每个粒子并得到全局最优,个体极值为每个粒子找到的历史上最优的位置信息,并从这些个体历史最优解中找到一个全局最优解,并与历史最优解比较,选出最佳的作为当前的历史最优解。
(3)、更新速度和位置信息,从下面的更新公式可以得到更新的值:
其中:表示迭代第k次时粒子i飞行速度矢量的第d维分量;表示迭代第k次时粒子i位置矢量的第d维分量;表示迭代第k次时粒子i个体最优位置的第d维分量;表示迭代第k次时粒子群全局最优位置的第d维分量;c1和c2为非负常数的加速因子,加速因子使粒子具有自我总结和向群体中优秀个体学习的能力,从而向自己的历史最优点及群体内(或领域内)的历史最优点靠近;r1和r2为[0,1]内的随机数;ω为惯性权重,通过调整ω可增强粒子局部搜索的能力,克服粒子自身存在局部搜索能力差的缺陷。
(4)、终止条件有两种:一种是最大迭代数;另一种是相邻两代之间的偏差在一个指定的范围内即停止。在这里将两者结合,满足其中任意条件都终止算法,以提高其运行时间。
步骤四、将预处理后的训练数据量与阈值对比,判断训练数据量是否大于等于阈值,如果是,对训练数据采用粒子群算法,否则采用网格搜索算法,训练模糊支持向量机模型得到最优配置参数;
配置参数包括:
惩罚参数c说明模型对误差的宽容度,这个值越高,模型越不能容忍出现误差;这个值较低,会导致模型不能很好的进行预测。
核函数参数g隐含的决定了数据映射到新的特征空间后的分布。
交叉验证数v,采用的交叉验证的方法主要是K-CV(K-fold Cross Validation)方法,而通过经验来说,一般v取值为5即可;本实施例中选取10。
核函数类型t包含有线性核、多项式核、高斯核、Sigmoid核等,选择核函数一般根据数据的分布特性来选择,如果线性可分,直接选用线性核即可;如果不可分则选择高斯核。
这里考虑到***的非线性,所以统一采用高斯核进行训练。
步骤五、对最优配置参数的模糊支持向量机模型进行K-CV验证并简化。
首先,将经过预处理后的训练数据随机切分为K个互不相交的大小相同的子集。
然后,利用其中K-1个子集训练模糊支持向量机,余下的子集作为验证集用于测试模型;利用SMO算法重复进行K次训练,最后选出K次评测中平均误差最小的模糊支持向量机模型,得到最优配置参数对(c,g)。
SMO算法求解最佳拟合效果的执行步骤如下:
(1)、取初值α(0)=0,令k=0;
(2)、选取优化变量解析求解两个变量的最优化问题
0≤αi≤C,i=1,2
求解最优解更新α为α(k+1);
(3)、若在精度ε范围内满足停机条件
0≤αi≤C,i=1,2,...N
其中,
则转(4);否则令k=k+1,转(2);
(4)取
其中α为朗格朗日系数,k为核函数,为容错率,C为惩罚因子,b为最优决策面截距,g(x)为最优决策面。
最后,对平均误差最小的的模糊支持向量机模型进行简化;
数据通过模糊化之后,会进入SVM网络结构,其中包含多个核函数进行训练,而训练过程中,每个核函数对于数据的效果的权重是不一样的,因此可以通过这方面简化模型大小,具体步骤如下:
通过模糊支持向量机,得到的输出为每个核函数对训练数据的影响的权重比,不同的核函数对整个数据的影响不同,通过每次选定一个核函数作为阈值,将低于这个阈值的核函数剔除,重新将数据输入进行训练直到精度和之前差不多为止;根据每次减少一个核函数的数量来确定输出值的变化情况;然后对不同核函数的影响程度从高到低进行排序,选取排序前十个的核函数即可;
步骤六、对简化后的模糊支持向量机输入经过预处理的测试数据,并判断输入数据是否线性可分,如果是,进入步骤七,否则,进入步骤八;
判断方法如下;输入的测试数据处在二维平面,因此将测试数据分为两类M+和M-,通过对两类数据集求解各自的凸闭合曲线,如果两个闭合曲线相交,则为线性不可分,反之,则为线性可分。
步骤七、将线性可分的测试数据,带入模糊支持向量机进行计算得到最优决策面;
得到最优决策面是指,得到船体航速的作用力和对船体航向的作用力
步骤八、输入的测试数据线性不可分,使用高斯核函数将数据映射到高维空间实现线性可分,然后进行训练得到最优决策面。
步骤九、针对该无人艇船体的环境干扰力数据,划分为训练数据和测试数据,并重复上述步骤,得到最优模糊支持向量机的输出作为前馈控制力,补偿到该无人艇的运动环境中,从而抑制外界干扰所带来的偏差;
通过相关传感器得到环境干扰力数据,环境干扰主要分为三类:风力浪力流力通过采集到的数据经过预处理,以及二分法查找分隔阈值,并进行K-CV验证,利用验证的数据与阈值对比,采用粒子群算法和网格搜索算法结合,获取具有最优配置参数的模糊支持向量机并进行简化;将线性可分的测试数据,带入模糊支持向量机进行计算得到模型的输出,并将输出作为前馈控制力F补偿到无人艇的运动环境中,从而抑制外界干扰所带来的偏差。
补偿设为因此最后得到作用于船体的作用力为:由此对船进行控制。
本发明一种基于模糊支持向量机的无人艇运动控制方法中涉及到的参数包括:容量因子、松弛变量、高斯核的带宽、拉格朗日系数以及交叉验证的分组数,根据容量因子控制支持向量机的最大化间隔和数据的函数间隔两者之间的权重;根据松弛变量对支持向量机便于在更大的可行域上求解;根据高斯核的带宽对函数值跌落到0的速度参数;根据拉格朗日系数对支持向量机确定最大间隔距离;拉格朗日系数αi的取值范围为[0,C],同时αiyi+αjyj=0。根据交叉验证分组数对于整个***进行优化和验证。
综上,无人艇运动控制器的最后模型一方面省略了需要计算相关船体模型和环境模型的步骤,通过自我学习进行无人艇的控制的优化,另一方面,无人艇所使用的控制器为嵌入式设备,减小模型大小、优化对模型参数的寻优过程有利于设备的内存运行,使***的响应速度变快,为进一步扩展相关技术提供了便利条件。
Claims (5)
1.一种基于模糊支持向量机算法的无人艇运动控制方法,其特征在于,具体步骤如下:
步骤一:针对某无人艇船体,通过传感器采集该无人艇航行的数据和外部环境数据,并划分为训练数据和测试数据;
将无人艇航行的数据存储,将一部分作为训练数据,一部分作为测试数据;
步骤二:对训练数据和测试数据,均采用隶属函数和模糊方程进行预处理;
步骤三、分别采用粒子群算法和网格搜索算法,对预处理结果通过二分法查找分隔阈值;
具体为:对预处理的数据进行二分,取其中一半数据进行输入训练,如果粒子群算法所用时间比网格搜索算法所用时间少,则减少一半数据量输入;反之,则增加一半数据量输入;如此迭代直到两者所用时间相差不大为止,此时的数据量设为阈值;
步骤四、将预处理后的训练数据量与阈值对比,判断训练数据量是否大于等于阈值,如果是,对训练数据采用粒子群算法,否则采用网格搜索算法,训练模糊支持向量机模型得到最优配置参数;
步骤五、对最优配置参数的模糊支持向量机模型进行K-CV验证并简化;
步骤六、对简化后的模糊支持向量机输入经过预处理的测试数据,并判断输入数据是否线性可分,如果是,进入步骤七;否则,进入步骤八;
步骤七、将线性可分的测试数据,带入模糊支持向量机进行计算得到最优决策面;
得到最优决策面是指,得到船体航速的作用力和对船体航向的作用力
步骤八、输入的测试数据线性不可分,使用高斯核函数将数据映射到高维空间实现线性可分,然后进行训练得到最优决策面;
步骤九、针对该无人艇船体的环境干扰力数据,划分为训练数据和测试数据,并重复上述步骤,得到最优模糊支持向量机的输出作为前馈控制力,补偿到该无人艇的运动环境中,从而抑制外界干扰所带来的偏差;
补偿设为因此最后得到作用于船体的作用力为:由此对船进行控制。
2.如权利要求1所述的一种基于模糊支持向量机算法的无人艇运动控制方法,其特征在于,所述的无人艇航行的数据包括:GPS读取无人艇位置和航速信息,磁罗盘读取无人艇的航向信息,加速度计测量加速度信息,根据舵机特性得知PWM值所对应的舵机偏转角;
无人艇外部环境数据包括艇长、空载重量、型深、满载航速、满载吃水和持续时间。
3.如权利要求1所述的一种基于模糊支持向量机算法的无人艇运动控制方法,其特征在于,步骤四中,所述的配置参数包括:
惩罚参数c说明模型对误差的宽容度,这个值越高,模型越不能容忍出现误差;这个值较低,会导致模型不能很好的进行预测;
核函数参数g隐含的决定了数据映射到新的特征空间后的分布;
交叉验证数v,采用交叉验证的方法主要是K-CV方法获取;
核函数类型t包含有线性核、多项式核、高斯核以及Sigmoid核,选择核函数一般根据数据的分布特性来选择,如果线性可分,直接选用线性核即可;如果不可分则选择高斯核。
4.如权利要求1所述的一种基于模糊支持向量机算法的无人艇运动控制方法,其特征在于,所述的步骤五,具体为:
首先,将经过预处理后的训练数据随机切分为K个互不相交的大小相同的子集;
然后,利用其中K-1个子集训练模糊支持向量机,余下的子集作为测试模型;重复进行K次训练,最后选出K次评测中平均误差最小的模糊支持向量机模型;
最后,对平均误差最小的模糊支持向量机模型进行简化;
模糊支持向量机的输出为多个核函数训练后进行加权,不同的核函数对整个数据的影响不同,通过每次减少一个核函数的数量来确定输出值的变化情况,然后对不同核函数的影响程度进行排序,选取排序前十个的核函数。
5.如权利要求1所述的一种基于模糊支持向量机算法的无人艇运动控制方法,其特征在于,所述的步骤六中,判断输入数据是否线性可分的方法如下:输入的测试数据处在二维平面,因此将测试数据分为两类M+和M-,通过对两类数据集求解各自的凸闭合曲线,如果两个闭合曲线相交,则为线性不可分,反之,则为线性可分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810254250.6A CN108563119B (zh) | 2018-03-26 | 2018-03-26 | 一种基于模糊支持向量机算法的无人艇运动控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810254250.6A CN108563119B (zh) | 2018-03-26 | 2018-03-26 | 一种基于模糊支持向量机算法的无人艇运动控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108563119A true CN108563119A (zh) | 2018-09-21 |
CN108563119B CN108563119B (zh) | 2021-06-15 |
Family
ID=63533269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810254250.6A Active CN108563119B (zh) | 2018-03-26 | 2018-03-26 | 一种基于模糊支持向量机算法的无人艇运动控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108563119B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615858A (zh) * | 2018-12-21 | 2019-04-12 | 深圳信路通智能技术有限公司 | 一种基于深度学习的智能停车行为判断方法 |
CN110263400A (zh) * | 2019-06-12 | 2019-09-20 | 哈尔滨工程大学 | 一种无人艇非线性动力学模型的积分辨识方法 |
CN110399182A (zh) * | 2019-07-25 | 2019-11-01 | 哈尔滨工业大学 | 一种cuda线程放置优化方法 |
CN110705174A (zh) * | 2019-08-21 | 2020-01-17 | 江苏大学 | 一种五自由度磁悬浮电主轴转子位移自检测***及方法 |
CN111026135A (zh) * | 2020-01-18 | 2020-04-17 | 上海大学 | 一种无人艇高性能航行前馈控制***及其控制方法 |
CN111898628A (zh) * | 2020-06-01 | 2020-11-06 | 淮阴工学院 | 一种新型t-s模糊模型辨识方法 |
CN112486186A (zh) * | 2020-12-14 | 2021-03-12 | 浙江嘉蓝海洋电子有限公司 | 一种基于贝叶斯多特征融合的无人水面艇自主航行方法 |
CN113641101A (zh) * | 2021-07-22 | 2021-11-12 | 武汉大学 | 一种基于数值仿真的多渠池控制参数寻优算法 |
WO2023108494A1 (zh) * | 2021-12-15 | 2023-06-22 | 中国科学院深圳先进技术研究院 | 一种概率滤波强化学习无人船控制方法、装置及终端设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101354587A (zh) * | 2008-09-04 | 2009-01-28 | 湖南大学 | 一种未知环境下移动机器人多行为融合自动导航方法 |
US20110295777A1 (en) * | 2010-06-01 | 2011-12-01 | National Tsing Hua University | Method for building adaptive soft sensor |
US20130027568A1 (en) * | 2011-07-29 | 2013-01-31 | Dekun Zou | Support vector regression based video quality prediction |
JP2013025398A (ja) * | 2011-07-15 | 2013-02-04 | Tokyo Institute Of Technology | 識別器生成装置、方法及びプログラム、並びにクラス認識器、方法及びプログラム |
CN104049639A (zh) * | 2014-06-24 | 2014-09-17 | 上海大学 | 一种基于支持向量回归机的无人艇抗浪涌控制装置和方法 |
JP2017143741A (ja) * | 2016-02-15 | 2017-08-24 | 株式会社太幸 | 米飯成形装置の制御方法及び米飯成形装置 |
CN107563435A (zh) * | 2017-08-30 | 2018-01-09 | 哈尔滨工业大学深圳研究生院 | 基于svm的高维不平衡数据分类方法 |
JP2018031851A (ja) * | 2016-08-23 | 2018-03-01 | 株式会社国際電気通信基礎技術研究所 | 談話機能推定装置及びそのためのコンピュータプログラム |
-
2018
- 2018-03-26 CN CN201810254250.6A patent/CN108563119B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101354587A (zh) * | 2008-09-04 | 2009-01-28 | 湖南大学 | 一种未知环境下移动机器人多行为融合自动导航方法 |
US20110295777A1 (en) * | 2010-06-01 | 2011-12-01 | National Tsing Hua University | Method for building adaptive soft sensor |
JP2013025398A (ja) * | 2011-07-15 | 2013-02-04 | Tokyo Institute Of Technology | 識別器生成装置、方法及びプログラム、並びにクラス認識器、方法及びプログラム |
US20130027568A1 (en) * | 2011-07-29 | 2013-01-31 | Dekun Zou | Support vector regression based video quality prediction |
CN104049639A (zh) * | 2014-06-24 | 2014-09-17 | 上海大学 | 一种基于支持向量回归机的无人艇抗浪涌控制装置和方法 |
JP2017143741A (ja) * | 2016-02-15 | 2017-08-24 | 株式会社太幸 | 米飯成形装置の制御方法及び米飯成形装置 |
JP2018031851A (ja) * | 2016-08-23 | 2018-03-01 | 株式会社国際電気通信基礎技術研究所 | 談話機能推定装置及びそのためのコンピュータプログラム |
CN107563435A (zh) * | 2017-08-30 | 2018-01-09 | 哈尔滨工业大学深圳研究生院 | 基于svm的高维不平衡数据分类方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615858A (zh) * | 2018-12-21 | 2019-04-12 | 深圳信路通智能技术有限公司 | 一种基于深度学习的智能停车行为判断方法 |
CN110263400B (zh) * | 2019-06-12 | 2022-08-02 | 哈尔滨工程大学 | 一种无人艇非线性动力学模型的积分辨识方法 |
CN110263400A (zh) * | 2019-06-12 | 2019-09-20 | 哈尔滨工程大学 | 一种无人艇非线性动力学模型的积分辨识方法 |
CN110399182A (zh) * | 2019-07-25 | 2019-11-01 | 哈尔滨工业大学 | 一种cuda线程放置优化方法 |
CN110399182B (zh) * | 2019-07-25 | 2023-05-12 | 哈尔滨工业大学 | 一种cuda线程放置优化方法 |
CN110705174A (zh) * | 2019-08-21 | 2020-01-17 | 江苏大学 | 一种五自由度磁悬浮电主轴转子位移自检测***及方法 |
CN110705174B (zh) * | 2019-08-21 | 2023-10-13 | 江苏大学 | 一种五自由度磁悬浮电主轴转子位移自检测***及方法 |
CN111026135B (zh) * | 2020-01-18 | 2020-11-13 | 上海大学 | 一种无人艇高性能航行前馈控制***及其控制方法 |
CN111026135A (zh) * | 2020-01-18 | 2020-04-17 | 上海大学 | 一种无人艇高性能航行前馈控制***及其控制方法 |
CN111898628A (zh) * | 2020-06-01 | 2020-11-06 | 淮阴工学院 | 一种新型t-s模糊模型辨识方法 |
CN111898628B (zh) * | 2020-06-01 | 2023-10-03 | 淮阴工学院 | 一种新型t-s模糊模型辨识方法 |
CN112486186A (zh) * | 2020-12-14 | 2021-03-12 | 浙江嘉蓝海洋电子有限公司 | 一种基于贝叶斯多特征融合的无人水面艇自主航行方法 |
CN113641101A (zh) * | 2021-07-22 | 2021-11-12 | 武汉大学 | 一种基于数值仿真的多渠池控制参数寻优算法 |
WO2023108494A1 (zh) * | 2021-12-15 | 2023-06-22 | 中国科学院深圳先进技术研究院 | 一种概率滤波强化学习无人船控制方法、装置及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108563119B (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108563119A (zh) | 一种基于模糊支持向量机算法的无人艇运动控制方法 | |
CN109214107A (zh) | 一种船舶航行行为在线预测方法 | |
Zhang et al. | Ship motion attitude prediction based on an adaptive dynamic particle swarm optimization algorithm and bidirectional LSTM neural network | |
Perez-Carabaza et al. | A real world multi-UAV evolutionary planner for minimum time target detection | |
CN108388250A (zh) | 一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法 | |
CN107220724A (zh) | 客流量预测方法及装置 | |
Xie et al. | Dual-channel and bidirectional neural network for hypersonic glide vehicle trajectory prediction | |
Castellano et al. | An empirical risk functional to improve learning in a neuro-fuzzy classifier | |
Zhang et al. | A novel CACO R-SVR multi-objective optimization approach and its application in aerodynamic shape optimization of high-speed train | |
CN113255873A (zh) | 一种聚类天牛群优化方法、***、计算机设备和存储介质 | |
Ding et al. | Cooperative extended rough attribute reduction algorithm based on improved PSO | |
CN109976189A (zh) | 一种智能舰艇自动巡航模拟仿真方法 | |
Long et al. | A multi-subpopulation bacterial foraging optimisation algorithm with deletion and immigration strategies for unmanned surface vehicle path planning | |
Sathyan et al. | A genetic fuzzy logic based approach to solving the aircraft conflict resolution problem | |
Zhang et al. | Motion state recognition and trajectory prediction of hypersonic glide vehicle based on deep learning | |
Pei et al. | The clustering algorithm based on particle swarm optimization algorithm | |
Carolina Jara Ten Kathen et al. | A comparison of pso-based informative path planners for autonomous surface vehicles for water resource monitoring | |
CN106447027A (zh) | 一种矢量高斯学习的粒子群优化方法 | |
Jiang et al. | Ship attitude prediction model based on cross-parallel algorithm optimized neural network | |
Lu et al. | An adaptive fruit fly optimization algorithm based on velocity variable | |
Ten Kathen et al. | Monitoring peak pollution points of water resources with autonomous surface vehicles using a pso-based informative path planner | |
CN103605631A (zh) | 一种基于支持向量几何意义的增量学习方法 | |
CN106339357A (zh) | 寻优参数化的网络信息安全检测***和方法 | |
Bye et al. | Evaluation heuristics for tug fleet optimisation algorithms-a computational simulation study of a receding horizon genetic algorithm | |
Wang et al. | Predator-prey biogeography-based optimization for bio-inspired visual attention |
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 |