CN109765906A - 一种基于复合正交神经网络预测控制的智能船舶循迹方法 - Google Patents
一种基于复合正交神经网络预测控制的智能船舶循迹方法 Download PDFInfo
- Publication number
- CN109765906A CN109765906A CN201910158825.9A CN201910158825A CN109765906A CN 109765906 A CN109765906 A CN 109765906A CN 201910158825 A CN201910158825 A CN 201910158825A CN 109765906 A CN109765906 A CN 109765906A
- Authority
- CN
- China
- Prior art keywords
- thrust
- neural network
- prediction
- ship
- propeller
- 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
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于复合正交神经网络预测控制的智能船舶循迹方法,包括步骤:在船舶的运动过程中,获取预定轨迹,将预定轨迹与预测输出通过优化算法,计算各推进器的优化算法预测推力;通过神经网络预测推力,将优化算法预测推力与神经网络预测推力加权迭加输出各推进器应当产生的推力;通过预测模型对船舶的位置、艏向、速度进行预测;对船舶的位置、艏向、速度的预测值进行修正,将修正后的预测值作为前述预测输出。本发明结合了复合正交神经网络提出一种新的模型预测策略,该神经网络算法简单,学习收敛速度快,有线性、非线性逼近精度高等优异特性,并且神经网络的学习算法可以离线完成,大大减少了在线计算的时间。
Description
技术领域
本发明涉及船舶智能控制技术领域,具体地指一种基于复合正交神经网络预测控制的智能船舶循迹方法。
背景技术
近年来,信息、计算机、通信、网络、新能源、人工智能等技术的发展以及物联网、大数据、综合船桥***和信息物理***的应用,大大推进了船舶智能化的进程。智能船舶包括众多任务,如何利用环境感知信息实现智能船舶的自主循迹控制是其中的重要内容之一。
随着愈来愈多深水作业的船舶或平台将会配备自主循迹***,现在海洋行业对智能船舶或平台作业的安全性和可靠性要求越来越高,但船舶本身是非线性的,再加上海洋环境复杂多变,使得智能船舶自主循迹控制成为一个非线性,复杂,时变的控制问题。运用模型预测虽然可以解决这些复杂的非线性问题,但是存在一个比较明显的问题是优化计算量过大甚至导致***不能在规定的控制时间内给出控制作用,因此我们结合了复合正交神经网络提出一种新的模型预测策略。运用复合正交神经网络,可以有效的解决复杂的非线性问题,大大减少了在线计算的时间,十分适用于实时控制***。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于复合正交神经网络预测控制的智能船舶循迹方法,通过可以离线完成的神经网络学习算法,大大减少了在线计算的时间,可以有效的在规定的控制时间内给出控制作用。
为实现上述目的,本发明所设计的一种基于复合正交神经网络预测控制的智能船舶循迹方法,其特殊之处在于,所述方法包括如下步骤:
1)在船舶的运动过程中,获取预定轨迹,将预定轨迹与预测输出通过优化算法,计算各推进器的优化算法预测推力;
2)将预定轨迹和所述各推进器的预测推力输入至神经网络,输出神经网络预测推力,将优化算法预测推力与神经网络预测推力加权迭加输出各推进器应当产生的推力;
3)将各推进器应当产生的推力输入至预测模型,对船舶的位置、艏向、速度进行预测;
4)各推进器根据应当产生的推力推动船舶运动,采集各推进器实际产生的推力、船舶的位置和艏向,
5)将各推进器实际产生的推力、船舶的位置和艏向对船舶的位置、艏向、速度的预测值进行修正,将修正后的预测值作为步骤1)中的预测输出;
6)重复步骤1)~5)直至预定轨迹完成。
优选地,所述神经网络采用复合正交神经网络的算法,每一控制周期结束时将神经网络预测推力与各推进器应当产生的推力相比较,经过学习算法修正权重,以使得神经网络预测推力与各推进器应当产生的推力差值减小。
优选地,所述步骤4)中船舶的位置和艏向通过传感器采集并经过滤波器除去噪声。
模型预测可以解决复杂的非线性问题,但是存在一个比较明显的问题是优化计算量过大甚至导致***不能在规定的控制时间内给出控制作用,本发明结合了复合正交神经网络提出一种新的模型预测策略,该神经网络算法简单,学习收敛速度快,有线性、非线性逼近精度高等优异特性,并且神经网络的学习算法可以离线完成,大大减少了在线计算的时间,可以有效的在规定的控制时间内给出控制作用,鲁棒性强,十分适用于实时控制***。本发明前馈控制效果更好,响应速度更快,输出误差小、实时性好、鲁棒性强,并且也采用了模型预测控制中的反馈校正,保证了***的稳定性,可以使智能船舶在复杂多变的海洋环境中更加高效节能地实现自主循迹。
附图说明
图1为本发明基于复合正交神经网络预测控制的智能船舶循迹方法的控制过程示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细描述。
如图1所示,本发明提出的一种基于复合正交神经网络预测控制的智能船舶循迹方法,所述方法包括如下步骤:
1)在船舶的运动过程中,获取预定轨迹,将预定轨迹与预测输出通过优化算法,计算各推进器的优化算法预测推力。
2)将预定轨迹和各推进器的预测推力输入至神经网络,输出神经网络预测推力,将优化算法预测推力与神经网络预测推力加权迭加输出各推进器应当产生的推力。神经网络采用复合正交神经网络的算法,每一控制周期结束时将神经网络预测推力与各推进器应当产生的推力相比较,经过学习算法修正权重,以使得神经网络预测推力与各推进器应当产生的推力差值尽可能小。
3)将各推进器应当产生的推力输入至预测模型,对船舶的位置、艏向、速度进行预测。
4)各推进器根据应当产生的推力推动船舶运动,采集各推进器实际产生的推力、船舶的位置和艏向。船舶的位置和艏向通过传感器采集并经过滤波器除去噪声。
5)将各推进器实际产生的推力、船舶的位置和艏向对船舶的位置、艏向、速度的预测值进行修正,将修正后的预测值作为步骤1)中的预测输出。
6)重复步骤1)~5)直至预定轨迹完成。
船舶在运动过程中,获得了预定轨迹,控制器(综合点)根据上一时刻的预测输出,通过优化算法,输出推进器应当产生的推力,完成控制输出的计算时,将其传递给神经网络,神经网络采用有导师的学习算法,每一控制周期结束时,计算出相应的神经网络输出,并与总控制输出相比较,修正权重,进入学习过程,使总控制输出与神经网络的输出之差最小,经过神经网络的学习,***的总控制输出由神经网络产生,并分配给各个推进器。在外界干扰以及自身推进器的推力作用下,船舶产生运动,并到达预定的位置。
控制器在进行优化算法后,根据内部预测模型和实际输出,得到预测输出,传感器测得船舶当前的位置和艏向,并通过滤波器进行状态估计和滤波,对预测输出进行修正,完成反馈校正,返回进行新一轮优化。
本发明在采用模型预测控制的同时,结合复合正交神经网络,完成控制输出的计算,并输出各个推进器产生需要的推力,使船舶产生相应的运动。
在模型预测控制中,当前控制动作是在每一个采样瞬间通过求解一个有限时域开环最优控制问题而获得的。过程的当前状态作为最优控制问题的初始状态,解得的最优控制序列只实施第一个控制作用,在这个过程中,引入了复合正交神经网络,在获得预定轨迹后,完成控制输出的计算时,将其传递给神经网络,神经网络采用有导师的学习算法,每一控制周期结束时,计算出相应的神经网络输出,并与总控制输出相比较,修正权重,进入学习过程。学习的目的是使总控制输出与神经网络的输出之差最小,经过神经网络的学习,***的总控制输出由神经网络产生。
在此过程中,充分体现了前馈控制效果更好,响应速度更快,这充分地体现了复合正交神经网络的特点,即输出误差小、实时性好、鲁棒性强。并且也采用了模型预测控制中的反馈校正,保证了***的稳定性。可以使智能船舶在复杂多变的海洋环境中更加高效节能地实现自主循迹。
最后需要说明的是,以上具体实施方式仅用以说明本专利技术方案而非限制,尽管参照较佳实施例对本专利进行了详细说明,本领域的普通技术人员应当理解,可以对本专利的技术方案进行修改或者等同替换,而不脱离本专利技术方案的精神和范围,其均应涵盖在本专利的权利要求范围当中。
Claims (3)
1.一种基于复合正交神经网络预测控制的智能船舶循迹方法,其特征在于:所述方法包括如下步骤:
1)在船舶的运动过程中,获取预定轨迹,将预定轨迹与预测输出通过优化算法,计算各推进器的优化算法预测推力;
2)将预定轨迹和所述各推进器的预测推力输入至神经网络,输出神经网络预测推力,将优化算法预测推力与神经网络预测推力加权迭加输出各推进器应当产生的推力;
3)将各推进器应当产生的推力输入至预测模型,对船舶的位置、艏向、速度进行预测;
4)各推进器根据应当产生的推力推动船舶运动,采集各推进器实际产生的推力、船舶的位置和艏向,
5)将各推进器实际产生的推力、船舶的位置和艏向对船舶的位置、艏向、速度的预测值进行修正,将修正后的预测值作为步骤1)中的预测输出;
6)重复步骤1)~5)直至预定轨迹完成。
2.根据权利要求1所述的一种基于复合正交神经网络预测控制的智能船舶循迹方法,其特征在于:所述神经网络采用复合正交神经网络的算法,每一控制周期结束时将神经网络预测推力与各推进器应当产生的推力相比较,经过学习算法修正权重,以使得神经网络预测推力与各推进器应当产生的推力差值减小。
3.根据权利要求1所述的一种基于复合正交神经网络预测控制的智能船舶循迹方法,其特征在于:所述步骤4)中船舶的位置和艏向通过传感器采集并经过滤波器除去噪声。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910158825.9A CN109765906B (zh) | 2019-03-04 | 2019-03-04 | 一种基于复合正交神经网络预测控制的智能船舶循迹方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910158825.9A CN109765906B (zh) | 2019-03-04 | 2019-03-04 | 一种基于复合正交神经网络预测控制的智能船舶循迹方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109765906A true CN109765906A (zh) | 2019-05-17 |
CN109765906B CN109765906B (zh) | 2021-11-23 |
Family
ID=66457519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910158825.9A Active CN109765906B (zh) | 2019-03-04 | 2019-03-04 | 一种基于复合正交神经网络预测控制的智能船舶循迹方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109765906B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110347192A (zh) * | 2019-06-17 | 2019-10-18 | 武汉理工大学 | 基于注意力机制和自编码器的玻璃炉温智能预测控制方法 |
CN111007879A (zh) * | 2019-11-28 | 2020-04-14 | 智慧航海(青岛)科技有限公司 | 一种船舶自动循迹的实现方法及装置 |
CN112213948A (zh) * | 2020-10-23 | 2021-01-12 | 武汉理工大学 | 一种基于mpc的船舶航速协同控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101963784A (zh) * | 2010-09-07 | 2011-02-02 | 江苏科技大学 | 基于支持向量机和广义预测控制算法的船舶动力定位方法 |
US20110106419A1 (en) * | 2009-11-02 | 2011-05-05 | Hyundai Motor Company | Methods for reducing the consumption and cost of fuel |
CN103592849A (zh) * | 2013-11-12 | 2014-02-19 | 中国交通建设股份有限公司 | 一种船舶动力定位控制方法 |
CN109032136A (zh) * | 2018-07-23 | 2018-12-18 | 西北工业大学 | 基于主从分布式模型预测控制的欠驱动多无人船编队跟踪方法 |
-
2019
- 2019-03-04 CN CN201910158825.9A patent/CN109765906B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110106419A1 (en) * | 2009-11-02 | 2011-05-05 | Hyundai Motor Company | Methods for reducing the consumption and cost of fuel |
CN101963784A (zh) * | 2010-09-07 | 2011-02-02 | 江苏科技大学 | 基于支持向量机和广义预测控制算法的船舶动力定位方法 |
CN103592849A (zh) * | 2013-11-12 | 2014-02-19 | 中国交通建设股份有限公司 | 一种船舶动力定位控制方法 |
CN109032136A (zh) * | 2018-07-23 | 2018-12-18 | 西北工业大学 | 基于主从分布式模型预测控制的欠驱动多无人船编队跟踪方法 |
Non-Patent Citations (4)
Title |
---|
LOKUKALUGE P. PERERA等: "Maritime Traffic Monitoring Based on Vessel Detection, Tracking, State Estimation,and Trajectory Prediction", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
ZHENG YAN等: "Model Predictive Control for Tracking of Underactuated Vessels Based on Recurrent Neural Networks", 《IEEE JOURNAL OF OCEANIC ENGINEERING》 * |
徐婷婷等: "基于BP神经网络的船舶航迹实时预测", 《大连海事大学学报》 * |
权波等: "基于LSTM的船舶航迹预测模型", 《计算机科学》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110347192A (zh) * | 2019-06-17 | 2019-10-18 | 武汉理工大学 | 基于注意力机制和自编码器的玻璃炉温智能预测控制方法 |
CN110347192B (zh) * | 2019-06-17 | 2020-11-03 | 武汉理工大学 | 基于注意力机制和自编码器的玻璃炉温智能预测控制方法 |
CN111007879A (zh) * | 2019-11-28 | 2020-04-14 | 智慧航海(青岛)科技有限公司 | 一种船舶自动循迹的实现方法及装置 |
CN111007879B (zh) * | 2019-11-28 | 2023-06-30 | 智慧航海(青岛)科技有限公司 | 一种船舶自动循迹的实现方法及装置 |
CN112213948A (zh) * | 2020-10-23 | 2021-01-12 | 武汉理工大学 | 一种基于mpc的船舶航速协同控制方法 |
CN112213948B (zh) * | 2020-10-23 | 2022-06-10 | 武汉理工大学 | 一种基于mpc的船舶航速协同控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109765906B (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109765906A (zh) | 一种基于复合正交神经网络预测控制的智能船舶循迹方法 | |
CN107255923B (zh) | 基于rbf辨识的ica-cmac神经网络的欠驱动无人艇航迹跟踪控制方法 | |
CN110909859A (zh) | 基于对抗结构化控制的仿生机器鱼运动控制方法、*** | |
CN111182564B (zh) | 一种基于lstm神经网络的无线链路质量预测方法 | |
CN111461463B (zh) | 一种基于tcn-bp的短期负荷预测方法、***及设备 | |
CN109669345B (zh) | 基于eso的水下机器人模糊pid运动控制方法 | |
CN109828467B (zh) | 一种数据驱动的无人船强化学习控制器结构及设计方法 | |
CN103645635A (zh) | 一种基于模拟退火-强化学习算法的船舶运动控制器 | |
CN106022471A (zh) | 基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法 | |
CN107255920A (zh) | 基于网络优化算法的pid控制方法和装置及*** | |
CN114154401B (zh) | 基于机器学习和观测数据的土壤侵蚀模数计算方法及*** | |
CN107315348B (zh) | 一种基于惩罚式小波网络的无人潜航器位姿控制方法 | |
CN117154845A (zh) | 一种基于生成式决策模型的电网运行调整方法 | |
CN116604532A (zh) | 一种上肢康复机器人智能控制方法 | |
CN115987086A (zh) | 基于神经网络的单开关直流-直流变换器在线控制方法 | |
CN115903820A (zh) | 多无人艇追逃博弈控制方法 | |
CN115879536A (zh) | 一种基于因果效应的学习认知分析模型鲁棒性优化方法 | |
CN108181900B (zh) | 一种基于增强学习智能算法的航海船舶运动控制方法 | |
CN116184997A (zh) | 一种用于三自由度水面无人艇跟踪控制方法 | |
Ma et al. | Path tracking control of hybrid-driven robotic fish based on deep reinforcement learning | |
Huo et al. | BP neural network based PID control for ship steering | |
Wan et al. | Adaptive steering control system of the USV with friction compensation | |
Wu et al. | The mobile robot GPS position based on neural network adaptive kalman filter | |
Zhang et al. | Short-term tidal level forecasting based on self-adapting PSO-BP neural network model | |
CN115755938A (zh) | 一种基于非对称模糊s面的仿蝠鲼航行器深度控制方法 |
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 |