孟浩[1]2003年在《船舶航行的智能自适应控制研究》文中提出自动舵是船舶操纵控制系统中至关重要的设备，它一直是船舶运动控制领域内的重要研究课题之一，许多专家学者一直在致力于该方向的研究工作。早在20世纪20年代，人们就研制成功了自动舵，到目前为止，自动舵的研究工作历经了4个发展阶段，即机械自动舵、PID自动舵、自适应自动舵和智能自动舵。目前，科学工作者们正在进行第四代智能自动舵的研究。 船舶运动模型是研究船舶运动操纵和控制的基础，针对船舶模型的非线性、时变性和不确定性的特点，本文首先在讨论船舶操纵运动线性和非线性数学模型的基础上，将模糊理论和神经网络相结合，提出了一种船舶航向运动的模糊神经网络模型。同时给出了风、浪、流干扰模型和相应的船舶操纵运动仿真结果。 为使船舶能在不同状态和环境下按所希望的要求改变船舶的航向，本文提出了一种基于神经网络参考模型的船舶航向自适应控制方法，利用神经网络建立了参考模型，为船舶转向控制参考模型的建立提供了一种灵活、可行的新方法。并将模糊控制与神经网络相结合，设计了模糊神经网络控制器，利用神经网络的学习功能对该控制器的隶属度函数及推理规则进行了修正，以提高其自适应能力。 本文还提出了一种基于模糊CMAC神经网络的船舶航向智能自适应控制算法。为便于更好地寻找最优参数，进一步改善控制性能，将GA算法、遗忘因子法和BP算法相结合，提出了一种基于混合学习算法的船舶航向智能自适应控制方案。 仿真结果表明上述各种控制方案均具有较好的控制效果，较强的抗干扰能力和自适应能力。 最后，从船舶运动控制系统的研究角度出发，为减少海上试验次数，降低试验成本，缩短开发周期，保证海上试验的安全，本文提出了一种新颖、实用的船舶运动半物理仿真系统方案，并完成了系统的设计和调试，达到了预期的效果。为船舶运动控制算法的研究、自动舵和减摇鳍等船舶运动控制产品的陆上调试建造了一个良好的试验环境。
张薇[2]2008年在《船舶运动智能PID控制研究》文中研究表明自动舵是船舶操纵控制系统中至关重要的设备,是船舶操纵性能好坏的标志。它一直是船舶运动控制领域内的重要研究课题之一,许多专家学者一直在致力于该方向的研究工作。传统的PID自动舵缺乏对船舶动态特性及海况的适应能力,并且依赖于精确的数学模型,而模糊控制不苛求被控对象具有准确的数学模型,对系统模型参数的变化有较强的适应能力,有望解决传统PID控制的弊端。本文的工作就是基于这样的背景开展起来的。早期的控制方法为Bang-Bang控制、PID控制,而后为自适应控制、最优控制、鲁棒控制、非线性控制,到现在研究的智能控制。这些控制方法都应用到船舶航向控制的研究中,并已形成了PID自动舵、自适应自动舵等产品,但由于船舶运动的复杂性,船舶的动态特性具有大惯性、大时滞、非线性等特点,航速及装载变化产生了模型的参数摄动;航行中海风对船舶动态产生偏置力和附加动力、海流产生船位的漂移、海浪造成船舷向角的附加高频振动和低频漂移,以及航行条件的变化、环境参数的严重干扰和测量的不精确性等都使船舶动态产生不确定性,而传统的自适应控制等控制方法无法有效控制未建模动态系统,从而影响了自适应舵的控制效果。为了解决上述问题,需要进一步将智能控制技术引入自动舵的技术中,研究混合型的智能自动舵,本文采用了将PID与模糊控制相结合的方法,以适应船舶运动控制的要求。首先对船舶操纵控制技术和智能自适应控制技术发展现状以及PID控制器参数整定方法的概况进行了综述。在分析了船舶操纵运动的动力学方程的基础上,建立了船舶航向控制的线性和非线性数学模型以及风、浪、流的干扰模型。简单介绍了船舶航向控制的基本原理,同时研究传统的PID自动舵的数学模型及设计过程。在分析了传统自动舵控制缺陷的基础上,为使船舶能在不同状态和环境下按所希望的要求改变船舶航向,提出了一种基于模糊控制的自适应算法。首先讨论了模糊控制的基本思想和基本理论,在此基础上分析了船舶航向控制这种特殊的被控对象的特性,从而提出了船舶航向的模糊控制技术,设计了船舶航向模糊控制系统,这也是进一步设计其它高性能模糊控制器的基础。这种控制器易于设计、实现方便,较传统PID控制有更快的响应速度和更小的超调,但其存在静态误差;为了进一步提高模糊控制器的控制特性,在此基础上分别设计了模糊PID控制器。利用模糊集合理论在线自调整PID参数,结合模糊控制和PID控制各自的优点,从而提高了系统的自适应能力和实现了无差控制。本文最后给出了控制器的仿真曲线,仿真结果表明所设计的控制器达到了预期的控制效果。
刘洋[3]2013年在《船舶动力定位的智能控制及推力分配研究》文中指出随着航海科学技术和船舶与海洋工程的发展,当代海洋资源开发和海上运输对于船舶动力定位系统的要求越来越高,也促进了动力定位系统技术的快速发展。研究动力定位问题具有重要的理论意义和实用价值。叁自由度的水面船舶是典型意义的非线性系统,它具有强耦合、大惯性、模型参数不确定性以及工作中受到外界的风、浪和流干扰的特点,传统PID和LQG方法虽然在动力定位系统中取得了应用,但是随着人们对定位精度要求的提高,这些方法存在着一定的局限性,因此吸引了国内外广大学者的兴趣。本论文探索和系统研究船舶动力定位新的控制方法,完成了以下研究工作：(1)根据MMG模型理论建立了一个动力定位船舶的非线性数学模型,为了说明此模型的精确性,通过船舶旋回仿真实验和实船的比较研究来验证模型的有效性。为了实现船舶的航向保持控制,将一种线性自抗扰控制方法应用于船舶运动模型当中,仿真结果表明该控制算法的有效性。(2)基于简化的船舶航向Norrbin非线性模型,针对模型参数不确定和控制增益未知的非线性船舶航向控制问题,采用RBF神经网络自适应控制,提出了一种新的非线性航向保持控制器。理论上,先证明存在连续的控制律,然后通过RBF神经网络对其逼近,最后借助Lyapunov稳定性理论分析证明了船舶航向保持闭环系统的所有误差信号一致最终有界。(3)针对带有模型参数确定和外界风浪流干扰的动力定位水面船舶,采用双环滑模变结构方法设计船舶动力定位控制律,利用积分滑模来实现切换函数的设计。外环滑模控制律实现船舶位置的控制,外环控制器产生速度指令,并传送给内环系统,然后通过内环滑模控制律实现船舶实际速度对速度指令的跟踪,Lyapunov稳定性分析证明了闭环系统的所有误差信号渐近稳定。(4)针对带有模型参数不确定和外界风浪流干扰的动力定位水面船舶,提出一种动力定位船全速域RBF神经网络自适应控制器。在反步设计的过程中,采用RBF神经网络与Nussbaum函数相结合的控制策略。该方法有效地避免了控制器的奇异问题和反步设计过程中的“计算膨胀”问题,Lyapunov稳定性分析证明了闭环系统的所有误差信号一致最终有界。(5)针对带有模型参数不确定和外界干扰的动力定位水面船舶,提出一种动力定位船全速域自适应输出反馈控制器。首先应用Lyapunov直接法设计出全局指数稳定的观测器,然后采用反步设计方法设计出自适应输出反馈控制器,最后利用串级系统理论分析证明了船舶动力定位闭环系统的所有误差信号渐近稳定。(6)针对带有非线性约束条件的推力分配优化问题,对动态的等式约束进行等份离散,在传统的粒子群算法中进行了改进,加入了改进的惯性因子,改进的比较准则和改进的干扰算子,将改进后的粒子群算法应用到推力分配策略中,从仿真中可以看出,改进的粒子群算法可实现推进系统有效跟踪期望指令。
刘清[4]2002年在《船舶操纵运动模糊神经网络控制系统研究》文中提出随着航运事业的发展，船舶朝着大型化、高速化、智能化方向发展。超大型船舶在航行时，具有很大的惯性，对船舶的操纵控制要求高。另一方面，航运量的不断增大，船舶航行密度越来越大，航道及港口变得相对狭窄，船舶操纵变得更加困难和复杂。为保证安全，提高航行的经济性，对船舶的操纵性能提出了更高的要求，因而有必要采用新的控制理论和技术，研究性能更好的船舶操纵控制策略。本文对船舶操纵运动控制中的模糊控制、神经网络控制和遗传算法进行了系统地研究，致力于研究采用模糊逻辑、神经网络和遗传算法的无模型自学习自适应控制系统。 本文根据船舶操纵运动控制的特点，构造了船舶航向模糊控制器的输入输出语言变量值的隶属函数、控制规则，设计了一个模糊控制器。针对基本模糊控制器的不足，提出一种带模糊PI控制的参数自调整的双级模糊控制器，应用于船舶航向控制系统时，系统的抗扰性和响应速度方面均获得满意效果。通过建立模糊控制器的描述函数，分析得出船舶航向模糊控制系统是稳定的结论。 自适应的模糊控制器是人们追求的目标，本文提出了两种船舶操纵自适应型模糊控制系统。一是将模糊控制与传统控制结合，应用模型参考自适应控制的思想构成的模型参考模糊自适应控制，该方法将模糊逻辑的推理能力应用到自适应机构，解决了常规模型参考自适应机构算法复杂的问题，提高了模型参考自适应控制系统的稳定性。二是基于机器人重复控制的学习机理，提出了一种船舶航向自学习型模糊控制系统，分析了该系统的特点。 本文在对控制中应用最多的前馈型神经网络的结构、算法及收敛性方面分析比较基础上，提出应用RBF网络对船舶操纵运动动态特性进行辩识，仿真表明辨识精度和速度方面都能够获得满意的结果。在非线性和不确定性系统的神经网络控制方面，论文总结了一些现有的神经网络自学习控制系统，然后将神经网络和常规控制(例如PID控制、自适应控制、内模控制等)结合起来，根据船舶操纵的特点，详细研究和分析了有监督学习、无监督学习和再励学习的船舶航向神经网络自学习型自适应控制系统。 针对模糊逻辑系统有很强的知识表达能力和逻辑推理能力，但自学习能力比较差，而人工神经网络在自学习和函数逼近方面又具有独特的优越性，将两者结合，用神经网络来实现模糊逻辑系统，构造了一个基于模糊神经网络控制武汉理工大学博士学位论文器的船舶航向自学习型自适应控制系统，提出用改进的遗传算法代替神经网络中经典的BP算法实现模糊神经网络的学习，综合船舶航向控制性能和节能要求，建立了系统的适应度函数。为船舶操纵运动模糊神经网络控制系统的实际应用奠定了基础。 最后本文从工程实现的角度出发，提出了一种船舶航向和航迹智能控制系统实现方案，指出在船舶航向和航迹智能控制系统中必须增加一个专家决策机构，以便实时决策系统的控制策略与手段。同时提出了系统实现的总体方案，该方案对实际工程应用具有指导意义。 本论文以国家自然科学基金项目“船舶碰撞与避碰的运动机理及计算机智能模拟系统研究”(批准号:19872052)和“基于高速船轻型结构流体冲击响应、控制与实验方法研究”(批准号:10072043)为依托，论文研究受到交通部重大科技项目和交通部优秀青年骨干教师专项经费的资助。
吴恭兴[5]2010年在《无人艇操纵性与智能控制技术研究》文中提出水面无人艇是一种能够在实际海洋环境下安全自主航行,并完成各种任务的海上智能运动平台。与有人驾驶的舰艇相比,无人艇具有许多突出的战术技术特点,它体积小隐蔽性好、航速高、机动灵活、无人员伤亡危险等,在未来非对称立体战争中,无人艇将完成诸如扫雷、电子信息战、情报侦察与监视(ISR)、反恐、精确打击和武力保护等特殊任务；在恶劣海况(如海上大风、巨浪、热带风暴、海雾等)的探测研究和预警预报方面,无人艇将发挥其重要作用,因而越来越多地受到了世界各国的重视。在高度动态和不可预测的海洋环境里,为了达到高度自治,无人艇需要灵活可靠的操纵性能、精确快速的控制能力来确保其他船只与自身的安全；同时,从加强无人艇的自适应性与智能性,改善无人艇工作性能的观点来看,其控制系统还应该具备良好的自适应、自学能力功能,从而需要引入人工智能来设计无人艇的智能控制系统。本论文以“翔龙号”无人艇为研究对象,首先通过分析高速滑行艇的操纵运动机理,并结合实艇试验数据辨识的方法,建立了无人艇五自由度的操纵性数学模型；其次,利用最小二乘支持向量机的回归原理,根据结构风险最小化准则的学习原理,对小样本的无人艇Z型试验数据引入线性核函数,通过分步辨识的方法,辨识了无人艇艏向响应方程中的一、二阶线性与非线性参数,并验证了二阶非线性响应方程具有很好泛化性能；然后,在该无人艇操纵运动模型的基础上,把S面控制算法和模型参考自适应规律的设计原理相结合,根据李雅普诺夫稳定性理论设计了基于参考模型的S面自适应艏向控制器,并验证了该控制算法具有较好的抗模型参数变化和外界干扰的能力；之后,把仿人智能控制的在线特征辨识、启发式直觉推理逻辑和多模态控制的优点与人类小脑的协调运动机理相结合,提出了基于小脑模型的仿人智能协调控制策略,设计了基于发动机、喷水推进器喷嘴和倒车斗协调运动的无人艇基础运动控制策略,并根据人体运动控制系统结构的特点,提出一种仿人智能的混合式分层递阶结构,并利用智能图式的学习进化原理,在实践中不断完善和改进,则形成一种混合仿人智能图式的体系结构；最后,通过无人艇的定艏向、定航线等海上试验验证了该仿人智能协调控制方法和基于混合仿人智能图式体系结构的无人艇自主驾控系统的可靠性和工程实用性。
徐建辉[6]2006年在《混合智能在船舶航迹控制中的应用》文中认为自动舵是重要的船舶操纵设备,航迹控制对于船舶航行的安全性和经济性具有至关重要的作用。由于船舶运动的复杂性,传统的控制方法很难取得好的控制效果。本文对模糊逻辑和神经网络智能控制方法及其在船舶航迹控制的运用进行了研究。本文对自动舵的由来、历史发展、国际和国内相关领域的研究状况和最新进展进行了回顾和总结;详细阐述船舶运动控制的数学模型及舵机的数学模型,并对船舶模型控制机理、操纵性能做了简要的探讨;详细阐述了航迹控制的基本理论基础,并对船舶航迹控制机理船位推算等做了探讨,提出了模糊神经网络间接航迹控制器,并利用遗传算法来优化控制器参数,降低因船舶本身参数的变化和环境的变化对控制性能的影响。最后运用MATLAB软件所提供的SIMULINK工具箱对PID航迹控制器和模糊神经网络间接航迹控制器做了仿真比较,分别模拟在无干扰和实际航行中外界干扰情况下系统的响应特性曲线,证明模糊神经网络航迹控制器具有模糊逻辑和神经网络的优点,改善了船舶航迹控制特性,使航迹精度和鲁棒性得到了较大的提高。
施冬梅[7]2008年在《基于SVM的船舶航向广义预测控制》文中提出航向控制是船舶操纵控制中最基本的,它的任务是保持航向和改变航向,航向控制直接关系到船舶航行的操纵性、经济性,它与航行安全、能源节约和操作省力密切相关。本文针对常规自动舵响应速度慢,舵角操作不稳定,误差较大等缺陷,提出了将支持向量机系统辨识的方法与广义预测控制基本算法结合起来对船舶航向进行控制,以达到预期的控制效果。论文的具体研究和实现包括了以下几个方面:1、研究了船舶运动的数学模型,以及包括风、流、浪等非线性力作用在船舶上的外界干扰力和力矩的计算模型,建立了完善的非线性船舶运动数学模型。2、阐述了广义预测控制的基本算法,介绍了广义预测控制参数对系统性能的影响,分析了广义预测控制算法的稳定性和鲁棒性,为本文的研究工作奠定了理论基础。3、对支持向量机辨识的相关理论进行了分析,针对船舶运动具有非线性、大滞后等复杂性的特点,用叁种不同类型的支持向量机分别对已建立的船舶模型辨识,仿真结果表明支持向量机具有良好的辨识精度和非线性函数拟合能力。经过比较筛选出了编程相对简单、调整参数容易、易于达到期望效果的v-SVM作为预测模型。4、根据广义预测控制基于预测模型的特点,提出将支持向量机模型辨识作为广义预测控制的预测模型,并加以相应的GPC算法实现了对船舶的控制。与基于BP神经网络的人工智能自动舵仿真试验结果进行比较,具有更强的鲁棒性和适应非线性对象的能力,对高性能智能自动舵的设计具有研究指导意义。
孙巧梅[8]2013年在《无人艇建模及逻辑网络自适应控制方法的研究》文中进行了进一步梳理近年来,无人水面艇(USV)凭借其体积小、灵活性好、航速高、无人员伤亡等优势,受到了学者们的广泛关注。由于USV的高阶性、非线性、强耦合和强不确定性,建立较为精确的动力学模型具有很大难度。此外受到海风、海浪及其他干扰的影响,USV会产生六自由度的复杂运动,具有很强的随机性和非线性,产生了传统控制手段难以快速精确控制的问题。有效的运动控制系统对提高侦察设备观测效果、武器装备系统精度都是十分重要的。海洋环境的高度动态和不可预测使USV的控制能力需要加强,其控制系统还应具有良好的自适应、自学习能力,从而需要采用先进的控制策略,才能得到满意的操纵性能。智能自适应控制方法非常适用于解决这类问题。本文针对以上问题,研究USV的数学建模以及自适应控制方法,主要工作可概括为以下几个方面：分析USV在坐标系中的运动和动力学特性,讨论作用在USV上的各种力和力矩,建立USV六个自由度上的数学模型。采用MMG分离型机理建模方法,在Abkowitz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,并充分考虑各部分之间的相互干扰影响。研究LFN逻辑网络理论技术及在USV控制系统中的应用。提出一种LFN逻辑网络结构,并给出其相应的学习算法。采用统一神经元AND_U和OR U作为LFN网络的基本运算单元。以该LFN网络为基础,同时结合Line-of-sight算法,提出基于LFN网络的航迹控制系统。该逻辑网络可以融合先验知识,并且训练结果可以直接转化为复合模糊规则语句。网络采用混合优化策略。网络结构动态优化首先用遗传算法寻找最小的网络结构,再用修剪法进行调整。在参数优化方面,采用梯度法和粒子群算法相结合的混合算法。结合船舶与海洋工程研究的特点和要求,将设计的控制系统置于不同的海洋环境条件下,以Matlab/Simulink为平台进行数字仿真实验。仿真结果表明该方案的有效性。提出一种基于支持向量回归(SVR)算法和反馈线性化理论的自适应逆控制器,研究该控制器在USV控制系统中的应用。以自适应逆控制基本理论为出发点,采用SVR在线自适应辨识算法建立被控对象的逆模型。首先研究基于SVR的USV自适应逆航向控制方法,再进一步研究简化的航迹模型,结合输入输出反馈线性化理论思想,通过逆动态模型和逆误差补偿项的离线辨识,将辨识的逆模型作为控制器,提出基于反馈线性化SVR方法的航迹自适应逆控制系统。并以Matlab/Simulink为平台进行的数字仿真实验。仿真结果可以得出,该控制方案为解决无人水面艇运动控制问题提供了一个有效的途径。
宋杨[9]2013年在《船舶减摇无模型自适应控制技术研究》文中研究指明海上航行船舶受到海洋风浪流干扰后,将产生六个自由度运动,其中横摇运动对船舶的影响最大。剧烈的横摇运动不仅使船员无法正常工作,严重的有可能导致设备仪器失灵,甚至有可能导致船舶海难事故的发生,造成环境污染和财产生命等重大损失。如何有效地避免这种现象的发生是目前船舶运动控制领域的热门课题。为保证船舶安全航行,首先要研究海洋环境的特性,以便研究海洋环境对船舶的扰动作用,分析航行于海上的船舶一般运动规律。其次要研究船舶横摇运动的动力学特性,分析引起横摇运动难于控制的原因。此外要研究选用什么样的装置来控制横摇运动、典型的控制系统各组成部分的作用,以及常用的控制器的形式。最后要引入新的控制算法以提高控制系统的控制效果,从而达到控制横摇,并安全航行的目的。本文以船舶的横摇运动为研究对象,在分析其动力学特性后,重点研究了横摇运动减摇控制的新策略,具体研究内容如下：(1)基于改进的希尔伯特-黄变换方法对船舶大幅横摇运动的非线性响应特性的分析研究。深入研究了希尔伯特-黄变换方法的实现过程,并结合船舶横摇运动时序呈现出非线性、随机性和非平稳性等特征的特点,提出了改进的希尔伯特-黄变换分析方法。改进的算法以滑动窗口技术和叁次B样条理论为基础,提高了分解速度,使得实时经验模态分解名副其实。改进算法在船舶横摇运动的响应特性分析中的应用,不仅扩展了该方法的应用领域,同时,更深入地分析了船舶横摇运动的频率构成因素,分析了横摇运动难于控制的原因所在,为基于无模型控制理论在船舶横摇运动控制中的应用奠定基础。(2)基于多新息理论、跟踪微分器技术和混沌遗传优化算法的改进标准无模型自适应控制理论研究。深入分析了模型控制策略和经典控制策略(PID控制)在船舶减摇控制系统中存在的问题,提出了无模型自适应控制策略引入的必要性和可行性。针对船舶减摇控制系统的特点,提出了叁点改进：第一,通过理论推导及仿真验证了基于多新息理论用于改进无模型自适应控制方法的可行性,因改进无模型自适应控制方法中控制律形式的改变,在保证良好的跟踪性能的前提下,提高了控制算法的收敛速度。第二,通过仿真验证了将跟踪微分器技术用于改进无模型自适应控制方法的可行性,因跟踪微分器技术的引入,增强了控制算法的抗干扰能力。第叁,将智能优化算法-混沌遗传算法融合在改进的无模型控制方法中,提高了算法的自适应能力。(3)将改进的无模型自适应控制算法作为新的控制策略,应用于船舶减摇控制系统中。以单一减摇鳍减摇系统及减摇鳍-减摇水舱联合减摇系统为被控系统,通过与传统PID控制、标准无模型自适应控制策略的控制效果对比,验证了本文所提出的改进方法的有效性和实用性。(4)船舶在不规则海浪中运动的仿真研究。开发设计了船舶摇荡运动的仿真平台。该平台具有界面简单、实时运算速度快和叁维显示的特点,不仅可为科研工作人员提供船舶的运动规律,为船舶的设计提供理论基础,同时可直观观察船舶的实时叁维运动形态,为船舶的减摇控制提供了一种可视化、形象生动的表现形式。
葛艳[10]2005年在《基于模糊—进化理论的帆船运动路线规划研究》文中指出帆船在海上行驶是一个极其复杂的过程,要受到海浪、海风及海流等环境条件变化的影响,是一个具有复杂环境、不完备信息的系统。帆船比赛是运动员驾驶帆船在规定的距离内比赛航速的一项运动。如何依据比赛时的海洋气象信息制定最优航行轨迹是比赛取胜的重要环节。利用现代信息技术和智能控制方法规划最优航行路线,指导帆船运动项目的科学训练,提高运动员成绩,促进复杂系统的理论研究,是一项具有实际应用和科研价值的课题。 从优化理论的角度来看,帆船运动路线的规划是一个时变、非线性、受约束、不确定性系统的优化问题,包括帆船力学特性、航行策略、航向控制、航向决策、路线规划等一系列相互关联的问题。 针对以上问题,本文在国家自然科学基金项目“基于模糊-进化理论的奥运帆船项目路线规划方法的研究”的资助下,展开基于模糊-进化理论的帆船运动路线规划的研究。具体的研究内容包括以下几部分: 1.首先对帆船的船体、风帆的受力、及帆船操纵运动及其干扰信号的数学模型进行了较详细的综述。 2.利用流体力学原理分析风帆、船体的受力情况及帆船运动情况,提出了依据风向变化调整帆转角,选择帆船最佳航向的控制策略。进行帆船行驶控制策略分析。与海浪和海流的干扰力相比,风向和风速的变化对帆船的航向和航速的影响最大。忽略海浪和海流对帆船行驶产生的扰动影响,依据对帆船受力情况及运动情况的分析,建立一定区段内航行时间最短的受约束非线性多元函数。利用约束最优化方法,求解不同风向时航行时间最短的转帆角和航向角,从运算结果中归纳出简单易行的航行策略。所推导出的航速预测公式以及航行控制策略,是后续进行帆船操纵运动智能控制以及帆船运动路线规划研究的必备前提条件。 3.提出了一种帆船操纵运动的模糊自适应控制方法。针对模糊逻辑系统有很强的知识表达能力和逻辑推理能力,但自学习能力比较差,而人工神经网络在自
参考文献：
[1]. 船舶航行的智能自适应控制研究[D]. 孟浩. 哈尔滨工程大学. 2003
[2]. 船舶运动智能PID控制研究[D]. 张薇. 哈尔滨工程大学. 2008
[3]. 船舶动力定位的智能控制及推力分配研究[D]. 刘洋. 大连海事大学. 2013
[4]. 船舶操纵运动模糊神经网络控制系统研究[D]. 刘清. 武汉理工大学. 2002
[5]. 无人艇操纵性与智能控制技术研究[D]. 吴恭兴. 哈尔滨工程大学. 2010
[6]. 混合智能在船舶航迹控制中的应用[D]. 徐建辉. 上海海事大学. 2006
[7]. 基于SVM的船舶航向广义预测控制[D]. 施冬梅. 苏州大学. 2008
[8]. 无人艇建模及逻辑网络自适应控制方法的研究[D]. 孙巧梅. 大连海事大学. 2013
[9]. 船舶减摇无模型自适应控制技术研究[D]. 宋杨. 大连理工大学. 2013
[10]. 基于模糊—进化理论的帆船运动路线规划研究[D]. 葛艳. 中国海洋大学. 2005
标签：船舶工业论文; 自适应论文; 自适应控制论文; 自动化控制论文; 仿真软件论文; 船舶类型论文; 线性系统论文; 船舶论文; 人工智能论文; 神经网络论文; 模糊控制论文; 非线性论文;