唐晓光[1]2002年在《船舶操纵预报的神经网络方法》文中研究表明随着国际贸易的发展，世界海运量迅速扩大，使得海上航行的船舶数量显着增加，单船吨位急剧扩大，船速也在不断提高，造成海上交通密度加大，航行更加复杂。根据近几年资料统计，世界上由于船舶操纵性原因而造成航运事故的船舶每年约有两百多艘，因而关于船舶操纵性的研究也越来越引起人们的重视。 由于船舶的运动在实际的航行过程中随船舶的工作状态(如载荷、吃水深度、航速等)及航行环境(如航线、水深、风、浪、流等)的不同而有很大的变化，是一个模型时变、非线性、大干扰的过程，将智能化控制技术用于其中将会有助于船舶避碰与操纵系统的自动化程度的提高。 近几年，随着神经网络研究的再度兴起，神经网络在模式识别、系统辨识、图像处理和自动控制等许多不同的领域得到了广泛的应用，其在船舶操纵性中的应用也受到了国内外众多学者的关注。其原因是神经网络具有其突出的优点：①能够逼近任意复杂的非线性函数关系；②能适应和学习不确定系统的动态特性；⑧由于所有信息都分布存储于网络单元间的联结权，故具有很强的容错性和鲁棒性；④采用信息的分布式并行处理，具有较快的运算速度。 本论文在神经网络方法应用于船舶操纵运动方面，主要完成了船舶操纵运动水动力的学习和预报、船舶回转运动时回转圈及主要特征参数的学习和预报以及Z形操舵试验Z形曲线的学习和预报。在操纵运动水动力方面，以散货船和油船为例探讨应用BP网络完成水动力的学习和预报；在回转圈方面，完成了不同船舶在不同舵角下的学习和预报；在Z形曲线方面，对不同的船舶在同一舵角下进行学习，预报了另外两艘船舶的Z形曲线。研究结果表明，只要选择适当的学习样本、网络结构和学习算法，神经网络的水动力预报精度、回转运动预报和Z形曲线的预报在实际中可以接受。
罗伟林[2]2009年在《基于支持向量机方法的船舶操纵运动建模研究》文中指出船舶操纵性是船舶重要的水动力性能之一,和船舶的航行安全性密切相关。对船舶操纵性进行预报是船舶设计阶段的重要工作之一,其目的是为了保证所设计的船舶具有良好的操纵性。为此,国际海事组织在1993年和2002年分别颁布了临时的和正式的船舶操纵性标准,对船舶设计阶段的操纵性预报提出了定量的要求。在船舶设计阶段对船舶操纵性进行预报目前主要有四种方法:数据库或经验公式方法、自航模试验方法、数学模型加计算机模拟的方法和基于计算流体动力学(Computational Fluid Dynamics, CFD)的数值模拟方法。其中,数学模型加计算机模拟的方法是目前应用最广和最有效的方法。应用该方法,精确确定数学模型中的水动力导数是提高预报精度的关键。目前,主要有四种方法可用于确定数学模型中的水动力导数:数据库或经验公式方法、约束模试验方法、理论与数值计算方法以及结合自航模试验的系统辨识方法。系统辨识方法在试验测量技术和辨识技术不断发展的今天,重新获得了人们的青睐并展现了强大的功能和广阔的应用前景。应用于船舶操纵性预报的船舶运动数学模型目前主要有两种:一种是Abkowitz模型,又称为整体型模型,这种模型把作用在船-桨-舵系统上的水动力看作为一个整体,并将水动力表达式在直航运动状态平衡点附近按Taylor级数进行展开。另一种是MMG模型,又称为分离型模型,这种模型在前一种模型的基础上把水动力分解为作用在船体、螺旋桨和舵上的叁部分,并充分考虑了船体、螺旋桨和舵的相互干扰影响。Abkowitz模型和MMG模型也被统称为水动力模型。除了水动力模型外,在船舶操纵与控制研究中,还常用到一种所谓的响应模型,这种数学模型反映的是船舶对操舵的回转运动响应,主要被应用于自动舵的设计,但也可应用于简单的操纵运动预报。应用于船舶操纵运动建模研究的系统辨识方法主要包括最小二乘法、扩展Kalman滤波方法、岭回归分析方法、神经网络方法、谱分析方法等。无论采用何种辨识方法对水动力模型进行辨识,如何解决辨识过程中众多水动力导数的多重共线性问题以减小参数漂移是提高建模精度的关键。本文在国际上首次采用一种先进的现代人工智能技术——支持向量机(Support Vector Machines, SVM)对船舶操纵运动建模进行了研究,包括机理建模研究与黑箱建模研究。在机理建模研究阶段,应用SVM辨识了水动力导数和操纵性参数,并应用建立的操纵运动数学模型进行了操纵运动预报。在黑箱建模阶段,应用SVM研究了船舶操纵运动这一非线性动态系统的输入-输出响应特性,并应用建立的黑箱模型对水动力和操纵性能指标进行了预报。在机理建模研究阶段,对SVM方法及其应用进行了验证,包括仿真验证和试验验证两个阶段。在仿真验证阶段,应用基于线性核的最小二乘支持向量机(Least Squares Support Vector Machines, LS-SVM)分别对Tanker 210 000DWT和Mariner船型的仿真试验数据进行了回归分析,得到了线性水动力模型和Abkowitz模型中的水动力导数,并利用所得到的数学模型对Z形试验和回转试验进行了预报。在试验验证阶段,首先分别采用一阶线性、一阶非线性、二阶线性和二阶非线性四种响应模型,应用LS-SVM对在上海交通大学海洋工程国家重点实验室海洋工程水池进行的某船自航模试验数据进行了回归分析,辨识了模型参数,并利用回归模型对Z形试验和回转试验进行了预报。进一步,以国际拖曳水池会议(Internatioanl Towing Tank Conference, ITTC)操纵技术委员会推荐的用于比较研究的超大型油轮KVLCC1、KVLCC2船型为对象,对SVM方法及其应用进行了试验验证,试验类型包括自航模试验和约束模试验。对自航模试验,先后应用响应模型和Abkowitz模型进行了机理建模,为了减小辨识过程中的参数漂移,对Abkowtiz模型进行了简化,包括:以船的合速度为无因次化因子,去除了跟纵向速度有关的非线性项;对横向方程和转首方程,用横流模型替代与横向速度和转首角速度有关的耦合项。利用所辨识的水动力导数,应用回归模型对Z形试验进行了预报,验证了SVM方法应用于自航模试验结果分析以进行操纵运动建模的可行性和有效性。对约束模试验,以斜拖试验为例,通过对试验结果有限样本的回归分析获得了船体横向力和转首力矩的数学表达式,并对不同运动工况下的船体水动力进行了预报和比较,初步验证了SVM方法应用于约束模试验结果分析以进行操纵运动水动力预报的可行性。在机理建模研究阶段,为消除多参数系统回归模型中的参数漂移,采取了几项措施:一是结合主成分分析法,对线性水动力导数项进行拆分和合并,对其中与其他项线性相关严重的部分予以重新整理;二是引入附加激励,用于减小常规操纵中由于操舵阶段粘性力的动力相消效应和过渡阶段惯性力的消失二者所引起的参数漂移;叁是对所辨识样本采用差分格式,用于减缓样本中各输入变量之间的多重共线性现象。辨识和预报结果验证了所采取措施的有效性。在黑箱建模研究阶段,采用高斯核SVM进行了辨识研究:以舵角和操纵运动变量为输入,以水动力为输出,对Abkowitz模型中的复杂非线性函数进行了辨识,根据辨识得到的函数关系预报了纵向、横向及转首方向的水动力(力矩);以回转试验为例,以舵角为输入,以纵距、横距及战术直径等回转性能参数为输出,建立了舵角和回转性能参数之间的映射关系,根据辨识得到的映射关系预报了回转性能参数。以对首向角的辨识和预报为例,对SVM和经典的BP神经网络的学习性能进行了比较研究,验证了SVM方法的优越性;以对桨推力的辨识和预报为例,验证了SVM方法应用于数据滤波与平滑的有效性;以对操纵运动变量及舵角的辨识和预报为例,验证了SVM方法应用于样本重构的有效性。通过本文的研究,验证了SVM方法用于船舶操纵运动建模的有效性,为应用系统辨识技术进行船舶操纵运动建模(包括机理建模和黑箱建模)研究提供了新途径,并为指导船舶操纵性相关模型试验的优化设计提供了新的思路。
张建[3]2008年在《船舶操纵性预报及评价》文中进行了进一步梳理船舶操纵性是船舶的性能之一,和船舶的航行安全性密切相关,但是由于操纵性问题本身的复杂性和船东从营运效率考虑,对操纵性的关心远不如对快速性等性能的关心,因而操纵性没有得到应有的重视。近十多年来,国内外造船界对船舶操纵性越来越重视,国际上船舶操纵性研究突飞猛进,取得了惊人的进展。有两大因素促成了这种巨变:一是国际海事组织(Intemational Maritime Organization,IMO)在船舶操纵性评估和制定船舶操纵性标准方面的工作引起了人们对船舶操纵性的重视;二是船舶水动力学学科及其相关数值和实验技术的进步使研究船舶操纵性这种复杂的问题成为了可能。本文研究的内容是船舶操纵性预报及评价。根据船舶操纵性预报的项目,简单介绍操纵性预报方法,着重讨论了本文所提出的神经网络原理及其改进措施,为BP网络在程序上的实现建立了理论支持。建立船舶运动数学模型,利用仿真预报船舶操纵性,再采用BP网络进行操纵性预报,从二者的对比中得出神经网络预报的优越性。本文也对船舶操纵性能进行了综合评价。首先在船舶固有操纵性基础上,建立了操纵性的指标体系,在深入研究德尔菲法、层次分析法、灰色关联度法以及模糊综合分析法的基础之上,提出DHGF集成法,阐述了该法的构造原理和计算步骤,最后将DHGF理论应用于船舶操纵性评价的实践中,得出船舶操纵性评价的结果与实际情况相同,提出DHGF集成法不仅在理论上具有优越性、科学性,在应用中也具有可靠性和可操作性,为操纵性评价提供了有效的方法,对船舶操纵性评价起到重要的参考和指导性作用。
刘祖源, 张谢东, 吴秀恒[4]1997年在《船舶操纵性能预报的人工神经网络方法》文中指出在船舶初始设计阶段，船舶的主尺度和船型系数可基本确定，这时如能建立这些参数与船舶操纵性之间的关系，就能在初始设计阶段预报船舶的操纵性能．通常，采用线性回归方法建立这些关系，但其预报结果精度难以保证．本文基于人工神经网络理论，提出了新的预报操纵性能的方法，并以船队为例作了计算
张心光[5]2012年在《基于船舶操纵性试验分析的辨识建模研究》文中研究表明船舶操纵性是船舶重要的水动力性能之一，与航行安全紧密相关。随着造船和航运业的蓬勃发展，船舶呈现出大型化、多样化等特点，操纵复杂度和难度越来越大，发生海上事故的概率也在增大。为此，早在1985年，国际海事组织（InternationalMaritime Organization, IMO）就提出了估算船舶操纵性能的初步指南，规定了船舶操纵性的基本要求。之后，IMO在1993年和2002年分别颁布了船舶操纵性暂行标准和船舶操纵性标准，对船舶操纵性提出了明确的定量要求。根据IMO的要求，为了提高船舶航行安全性，避免设计、建造不满足操纵性基本要求的船舶，应该在船舶初始设计阶段就对船舶操纵性进行预报。船舶操纵性预报的方法主要包括数据库或经验公式方法、自航模试验方法、船舶操纵运动数学模型加计算机模拟的方法和基于计算流体动力学（Computational Fluid Dynamics, CFD）的直接数值模拟方法。其中，数学模型加计算机模拟的方法是目前应用最广和最有效的方法之一。应用该方法，精确确定数学模型中的水动力导数和操纵性指数是提高预报精度的关键。目前，有四种方法可用于在船舶设计阶段确定数学模型中的水动力导数：数据库或经验公式方法、约束模试验方法、理论与数值计算方法以及结合模型试验的系统辨识方法。其中，数据库或经验公式方法受船型影响较大，应用受到限制。约束模试验方法不仅需要特殊的试验设施，费时、费力，而且存在“尺度效应”的问题。理论与数值计算方法可以计算作用在船体上的流体水动力和力矩，但要计算所有的水动力导数，特别是非线性水动力导数，目前还有很大的困难，不能满足所需要的工程精度。结合模型试验的系统辨识方法是一种船舶操纵运动建模的有效方法，有很长的发展和应用历史，随着现代试验测量技术和系统辨识方法的不断发展，该方法得到了越来越广泛的应用。船舶操纵运动数学模型主要有两大类，即水动力模型和响应模型。水动力模型包括Abkowitz模型和MMG模型。Abkowitz模型又称为整体型模型，它是把作用在船-桨-舵系统上的水动力看作为一个整体，并将水动力表达式在直航运动状态平衡点附近按Taylor级数进行展开。MMG模型又称为分离型模型，它把水动力分解为作用在船体、螺旋桨和舵上的叁部分，并充分考虑了船体、螺旋桨和舵之间的相互干扰影响。响应模型可以由线性的水动力模型导出，它反映的是船舶对操舵的转首运动响应，主要被应用于自动舵的设计，但也可以应用于简单的操纵运动预报。本论文应用一种新型的系统辨识方法——支持向量机（Support Vector Machines,SVM）对船舶操纵性试验进行分析，包括自航模试验分析和约束模试验分析，由此对船舶操纵运动数学模型进行辨识建模。SVM主要包括最小二乘支持向量机（LeastSquare-SVM，LS-SVM）、ε-支持向量机（ε-SVM）、ν-支持向量机（ν-SVM）等。本论文主要以Abkowitz模型为对象，针对船舶操纵性试验分析过程中出现的非线性问题，应用ε-SVM和神经网络对模型中的非线性函数关系进行辨识研究；在船舶操纵性试验数据预处理方面，应用素有“数学显微镜”之称的小波分析方法进行船舶操纵性试验数据消噪。在自航模试验分析方面，对ε-SVM方法及其应用进行了仿真验证，应用ε-SVM对仿真的自航模试验数据进行了分析。仿真试验类型为仿真Z形试验，所采用的数学模型为Abkowitz模型和响应模型。通过对仿真试验进行分析，首次应用基于线性核的ε-SVM辨识了数学模型中的模型参数，并利用所建立的数学模型进行了船舶Z形操纵运动预报；通过将模型参数辨识结果及操纵运动预报结果分别和用于仿真试验的模型参数值及仿真试验结果进行比较，验证了ε-SVM方法应用于船舶操纵自航模试验分析的可行性。在响应模型的辨识建模中，采用的模型为线性响应模型；为了研究ε-SVM的不敏感因子ε对船舶操纵性试验分析的影响，应用具有不同不敏感因子ε的ε-SVM对线性响应模型进行了回归并对船舶Z形操纵运动进行了预报，结果表明，通过调节不敏感因子ε值，ε-SVM具有同时达到学习效率和预报精度最佳的能力。在Abkowitz模型的辨识建模中，为减缓辨识建模过程中出现的参数漂移，采取了向训练样本对中添加随机数序列的方法，结果表明，该方法有效地抑制了参数漂移。在数学模型非线性函数关系辨识方面，为了克服经典BP神经网络的固有缺陷，如收敛速度慢，容易陷入局部极小值等，本论文开发了一种新型的神经网络——基于切比雪夫（Chebyshev）正交基的神经网络，简称“切比雪夫（Chebyshev）神经网络”，并将其首次应用于船舶操纵数学模型非线性函数关系的辨识，该网络模型以一组Chebyshev正交多项式作为隐含层神经元的激励函数，并根据标准BP算法导出了权值修正的迭代公式。文中以舵角和操纵运动变量为输入，以水动力为输出，分别应用ε-SVM、经典BP神经网络和Chebyshev神经网络对Abkowitz模型中的非线性函数关系进行了辨识，利用辨识得到的非线性函数关系进行了水动力预报，预报结果的比较表明，ε-SVM学习性能最优，Chebyshev神经网络次之，经典BP神经网络最差。在约束模试验分析方面，以国际拖曳水池会议（Internatioanl Towing TankConference, ITTC）操纵性技术委员会推荐的用于比较研究的超大型油轮KVLCC1船型为对象，利用韩国海事及海洋工程研究所（MOERI）船模水池的斜拖试验结果和意大利罗马水池（INSEAN）的纯横荡试验结果，对ε-SVM方法及其应用进行了试验验证。通过对约束模试验数据进行分析，首次应用ε-SVM回归了Abkowitz模型中的水动力表达式，并应用所得到的水动力表达式对不同工况下的水动力进行了预报，预报结果和约束模试验结果的比较验证了ε-SVM方法应用于船舶操纵约束模试验分析的可行性。在纯横荡试验分析过程中，为了消除水动力表达式变量之间的高度线性相关性，将水动力表达式进行了等价变换，有效地避免了参数漂移。在船舶操纵性试验数据预处理方面，本文首次在国际上应用小波分析方法进行了船舶操纵性试验数据消噪研究。为验证该方法的有效性，以响应模型为对象，通过向仿真的Z形试验数据中添加随机数序列，获得了含有野值的试验数据，进而应用小波分析方法对含有野值的试验数据进行消噪；基于含有野值的试验数据和经过消噪处理的试验数据，应用ε-SVM辨识了响应模型中的模型参数，并利用辨识得到的模型进行了船舶Z形操纵运动预报；通过将模型参数辨识值及运动预报结果分别和用于仿真试验的模型参数值及运动仿真数据进行比较，验证了小波分析方法应用于船舶操纵性试验数据预处理的有效性。本文工作的创新点如下：1.在国际上首次应用ε-SVM进行了基于船舶操纵性试验分析（包括自航模试验分析和约束模试验分析）的辨识建模研究。2.开发了一种新型的神经网络——基于切比雪夫（Chebyshev）正交基的神经网络，简称“切比雪夫（Chebyshev）神经网络”，并在国际上首次将其应用于Abkowitz模型中的非线性函数关系辨识。3.在国际上首次应用小波分析方法对船舶操纵性试验数据进行预处理，并对该方法的有效性进行了验证。4.在自航模仿真Z形试验分析过程中，采用向训练样本对中添加随机数序列的方法来减弱Abkowitz模型变量之间的线性相关性，有效地减缓了Abkowitz模型辨识建模过程中出现的参数漂移；在约束模纯横荡试验分析过程中，通过对Abkowitz模型的水动力表达式进行等价变换，有效地消除了水动力表达式中变量之间的高度线性相关性，避免了参数漂移。本文对基于操纵性试验分析的ε-SVM方法及其在船舶操纵运动数学模型辨识建模中的应用进行了仿真验证与试验验证；同时，为提高船舶操纵运动辨识建模的精确性，应用小波分析方法对船舶操纵性试验数据进行了预处理。论文为基于船舶操纵性试验分析的辨识建模研究提供了一种新方法，也为设计船舶操纵性试验提供了一种途径。
唐晓光, 刘祖源[6]2002年在《基于神经网络的船舶操纵运动水动力预报》文中研究指明以散货船和油船为例 ,采用神经网络方法 ,利用 matlab语言 ,完成船舶操纵运动的水动力预报 .研究结果表明 ,只要选择适当的学习样本、网络结构和学习算法 ,神经网络的水动力预报精度在实际中可以接受 .
张会喜, 周刚伟[7]2016年在《数据挖掘技术在船舶操纵运动预报中的应用研究》文中指出船舶操纵性直接影响船舶的航行安全。本文首先阐述BP神经网络的特点,并且以此为基础设计基于数据挖掘的船舶操纵运动预报的神经网络结构,选取散货船样本进行学习,获得3个预报样本,最后对散货船的水动力进行预报。预报结果表明,本文所采用的基于神经网络的数据挖掘技术预报精确度高。
蔡韡, 任元洲, 严传续, 彭涛[8]2013年在《基于神经网络的四自由度船舶操纵运动预报》文中指出结合船舶操纵运动中横摇运动的特点,建立了基于径向基神经网络的四自由度船舶操纵运动预报模型。通过Z形试验和回转试验的部分仿真数据充分训练该神经网络,然后使用训练好的网络预报10°/10°Z形操纵运动,并将预报结果与仿真值进行对比,验证了所提出预报方法的有效性。同时基于该网络预报20°/20°Z形操纵运动和35°回转运动,证明该预报方法的具有良好泛化能力。
孔祥军[9]2004年在《船舶操纵运动模拟和智能技术的应用研究》文中提出自从1960年美国华盛顿召开船舶操纵性国际研讨会以来，船舶操纵性研究不断发展，取得了十分丰硕的成果。国际海事组织(International Maritime Organization，IMO)作为负责海事安全的国际性权威机构，为推动船舶操纵性研究，提高船舶航行安全性，减少海洋环境污染危险，发挥了重大作用。另外，国际拖曳水池会议(International Towing Tank Conference，ITTC)和各国造船与轮机工程师协会(Society of Naval Architects and Marine Engineers，SNAME)在推动船舶操纵性研究方面也起了很大的积极作用。 近十年来，随着海运的发展，船舶数量迅速增加、吨位急剧增大、航速不断提高、航道日益拥挤，从而使船舶航行安全问题成为人们关注的焦点。很多国际协会比如国际海事组织(IMO)，国际引水员协会(International Maritime Pilot Association，IMPA)和国际船级社协会(InternationaI Association of Classification Societies，IACS)对船舶操纵性能提出了越来越高的要求。 通过分析船舶操纵运动，建立船舶操纵运动数学模型并进一步研究船舶操纵运动模拟，不仅可以对船舶操纵性能、运行状态作出预报，还可对港口、航道设计提供指导。 在实际的船舶航行过程中，船舶的各种操纵运动参数总是随着船舶的运行状态和航行环境的变化而发生变化，船舶操纵运动是一个时变、非线性和有干扰的过程。船舶操纵与控制系统的数学模型极其复杂，很难通过传统的数学工具来精确描述。因此，非常需要引入新的研究工具和高效的研究方法。 本文利用智能控制技术的优越性，尝试将智能化控制技术用于船舶操纵运动模拟，初步探索了将现代控制理论和智能技术融入船舶操纵预报、模拟的研究方法，提出了用于船舶操纵运动模拟的线性神经网络(LNN)、神经网络递推模型(NNRM)和NNRM、交错航迹距离(CTE)和视距(LOS)混合控制器模型叁种控制模型：并将控制模型的理论研究应用到实船试验数据分析、计算，将模拟结果与实际的试验结果作了比较。武汉理工大学硕士学位论文 船舶在水平面上的运动可以用Serret一Frenet标架和大地坐标系两种坐标系来描述。本文介绍了serret一Frenct标架在船舶操纵运动模拟与计算中的特点，讨论了Serret一Frenet标架中的船舶操纵运动方程，介绍了CTE和LOS混合控制方法，并进行了航迹追踪模拟计算。 综上所述，船舶操纵运动预报和模拟是船舶操纵性研究的重要课题。从技术角度讲，未来的预报、模拟以及在模拟器上的应用将更精确、更灵活、更深入。希望通过自己或他人的继续努力，能在本文初步工作的基础上开发出更加综合、更加完善的船舶操纵运动模拟和控制技术。
王雪刚[10]2014年在《基于支持向量机的四自由度船舶操纵运动建模研究》文中研究说明海上船舶运输在运量能耗比方面具有独特的优势,海洋船舶运输业在我国国民经济中占有不可替代的重要地位。近年来,国际海事组织相继推出了一系列新标准、新规范,对船舶的能效提出了更高的要求,高智能化的具有优良航行性能的绿色环保型船舶已成为必然的发展方向。对于军船和初稳性高较小的船舶如集装箱船,在操纵运动过程中通常伴随有较大幅度的横摇。横摇不仅影响船舶的航行安全和军船战术技术性能的发挥,还会对其操纵性产生直接的影响;另外海船航向保持、舵减摇系统和自动舵设计中都必须考虑横摇的影响。因此,迫切需要开展计及横摇运动影响的船舶操纵运动建模和预报研究。本文应用基于支持向量机的系统辨识方法对四自由度船舶操纵运动进行了建模研究。首先分别采用白箱辨识建模、灰箱建模和黑箱建模方法对两种四自由度操纵运动水动力模型——整体型和分离型操纵运动数学模型进行了研究;其次,基于四自由度线性操纵运动方程推导了耦合响应型模型;然后,对四自由度操纵运动水动力模型中的水动力系数进行了灵敏度分析,并基于灵敏度分析的结果简化了整体型和分离型数学模型;最后,应用果蝇优化算法对用于船舶操纵运动建模的支持向量机的参数进行了优化,并应用所得到的支持向量机进行了船舶操纵运动预报。在白箱辨识建模中重构了辨识方程,由此可以直接辨识出水动力系数,同时克服了耦合水动力系数的数量必须相等的限制;在灰箱建模中,无需辨识水动力系数,根据操纵运动数学模型输入运动状态变量的高阶向量,建立支持向量机灰箱预报模型,并据此预报操纵运动;在黑箱建模中,不依赖于操纵运动数学模型,直接输入上一时刻的运动状态变量,建立支持向量机黑箱预报模型,并据此预报下一时刻的运动。在叁种建模方法中都对Z形试验和回转试验进行了预报,验证了所提出建模方法的有效性及泛化性能。然后,从预报精度、计算速度和所需已知条件叁个方面对白箱辨识建模、灰箱建模和黑箱建模进行了对比研究,并基于对比分析的结果给出了叁种建模方法的选择策略。从四自由度线性操纵运动方程出发,推导了计及横摇影响的耦合响应型模型,获得了转首运动、横向运动和横摇运动对舵角的响应型关系式,并给出了各操纵性指数的完整表达式。然后,基于某集装箱船的RPMM试验数据计算了其耦合响应型模型的操纵性指数,并使用所得到的操纵性指数进行了该船的Z形试验数值模拟,预报了其转首运动、横向运动和横摇运动;通过将预报结果和基于水动力模型的预报结果进行对比,验证了所建立的耦合响应型模型的正确性。随后,基于DTMB5415的自航模试验数据,分别使用ε-支持向量机和最小二乘支持向量机辨识了其耦合响应型模型的操纵性指数,并使用辨识得到的操纵性指数进行了Z形试验预报,通过将预报结果和自航模试验结果进行对比,验证了所建立的耦合响应型模型的预报能力及泛化性能。使用直接法和间接法分别对四自由度整体型和分离型水动力模型中的水动力系数进行了灵敏度分析。基于灵敏度分析的结果,分别将整体型和分离型模型中水动力系数从102个简化到61个和从41个简化到34个。应用最小二乘支持向量机对原始仿真数据进行分析,对简化后的模型进行了白箱辨识建模,使用辨识得到的简化模型对操纵运动进行预报,并将预报结果与原始模型仿真值和简化模型仿真值进行对比,结果表明:基于直接法和间接法的水动力系数灵敏度分析是正确的;基于灵敏度分析结果的水动力模型的简化是合理的;基于支持向量机的简化模型辨识建模是有效的。所获得的简化水动力模型可用以指导船模试验设计,更便于分析和使用。对比了支持向量机结构参数和核参数对操纵运动预报精度的影响。为了减小支持向量机结构参数和核参数的选择困难,采用新型群智能算法——果蝇优化算法对支持向量机参数进行优化,并将其应用于四自由度船舶操纵运动黑箱建模中。将参数优化后预报结果与试凑参数的预报结果相比较,表明优化后的结果更准确。对比参数寻优过程表明:果蝇优化算法相比于粒子群优化算法和网格搜索法具有算法设置简单、调整参数少、不易陷入局部极小值以及易于找到全局最优解等优点。通过本文的研究,验证了支持向量机方法应用于四自由度船舶操纵运动建模的有效性,为应用系统辨识方法进行四自由度船舶操纵运动建模提供了全面的技术依托;基于水动力系数灵敏度分析的结果,获得了更便于分析和使用的四自由度简化水动力模型;基于四自由度线性操纵运动方程得到了耦合响应型模型,为考虑横摇影响的海船航向保持与舵减摇研究以及自动舵设计提供了便利。
参考文献：
[1]. 船舶操纵预报的神经网络方法[D]. 唐晓光. 武汉理工大学. 2002
[2]. 基于支持向量机方法的船舶操纵运动建模研究[D]. 罗伟林. 上海交通大学. 2009
[3]. 船舶操纵性预报及评价[D]. 张建. 大连理工大学. 2008
[4]. 船舶操纵性能预报的人工神经网络方法[J]. 刘祖源, 张谢东, 吴秀恒. 武汉交通科技大学学报. 1997
[5]. 基于船舶操纵性试验分析的辨识建模研究[D]. 张心光. 上海交通大学. 2012
[6]. 基于神经网络的船舶操纵运动水动力预报[J]. 唐晓光, 刘祖源. 武汉理工大学学报(交通科学与工程版). 2002
[7]. 数据挖掘技术在船舶操纵运动预报中的应用研究[J]. 张会喜, 周刚伟. 舰船科学技术. 2016
[8]. 基于神经网络的四自由度船舶操纵运动预报[J]. 蔡韡, 任元洲, 严传续, 彭涛. 中国造船. 2013
[9]. 船舶操纵运动模拟和智能技术的应用研究[D]. 孔祥军. 武汉理工大学. 2004
[10]. 基于支持向量机的四自由度船舶操纵运动建模研究[D]. 王雪刚. 上海交通大学. 2014
标签：船舶工业论文; 数学模型论文; 神经网络模型论文; 系统仿真论文; 数据建模论文; 船舶类型论文; 航模论文; 非线性论文; svm论文;