船舶航向非线性系统自适应神经网络控制
基于神经网络的船舶自主控制系统
基于神经网络的船舶自主控制系统一、引言随着科技的进步，自主控制技术的应用已经日益广泛。
虽然自主控制技术已经被广泛应用在汽车、无人机等领域，但是在船舶的应用还比较少。
本文旨在介绍基于神经网络的船舶自主控制系统的实现方法，并分析其优缺点。
二、神经网络介绍神经网络是一种人工智能技术，通过模拟生物神经网络的结构和功能来实现对信息的处理和学习。
神经网络由多个神经元组成，每个神经元通过调整权值和阈值，来实现对输入信号的处理和输出结果的生成。
三、船舶自主控制系统框架船舶自主控制系统包括控制器、传感器和执行机构三部分。
其中，控制器通过对传感器采集的信息进行分析处理，生成相应的控制策略，控制执行机构实现对船舶的操纵。
四、基于神经网络的船舶自主控制系统实现神经网络可以用于控制器的设计。
通过将传感器采集的数据输入神经网络进行学习和训练，实现对船舶行驶状态的识别和预测，并生成相应的控制指令。
在实现过程中需要注意以下问题：1.神经网络结构的选择：由于传感器采集的数据可能相互之间存在复杂的关联关系，因此需要选择适当的神经网络结构，如卷积神经网络（CNN）、循环神经网络（RNN）等。
2.数据的预处理和标准化：在将采集的数据输入神经网络之前，需要对数据进行预处理和标准化，例如去噪、归一化、幅度调整等，以提高数据的准确性和稳定性。
3.神经网络的训练和优化：神经网络的训练过程可以使用多种算法，如BP算法、遗传算法等。
在训练过程中需要注意防止过拟合和欠拟合等问题。
五、优缺点分析基于神经网络的船舶自主控制系统具有以下优点：1.能够自适应、学习和优化控制策略，适应不同船舶的性能和环境状态。
2.能够减少人为控制的误差和干扰，提高控制精度和效率。
3.能够实现对复杂环境的感知和控制，提高船舶的安全性和稳定性。
但是同时也存在一些缺点：1.神经网络的设计和训练需要相对高的技术门槛和成本。
2.神经网络的输出结果可能存在误差和不确定性。
3.系统的运行稳定性和可靠性需要进一步验证和改进。
神经网络在自适应船舶操作系统中的应用
神经网络在自适应船舶操作系统中的应用随着科技的发展，船舶的自动化程度越来越高。
而神经网络作为智能系统中的一种重要组成部分，不仅可以提高船舶自动化的水平，还可以使得船舶系统更加智能和自适应。
神经网络在船舶操作中的应用，主要体现在以下几个方面：1. 船舶自动化控制神经网络可以通过监测船舶运行状态，进行数据分析和处理，预测船舶的行驶路线、风浪影响等因素，以及根据目标速度、距离等指令进行自动化控制。
这样，船舶的自动控制系统可以更加智能化，提高航线的安全性和准确性。
2. 船舶排污控制船舶排放污染物是海洋环境面临的严重问题之一。
神经网络可以通过对船舶运行数据、天气情况等因素的分析，建立污染物排放模型，实现对船舶排污的可控、可预测和自适应控制。
这样，可以有效地保护海洋环境，促进海洋生态平衡。
3. 船舶故障预测船舶故障往往会对航行安全造成重大影响。
神经网络可以利用船舶各个系统之间的关联性，对船舶各个系统的运行状态进行实时监测和数据分析，提前预测可能发生的故障，同时对故障的原因和解决方案进行分析，以最大限度地确保船舶的航行安全。
综上所述，神经网络在船舶自动化控制、船舶排污控制和船舶故障预测等方面的应用，能够提高船舶的自动化程度和智能化水平，进一步保障船舶运行的安全和环保性，同时也可以降低人力资源和物理资源的消耗成本。
因此，在未来的航运发展中，神经网络的应用将与船舶技术越来越密切相关，成为航运领域的重要推动力量。
在神经网络应用于船舶操作系统中的过程中，需要大量的数据进行分析和训练。
以下是一些与船舶操作和运行有关的数据：1. 船舶传感器数据船舶传感器通常包括位置数据、速度数据、朝向数据、温度数据等。
这些数据可以用来进行航线规划、航速优化等操作。
传感器数据的可靠性对于神经网络的训练和船舶运行控制至关重要，因此需要设计高灵敏度、高准确度的传感器系统。
2. 天气数据海洋环境的变化对于船舶的操作和运行具有重要影响。
例如，海浪、风力、雨水等都会对船舶运行造成一定程度的影响。
船舶直线控制反步自适应神经网络算法
船舶直线控制反步自适应神经网络算法段海庆;孙宏放【期刊名称】《南京理工大学学报（自然科学版）》【年(卷),期】2012(036)003【摘要】In order to solve the control problem of nonlinear systems with uncertainties, a radial basis function (RBF) neural network ( RBFNN) method for ship course control is studied here. A three-order nonlinear model with uncertain parameters is established. A controller design strategy based on the RBFNN estimation is proposed for the parameter uncertainties of the system. The RBFNN approach provides an effective way for controlling nonlinear systems. Simulation results demonstrate the effectiveness of the proposed approach.%为了解决控制模型完全未知情况下非线性系统的控制问题,该文以船舶航向为控制对象,研究了径向基神经网络(RBFNN)方法.建立参数不确定的船舶运动的三阶非线性模型,针对系统的参数的不确定问题,提出了基于RBFNN估计的控制设计策略.利用神经网络对非线性参数不确定性进行了在线估计,然后利用反步法进行了控制器设计.RBFNN方法对于非线性系统提供了一种有效的解决方法,仿真结果证明了该方法的有效性.【总页数】5页(P427-431)【作者】段海庆;孙宏放【作者单位】哈尔滨工程大学自动化学院,黑龙江哈尔滨150001;哈尔滨工程大学自动化学院,黑龙江哈尔滨150001【正文语种】中文【中图分类】TP273【相关文献】1.基于反步自适应神经网络的船舶航迹控制 [J], 段海庆;朱齐丹2.直线游标永磁电机反步滑模控制研究 [J], 唐红雨;徐峰;黄海峰3.基于反步自适应控制算法的船舶航向控制方法 [J], 安顺;何燕;王龙金4.一类不确定非线性系统反步自适应神经网络控制研究 [J], 于占东;王庆超5.船舶自动舵自适应神经网络控制算法研究 [J], 严张凌;代茂因版权原因，仅展示原文概要，查看原文内容请购买。
基于非线性自适应控制器的船舶动力定位系统设计
舰船科学技术 SHIP SCIENCE AND TECHNOLOGY
Vol. 40, No. 5A May , 2018
基于非线性自适应控制器的船舶动力定位系统设计
吕 莉，李 艳 (四川工业科技学院 电子信息工程学院，四川 德阳 618000)
摘 要: 船舶的动力定位是指借助分布于船体四周的推进器和船舶动力控制系统，产生一定方向和大小的推 进作用力，抵消来自海风、海浪等作用力和作用力矩，使船舶不需要借助锚链等固定设备就可以在海上保持稳定的 定位。船舶动力定位具有精度高、稳定性强、灵活性强等优点，目前在深海探测、深海资源开发等领域获得了广泛 的应用。动力定位系统的核心是动力控制系统，该控制系统是个典型的非线性系统，本文设计了一种基于非线性模 糊自适应控制器的船舶动力定位系统，建立了船舶动力定位系统的模型，并分析了该动力定位系统的运行原理。
本文首先介绍了船舶动力定位系统的组成，并建 立了动力定位系统的数学模型，然后结合非线性自适 应控制方法，设计了一种新型的船舶动力定位系统， 并对该动力定位系统做了仿真试验。
1 船舶动力定位系统的研究与数学模型的建立
通常，船舶动力定位系统由传感器、控制器和动
收稿日期: 2018 – 03 – 20 基金项目: 四川省科技厅支撑计划项目 (2014000000) 作者简介: 吕莉 (1982 – )，女，硕士，讲师，主要从事软件技术的研究。
关键词：非线性自适应；自适应控制器；动力定位
中图分类号：U662.26 文献标识码：A
文章编号： 1672 – 7649(2018)5A – 0097 – 03
doi：10.3404/j.issn.1672 – 7649.2018.5A.033
23592873
２０ ０ ６年 ｌ ２月
船 舶 航 向非 线 性 系统 的 模 糊 神 经 网络 智 能控 制器 设计
阮久 宏
（ 山东变通学院 科 研处 ， 东 济南 ２０２） 山 ５０３
摘要： 船舶： 吭向控制系统具有典型的非线性和不确定性特性， 并受 自动舵执行能力的约束， 这使得作为船舶智能 化基础的航向控制极具挑战性。首先分析了船舶航 向运动特性， 给出带有舵约束的航 向运动非线性数学模型； 然后以模糊神经网络为控制器结构， 在噪声加入和参考轨迹设置算法的支持下使用遗传算法对控制器参数进行 自 动搜索和优化， 设计一种船舶航向智能控制器 ； 一 最后对航向控制进行仿真。结果表明， 所设计的航向智能控制
预测控制 、 精确反馈线性化 、 反步法等对控制对象模型要求 较高， 算法不易被工程设计人员掌握 ； 神经 网
络控制的泛化能力有待于进一步研究 ， 控制的完备性问题未彻底解决 ； 模糊控制 的工程设计直观易行 ， 但 控制规则 的确定和优化还很 困难。
最近 ２ 来 ， 自动化基础上提出的智能化船舶发展很快 ， ０ａ 在 但受 限于船舶 运动的复杂性 ， 船舶运动
的控制问题。实际上 ， 船舶运动具有大惯性 、 非线性等特点 ， 航速及装载的变化产生了模型参数摄动 ； 航
行 中风对船舶产生均风力和附加变动风力 ， 流产生船位的漂移 ， 浪造成船舶航 向角的高频变化和船位低 频漂移 ， 以及航行条件的变化 、 环境参数的严重干扰等都使船舶运动产生不确定性 ， 使得 自适应控制技
的智能控制问题一直没有得 到较好的解决。事实上 ， 目前的船舶航 向控制器绝大多数还是基于 ＰＤ或 自 Ｉ
适应控制方法设计 的， 其应用范围和控制效果难 以满足船舶智能化的要求。 本文面向船舶航向非线性系统模 型， 利用模糊逻辑和神经网络对不确定性 的 良好适应能力 ， 使用遗 传算法设计了一种具有强鲁棒性 的模糊神经 网络航向控制器。
基于BP神经网络的船舶航迹控制技术
基于BP神经网络的船舶航迹控制技术随着船舶制造水平的提高和海洋科技的不断发展，船舶行驶越来越普遍。
在无人驾驶的趋势下，对于船舶航迹控制技术的需求也越发强烈。
基于BP神经网络的船舶航迹控制技术是一种高效、准确的控制方法。
BP神经网络由输入层、中间层和输出层构成。
输入层接收外部信息，通过传递到中间层进行信息处理，最终输出结果。
BP神经网络的训练是通过反向传播算法进行的，即根据输出和实际误差逐层逆向调整各层节点的权值。
在船舶控制中，BP神经网络的输入层可以接收各种传感器测得的水平、垂直方向的速度、角度以及海流等船舶运动状态量；输出层则输出需要调整的舵角等控制量。
在船舶控制方面，BP神经网络的优势在于其能够适应不确定、非线性等复杂系统特性，具有较好的泛化能力，并且具有自适应调整能力。
此外，BP神经网络的训练也非常方便，可以利用历史数据进行训练，减少了对实时控制系统的干扰。
航迹控制过程中，BP神经网络可以根据船舶状态和外部环境实时更新信息，进行快速、准确的控制输出，从而实现预期航迹的维持。
当然，BP神经网络也存在一些问题。
首先，训练过程需要大量的数据，需要有足够的历史数据进行事先编程。
其次，在实际控制过程中，如果船舶状态发生急剧变化，BP神经网络可能需要时间来适应新的船舶状态，导致控制延迟。
此外，BP神经网络的结构也需要根据实际情况进行设计和调试，过于复杂的设计可能导致训练成本过高，实时控制效果不佳。
综上所述，基于BP神经网络的船舶航迹控制技术仍然是未来发展的方向。
作为智能船舶技术的重要组成部分，BP神经网络控制技术具有非常广阔的应用前景和市场空间。
当然，在实际应用过程中，需要特别注意与其他控制系统的配合、调试和优化，以实现更加可靠、稳定的自动船舶控制。
相关数据可以是任何与船舶航迹控制相关的数据，例如海浪、气象、船舶运行状态等。
在这里，我们可以列举以下几类数据并进行简单的分析。
1. 海浪数据：海浪数据是影响船舶运行的重要因素之一。
带扰动观测器的船舶航向自适应神经网络控制
Ｋｅｙｗｏｒｄｓ：ｓｈｉｐｃｏｕｒｓｅ；ｎｏｎｌｉｎｅａｒｉｔｙ；ｄｉｓｔｕｒｂａｎｃｅｏｂｓｅｒｖｅｒ；ｎｅｕｒａｌｎｅｔｗｏｒｋ；ｕｎｃｅｒｔａｉｎｉｔｅｍ；Ｌｙａｐｕｎｏｖ ｆｕｎｃｔｉｏｎ；ｒｏｂｕｓｔｎｅｓｓ；ｕｌｔｉｍａｔｅｌｙｕｎｉｆｏｒｍ ｂｏｕｎｄｅｄｎｅｓｓ
随着海上船舶朝着高速化、自动化方向的发 展，船舶的自动舵控制系统受到研究人员的广泛 关注．自动舵是船舶的操纵控制装置，可以根据航 向偏差计算船舶所需的舵角，实现航向保持或者 跟踪控制．１９１１年 Ｓｐｅｒｒｙ采用陀螺罗经测量船舶 的实际航向，通过反馈控制设计出第一台自动舵
终一致有界 中图分类号：ＴＰ３９１ 文献标志码：Ａ 文章编号：１０００－１６４６（２０２１）０３－０３２４－０６
Ａｄａｐｔｉｖｅｎｅｕｒａｌｎｅｔｗｏｒｋｃｏｎｔｒｏｌｆｏｒｓｈｉｐｃｏｕｒｓｅｗｉｔｈｄｉｓｔｕｒｂａｎｃｅｏｂｓｅｒｖｅｒ
ＹＡＮＧ Ｄｉ１ａ，ＧＵＯ Ｃｈｅｎ２，ＬＩＵ Ｗｅｉｊｕｎ１ｂ
第４３卷 第３期 ２０２１年 ５月
沈 阳 工 业 大 学 学 报 ＪｏｕｒｎａｌｏｆＳｈｅｎｙａｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ
Ｖｏｌ４３Ｎｏ３ Ｍａｙ２０２１
ｄｏｉ：１０．７６８８／ｊ．ｉｓｓｎ．１０００－１６４６．２０２１．０３．１５
பைடு நூலகம்
带扰动观测器的船舶航向自适应神经网络控制
杨 迪１ａ，郭 晨２，刘伟军１ｂ
控制装置．随后，ＮｉｃｈｏｌａｓＭｉｎｏｒｓｋｙ将 ＰＩＤ控制算 法应用到船舶 航 向 控 制 系 统［１］．Ｂａｎａｚａｄｅｈ等［２］ 采用频域辨识技术识别巡逻船的模型参数，设计 了一种 ＰＩＤ船舶航向控制器．以上船舶航向控制 器的设计均采用线性 Ｎｏｍｏｔｏ模型，而实际在海 上行 驶 的 船 舶 具 有 非 线 性、大 惯 性 等 特 点，线 性
船舶航向非线性离散系统自适应模糊最优控制
第40卷第9期2019年9月Vol.40<9Sep;。
】#哈尔滨工程大学学报Journal of Harbin Engineering University船舶航向非线性离散系统自适应模糊最优控制朱丽燕，李铁山，单麒赫(大连海事大学航海学院，辽宁大连116026)摘要:针对船舶航向非线性离散时间系统,本文提出一种基于模糊逻辑系统的自适应最优航向控制算法。
本文优化控制算法采用actor-critic结构，模糊逻辑评价系统和模糊逻辑执行系统分别用于构建最优评价信号和最优控制信号。
模糊权值采用梯度下降法进行更新学习，并以大连海事大学“育龙”轮为例进行仿真研究。
基于前向差分Lyapunov方法证明了闭环系统半全局一致最终有界,保证系统跟踪误差收敛到以零为中心的邻域内。
仿真结果进一步验证了本文算法的有效性和合理性。
关键词：船舶航向控制；离散时间非线性系统；自适应控制；模糊逻辑系统；后推方法；最优控制DOI：10.11990/jheu.201806005网络出版地址：/kcnii/MetOl/23.1390.u.20190603.0841.002.html中图分类号:TP273.2文献标志码:A文章编号：1006-7043(2019)09-1576-06Optimal adaptive fuzzy control for ship course discrete-time systemsZHU Liyan,LI Tieshan,SHAN Qihe(Naviya/on Collage,Dalian Maritime University,Dalian116026,China)Abstraci:An adaptive optimal course controO algorit/m based on fuzzy logic system is proposed fos ship crurs/non-lineer discrete-time system.In this paper,t/e acto「critir structure is adopted in the optimization contml algorithm, The fuzzy logir eveluation system and the fuzzy logic execution system aro used t construct the optimal eveluation signal and the optirndl contrl signal,respectivela-The fuzzy weight is upddted by gradient descent method,the -Yulong"vessd of Dalian Maatime University is employed i siniuOtion study.Based on the foavard dmerential Lyapunoe method,it is proved that all signals in the closed-loop system are guaranteed i be semi-globHy uniman-ly ul/mately bounded and the tracking error conye—es i a smaU neighborhood of zero.The simulation results Oir-ther yeify the effectivenes and rationality of tie proposed algorithm.Keywords:ship course control%discrete-time nonlinecr ping；optimal control船舶运动具有大时滞、大惯性、强非线性等特点，同时由于航行条件和环境干扰的不确定性导致船舶运动模型具有严重的不确定性。
基于神经网络的船舶自主导航系统设计
基于神经网络的船舶自主导航系统设计一、引言船舶自主导航系统已经成为了现代海运业的一个热门话题。
早期的导航系统多是基于GPS和地图的组合，但随着科技的进步，基于神经网络的自主导航系统也逐步被开发出来，并且在实际运输中得到了广泛应用。
本文将着重讨论基于神经网络的船舶自主导航系统设计。
二、神经网络原理与船舶自主导航神经网络是一种类比于大脑神经细胞之间的连接和信号传递的模型，能够模拟诸多线性和非线性复杂系统，其中包括了船舶的行为。
在船舶自主导航系统中，神经网络可使系统通过数据获取和分析，进行自动动态的决策和控制。
具体来说，它通过收集大量的历史数据并进行分析处理，进而预测船舶的行为和相应的性能，从而做出相应的航线规划和末勤控制。
三、基于神经网络的船舶自主导航系统的实现实现基于神经网络的船舶自主导航系统，需要首先收集和处理数据。
船舶自身的感知器如雷达和GPS可以提供大量的数据，如船舶的位置、速度、姿态、所在环境和天气等环境信息。
此外，还可以加入其他传感器收集更多的信息。
经过处理后的数据可以作为输入，提供给神经网络学习预测船舶的行为和相应性能。
神经网络的设计是该系统的核心任务之一。
应根据任务的不同选择不同的神经网络架构，通常包括了多层感知器（Multilayer Perceptron, MLP）、自组织映射（Self-Organizing Map, SOM）和循环神经网络（Recurrent Neural Network, RNN）等。
优化神经网络的学习速度和准确率，可以采用反向传播（Backpropagation, BP）、遗传算法（Genetic Algorithm, GA）和深度学习（Deep Learning）等技术。
最后，将神经网络学习的结果进行规划和控制，确保自主导航系统的良好性能。
在规划方面，船舶的航线和航迹很关键。
航迹规划是通过数据收集和处理，以及神经网络的学习、识别和预测来实现；而航线规划则需要结合通航规则、交通状况和港口情况等多种因素进行考虑。
船舶动力定位非线性自适应滤波算法
船舶动力定位非线性自适应滤波算法船舶动力定位非线性自适应滤波算法是一种用于处理海洋中船舶位置信息的先进技术。
该算法基于非线性自适应滤波理论，可以有效地降低数据噪声，提高定位精度，增强船舶控制系统的自适应性。
本算法采用海洋环境下常用的GPS+惯性导航系统（INS）作为数据输入源。
首先，将GPS和INS获得的数据分别进行数据处理，分别得到船舶的位置和姿态信息。
然后，将两种数据输入至非线性自适应滤波器中进行处理。
非线性自适应滤波器是一种基于自适应反馈控制理论的滤波器，它可以根据输入信号的特征自动调节其滤波器参数。
在此算法中，非线性自适应滤波器主要用于对数据进行滤波处理，去除噪声干扰并提高船舶位置及姿态信息的精度。
具体来讲，本算法采用基于神经网络的非线性自适应滤波器。
神经网络模型能够在不事先指定滤波器参数的情况下，自动地通过学习输入信号的特征并生成合适的滤波器权重。
因此，本算法可通过神经网络模型自适应地调整滤波器参数，从而实现非线性滤波过程。
在滤波器训练过程中，本算法采用递归最小二乘法（RLS）算法进行数据拟合和参数估计。
该算法能够对数据进行递归估计和逐步优化，以提高滤波器的泛化能力和适应性。
本算法具有以下优点：一、采用非线性自适应滤波器，能够自动调节滤波器参数，提高滤波精度；二、采用基于神经网络的非线性自适应滤波器，能够提高模型学习和预测能力；三、采用递归最小二乘法算法进行参数优化，能够提高滤波器的稳定性和可靠性；四、提高滤波器的自适应性和适应性，从而提高船舶控制系统的精度和可靠性。
综上所述，船舶动力定位非线性自适应滤波算法是一种先进的海洋船舶定位技术，它采用非线性自适应滤波器进行数据处理，能够有效地去除数据噪声，提高定位精度，从而增强船舶控制系统的自适应性。
在大数据时代，数据已经成为了推动科技进步的基石，通过对相关数据进行分析，可以获得更深入的洞察和更精准的判断。
以下是一些列出的相关数据并进行分析：1.全球气温变化数据。
船舶航向非线性系统的模型参考模糊自适应控制
44卷 第3期(总第162期)中 国 造 船Vol.44 No.3(Serial No.162) 2003年9月SHIPBUILDING OF CHINA Sep.2003文章编号:1000-4882(2003)03-0085-09船舶航向非线性系统的模型参考模糊自适应控制杨 盐 生(大连海事大学航海学院,辽宁 大连 116026)摘要考虑船舶航向控制系统模型中存在不确定非线性函数,并假设该函数是连续的,在以模糊系统对该函数进行逼近的基础上,利用L yapunov理论,提出了一种新的模型参考模糊自适应控制算法。
其特点是,无论取多少条模糊系统规则,自适应学习的参数只有一个,便于工程实现,而且还确保闭环系统渐近稳定,并使系统的模型跟踪误差为零。
最后以远洋实习船“育龙轮”为例,进行了船舶航向模型参考模糊自适应自动舵设计,并利用M at lab工具箱进行了仿真研究,结果证明该算法十分有效。
关 键 词:船舶、舰船工程;航向控制;自适应控制;模糊控制;非线性系统中图分类号:U664.36;T P271.61 文献标识码:A 1 引 言航向控制是控制理论应用较早且取得较好成果的一个领域。
早在上世纪20年代,古典控制理论就首先应用于船舶航向控制,发明了PID自动舵。
70年代末,模型参考自适应控制[1]和最小方差自校正控制[2]等自适应控制技术又相继应用于船舶航向控制。
但是,由于船舶运动的复杂性,受到的环境影响是随机的和难以预测的,上述控制算法并没有能彻底解决船舶航向的控制问题。
近年来,随着计算机技术和现代化控制理论的不断发展,各种新的控制算法,如神经网络控制[3]、变结构控制[4]、H∞鲁棒控制[5]、广义预测控制[6]等算法,都先后应用于船舶航向控制。
模型参考自适应控制技术首先由Amerongen[1]于70年代末应用于船舶航向控制,当时仅针对船舶航向系统的线性模型,而且也未考虑环境影响的不确定性,所以控制效果不尽人意。
船舶航向非线性系统的自适应动态面控制
ｔｅｐ ｏ ｏ ｅ ｏ ｔ ｌ ｒ ｈ ｓ ａ ｐ ｅｃｉｅ ｏ ｒｅ ｔ ｃｉｇ ｔ ｎｉｎ ｅ ｏｍａ ｃ ｎ ｏ ｕ ｔｅｓｆ ｔｅ ｈ ｒ ｓｄ ｃ ｎｒ ｌ ａ ｒｓ ｒ ｄ ｃ ｕｓ ｒ ｋｎ ｒ ｓ ｔ ｒ ｒ ｎ ｅ ａ ｄ ｒ ｂ ｓ ｓ ｏ ｈ ｐ ｏｅ ｂ ａ ａ ｅ ｐ ｆ ｎ ｕ ｃｒａｎｉ ｈ ｓｅ ｎ ｅｔｉｔ ｓ ｆｔｅ ｙ ｔ ｅｏ ｓ ｍ．
ｃ ｕ ｓ ｏ ｔｏ ｙ ｔ ｍ ｔ ａ ａ ｔｉ ｎ ｅ ｔ ｉ ｔ ｓ ａ ｄ ｍｏ ｅ ｉｇ ｕ ｃ ｒａ ｎ ｉ ｓ ａ ｌ ａ ｎ Ｈ ｗｎ ｂ ｕ ｄ ｄ ｏ ｒ ｅ ｃ ｎ ｒ ｌ ｓ ｅ ｗｉ ｐ ｒ ｍｅ ｒｃ ｕ ｃ ｒａ ｎ ｉ ｎ ｄ ｌ ｎ ｅ ｔ ｉ ｔ ， ｓ ｗｅｌ ｓ ｕ ｋ ｏ ｏ ｎ ｅ ｓ ｈ ｅ ｎ ｅ
Ｓ ｎ Ｈｏ ｇ ｉ ｕ ｎ ｙ ｎｇ； Ｙｕ ｎｇ ｉ Ｆｅ ｗｅ
（ ｎ ｄ ｏＯ ｅ ｎＳ ｉ ｉｇＭａｉｅ ｓ ｏｌｇ ，ｈ ｎ ｏ ｇ ｎ ｄ ｏ２ ６ ７ ） Ｑｉｇ ａ ｃ ａ ｈｐ ｎ ｒ ｒ Ｃ ｌ ｅ ａ ｄ ｎ ｇ ａ ６ ０ ｐ ｎ ｅ Ｓ Ｑｉ １
Ｋｅｗｏ ｄ：ｈ ｏ ｒｅ ａａ ｔ ｅｄｎ ｍｉｓｒ ｃ ｏ ｔ ｌｂ ｃ ｅｐｎ ； ｉｕｂ ｎｅ ｙ ｒ ｓｓ ｉ ｃｕｓ， ｄｐ ｉ ａ ｃ ｕｆ ｅｃｎｒ ， ａｋｓ ｐ ｉｇ ｄｓ ｒａ ｃ ｐ ＂ ｖｙ ａ ｏ＂ ｔ ｔ 等 外 界 干扰 的影 响 ，船 舶 航 向控 制 系 统存 在 着 系
ｅｏ ｅｏｓｄｓｕｂ ｎｅ． ｈ ｄ ｉｏ ｏ ａｓ ｌｒ ａｋ ｔ ｐｎ ｅｉｎ ｒｃｄ ｒ ｌ ｗ ｅ ｙ ａ ｉ ｘｇ ｎｕ ｉ ｒａ ｃｓ Ｔ ｅａ ｄｔ ｎｏ ｗｐ ｓｆ ｔ ｓｉ ｂ ｃ ｅ ｉ ｄｓ ｏｅｕｅａｌ ｓｔ ｎ ｍｃ ｔ ｉ ｆｌ ｉ ｅ ｎ ｓｐ ｇ ｇｐ ｏ ｈｄ ｓｒ ｃ ｏ ｔ ｌ ｅｈ ｄｔ ｅｉｐｅ ｅ ｔ ｉ ｏ ｔ ｉｅｅｔ ｔ ｇａｙｍｏｅ ｏ ｌ ｅｒｉｓｗ ｉ ｉｐｉｅ ｅ ｕ ａｅｃｎｒ ｔｏ ｂ ｌｍ ｎｅ ｗｔ ｕ ｆ ｒｎｉ ｉ ｎ ｄｌ ｎｉ ａｉｅ， ｈｃ ｓｍ ｌ ｓｔ ｆ ｏｍ ｏ ｍ ｄ ｈ ｄｆ ａｎ ｎ ｎ ｔ ｈ ｉ ｆ ｈ
基于动态面的船舶航向自适应神经网络控制
ｌ三 ， ｆ ＝Ｍ 三 理想的权值矩阵 取在紧集 ｎ 内， 使得 ｌ １ ｌ 最小 ｅ ｝
．
近航 向非线性 模 型 中未 知 的 非 线 性 函 数 ， 到 的模 得
型更接 近于 实 际模 型 ， 且 将 动 态 面 控 制 技 术 与 神 并
式中 一
— —
首摇角， 舵角 ，
差 通 过 控 制 器的 设 计 参 数 加 以调 整 。 关键词 船 舶 航 向 自适 应 控 制 神 经 网 络 动 态 面 控 制 递 推 方 法
中图 分 类 号 ＴＰ２ ３ ７
Ｋ、 —— 模 型参 数 。 Ｔ 由于船 舶在 航 行 过 程 中经 常 受 到 风 、 等外 界 浪 环 境 的干扰 ， 存 在 着 未 建模 动态 等 不 确定 性 的影 及 响 ， 以非线 性 函数 是 未 知 的 。选 取状 态 变 量 ｚ 一 所 ， ， 船舶 运 动 的非线 性模 型 为 ３ 一ｒ则 ７
出了一种 自适 应 神 经 网络 控 制 方 法 ， 优 点 是 能 够 其
阵０ ∈Ｒｐ ， 得 使
厂（ ｚ）一 （ Ｏ４ ｚ －ｅ （） ３
式 中 —— Ｒ 上 的 紧集 ，
ｅ ∈Ｒ —— 神经 网络 的 逼近误 差 ， ”
消除 传统反 步 法设计 的 变量膨 胀 问题 。 研究 针对存 在外 界 干扰且 虚 拟控 制增 益 为 未 知
网络 ， 习收敛 速 度 快 ， 够 逼 近 任 意 非 线 性 函 数 。 学 能
给定任 意 一个光 滑 的非 线 性 函 数 厂： —Ｒ” 则 存 在 ， 个 Ｒ Ｆ基 函数 向量 ∈ Ｒ 一 Ｒ Ｂ ： ”以及理 想 的权值 矩
动力定位船舶非线性自适应控制研究
动力定位船舶非线性自适应控制研究摘要：本文主要是对动力定位船舶的非线性自适应控制进行了研究，并且根据相应的模型，进行了构建分析。
关键词：动力定位船舶；非线性自适应；控制；研究前言随着人们生活水平的提高，人们对资源与环境造成的破坏也越来越严重。
为了缓解陆地上的资源能源危机，各个国家都开始对海洋资源的开发。
对于海洋的开发与研究，最为重要的工具便是动力定位船舶技术。
动力定位船舶具有很强的优势，不仅机动性很强，而且定位的精确性也很高，其应用十分广泛。
动力定位船舶的控制系统属于一种十分复杂的非线性系统，具有参数不确定、多输入以及多输出等特点。
1.船舶动力定位神经网络自适应性控制研究对于船舶动力定位自适应性研究，要设船舶的速度向量可以直接观测，并且要利用神经网络逼近系统的模型参数中无法确定的部分[1]。
利用传统的矢量方法设计船舶动力定位神经网络的自适应状态反馈控制律。
另外，要能够在船舶速度向量中各个分量无法测量的情况下，利用新型的观测器对船舶的速度进行估算，然后利用神经网络逼近系统中无法确定的项目，设计出船舶的自适应输出反馈控制律。
在第一层主要是输入层，是由一些信号的源节点组成，其中的节点的个数主要是利用信号源的位数决定的[2]。
在第二层中，主要是隐藏层，其中节点的数目主要是由基函数的个数决定的，这一层的主要功能是将输入的空间变换成隐含层空间。
而第三层则是输出层，主要是计算在隐含层中的各个基函数的线性加权值。
在相应的控制工程中，其中RBF神经网络主要是逼近含有无法确定项的未知函数，其中主要的表达公式是：对高斯函数的基函数神经网络进行相应的分析，在定义ρ= min‖μi-μj‖，可以得出‖H（X）‖≤ 是成立的。
2.船舶动力定位神经网络自适应状态的反馈控制首先要设定一些条件，使其满足控制的要求，加工动力定位船舶的位置向量η=[x，y，ψ]T以及速度向量v=[u，v，r]，这些都是可以测量的。
并且动力定位船舶的数学模型中的惯性矩阵M以及阻尼矩阵D虽然未知，但是是有界的，将未知的正常数构成的向量d属于未知常数，仅仅是能够被用作理论分析。
船舶航向自适应控制的改进ADHDP方法
船舶航向自适应控制的改进ADHDP方法李宇栋;黄志坚;王升堂;张成;郑欢;熊雪梅【摘要】Ship course control mainly uses PID control. However,the ship can be operated more accurate especially when intelligent control is widely used. According to the characteristics of ship course control, action dependent heuristic dynamic programming (ADHDP) method and adaptive control will be one of intelligent control methods for ship course control.This method is parallel adaptive control to the actionnetwork,which uses RBF neural network approximate calculation based on Lyapunov stability analysis.It can reduce the overshoot of ADHDP controller when operating ship in various situations.The simulation results indicate that the approximate dynamic programming(ADP) and adaptive control method can oper-ate ship more accurately andrapidly.Therefore,this method can be the foundation for development of ship intelligent operation.%船舶航向的自动控制主要方式是PID控制,而今智能化的控制方式得到了广大的应用,使得人们可以更加精确的对船舶进行操控.本文将基于执行依赖启发式动态规划(ADHDP)的控制方式,针对船舶航向的控制特点,在执行网络上并联自适应控制环节,基于Lyapunov稳定性分析,采用RBF神经网络逼近运算,可以减少在船舶操控多变工况下ADHDP控制器的超调问题,使之成为船舶航向控制的智能方法之一.仿真结果显示,基于这种近似动态规划(ADP)的自适应控制能更加精确和快速的对船舶航行进行操控,这也将为船舶的智能化发展奠定基础.【期刊名称】《湖北民族学院学报（自然科学版）》【年(卷),期】2018(036)002【总页数】6页(P178-183)【关键词】执行依赖启发式动态规划;近似动态规划;船舶航向控制;自适应控制;智能控制;神经网络【作者】李宇栋;黄志坚;王升堂;张成;郑欢;熊雪梅【作者单位】上海海事大学商船学院,上海201306;上海海事大学商船学院,上海201306;上海海事大学商船学院,上海201306;上海海事大学商船学院,上海201306;上海海事大学商船学院,上海201306;上海海事大学商船学院,上海201306【正文语种】中文【中图分类】TP273在大型油轮上Amerongen等学者提出采用自适应自动驾驶仪来代替原有的PID调节器的自动驾驶仪[1]，在实践证明了自适应驾驶仪能在变化复杂的随机环境下，都能使油轮按照预定的航迹稳定而可靠地航行.在现代控制的方法中，特别是人工智能快速发展的今天，智能控制具有的学习和适应能力得到了广泛应用.近似动态规划的控制算法可以根据船舶航向的变化时刻学习和调整，再加上自适应控制本身具有的回调能力，这为船舶的自动驾驶，无人驾驶的目标更近一步.动态规划的提出最早可以追溯到上世纪50年代.随着被控对象的复杂程度的不断提高，非线性系统达到最优化控制的要求日益增加.对于这些复杂程度较高的非线性系统的最优控制就要求解非线性哈密顿-雅克比-贝尔曼(HJB)方程.这一求解过程十分复杂，在很多情况下难以求解.使用经典的动态规划方法求解最优控制问题是当时最经典的方法，但是动态规划的求解过程往往容易导致“维数灾”现象，更加不利于求解.随着人工神经网络的发展，人们发现人工神经网络具有良好的学习和适应特点，于是自适应或近似动态规划(Adaptive/approximate dynamic programming,ADP)的方法应运而生[2].由于控制系统在计算机中的运算都为离散模式，因此近似动态规划的方法也是离散方法，而Lu Dong等[3]研究出了连续时间的自适应动态规划方法.在仿真研究中，Qinglai Wei等[4]将近似动态规划用在了煤炭汽化系统中，并得到了很好的效果.张飞龙仿真研究了基于ADHDP的永磁直驱风力发电机组的最大功率跟踪[5].周晓华等[6]基于ADHDP方法设计了高压直流输电(HVDC)整流控制器，仿真效果明显好于传统的PI控制和PD控制.Salman Mohagheghi等[7]基于近似动态规划设计了一种电力系统的静态补偿器.Jian Fu等[8-9]又把近似动态规划的方法发展成为适用于多输入多输出(MIMO)系统.这些研究成果从实际应用角度证明了自适应动态规划的优势和可行性，而Andrew G Barto等[10]早在1982年就用数学方法证明了这种基于神经网络的近似动态规划方法可以解决复杂的控制问题，并将这种方法应用在倒立摆上证明了其正确性，也从理论角度证明了近似动态规划方法是正确和可靠的.因此，将近似动态规划应用与船舶航向控制上从理论上是可行的，而在实际运用中，基于船舶自身的特点以及航行时遇到的风浪等外界影响因素，单纯依靠近似动态规划的方法难以达到准确调节，而自适应控制又正好具备适应不同外界影响的能力，集中两种控制的优点，可以更加快速准确的调节船舶航向.图1 ADHDP中新评价网络的构建Fig.1 New critic network established in ADHDP图2 ADHDP的结构和原理Fig.2 Structure and principle of ADHDP1 ADHDP和自适应控制方法执行依赖启发式动态规划(ADHDP)是近似动态规划中的一种主要方法，基于BP 神经网络[11-12]建立评价网络(Critic network)和执行网络(Action network).如图1所示，评价网络的主要作用是利用系统状态和执行网络输出逼近性能指标函数J(t)，性能指标函数的正确将引导评价网络的最优逼近.通过评价网络接收执行网络的输出信号作为部分输入，构成新的评价网络，新的评价网络中包含了被控对象模型.所以可以说ADHDP可以不需要被控对象的数学模型就可以执行控制运算. 1.1 ADHDP评价网络ADHDP的结构原理如图2所示，设有如下非线性系统:x(t+1)=Ft[x(t),u(t),t](1)式中，t表示系统时间步长；x(t)∈Rn表示系统的状态变量；u(t)∈Rm表示系统执行；Ft表示非线性系统的状态转移方程.在动态规划的算法中，为了使系统能够在最优状态下运行，需要定义性能指标：J[x(i),i]=(2)式中，α为折扣因子，0<α≤1；γ为效用函数；J称为x(i)的代价函数或性能指标.这些计算的目的是选择合适的控制序列u(k)，k=i,i+1,…，从而使式(2)中的代价函数值取得最小[13].ADHDP通过近似求解代价函数来获得近似最优解，令Q(t)=J[x(t+1),t+1]，通过评价网络最小化各时间点上的误差测量来训练:(3)式中，Q(t)=Q[x(t),u(t),t,wc]，wc是评价网络的权值；γ为效用函数.训练的目标是对所有时刻t，都有Ec(t)=0，这样在t时刻输出即是动态规划在i=t+1时刻代价函数的估算，即代价函数在下一时刻的值.如图2所示，在评价网络中输入向量表示为:s=[x1(t),x2(t),…,xn(t),u1(t),u2(t),…,um(t)](4)隐层的输入qi(t)的计算方法如下：(5)如图2中隐层用“S”表示采用了Sigmodial非线性函数，所以隐层的输出为：(6)输出层用“/”表示采用线性函数，所以输出层为：(7)在每次运算中，需要最小化Ec(t)，采用梯度下降算法来更新评价网络的权值：wc(t+1)=wc(t)+Δwc(t)(8)(9)式中lc(t)>0是评价网络在t时刻的学习率，它们随迭代[14]训练逐步减小.图3 ADHDP控制方法示意图Fig.3 Schematic diagram of ADHDP control method1.2 ADHDP执行网络评价网络训练完成后进行执行网络的训练.执行网络的训练目标是：(10)因此，在得到了最优化函数Q(t)后，则最优化控制u*(t)就容易由下式得到：(11)在执行网络中，为了得到最优化控制，即执行网络的输出，就需要使效用函数γ(t)=0，这样以使评价网络的输出Q(t)尽可能地接近零.如图3所示，图中虚线表示通过每次运算过程中的误差测量，计算权值的增量，来最终使误差趋于零.如图2所示，在执行网络中从输入层到隐层的输入hi(t)的计算方法为：(12)隐层采用了Sigmodial非线性函数，隐层的输出为：(13)输出层的输入vk(t)的计算方法为：(14)输出层也采用了Sigmodial非线性函数，输出层的输出为：(15)运算中最小化Ea(t)，同样采用梯度下降算法更新执行网络的权值：wa(t+1)=wa(t)+Δwa(t)(16)(17)式中，la(t)>0是评价网络在t时刻的学习率，它们随迭代训练逐步减小.1.3 自适应控制在船舶航向控制的控制系统中加入自适应控制是为了保证系统的稳定性.由于ADHDP的算法在权值更新时全都采用了梯度下降算法，这会导致在一些情况下陷入局部最优，不能保证系统的稳定性[15].因此，基于Lyapunov的稳定性分析会使得船舶航行控制的稳定性大大增加，有效的解决了单独使用ADHDP算法的局限.设非线性系统：(18)当跟踪指令为rin时，误差e为跟踪指令与系统输出的差值： e=rin-y (19)令E=(e e)T，设计控制率为:(20)将式(20)带入式(18)，得到误差系统为：(21)设计K=(k1 k2)T使多项式s2+k2s+k1=0的根都在左半平面，则当t趋于无穷时，会有自适应控制中采用RBF神经网络进行逼近运算.网络的输入为则网络的输出为：(22)式中，为网络权值的估计，为高斯基函数，设矩阵P为对称正定的且满足如下Lyapunov方程：ΛTP+PΛ=-I(23)式中I为单位矩阵，在求得矩阵P后，期望的RBF的网络权值为：(24)式中，积分后求得RBF权值后，即可带入式(22)求得网络输出，最后由式(20)求得被控系统的输入.图4 船舶航向控制系统流程图Fig.4 Flow chart of ship course control system 基于对误差的最小化，选择误差和误差的微分作为执行网络和自适应控制的输入，如图4所示.自适应控制的算法会在得到误差和误差的微分输入后单独计算，当得到了不同的控制输入u时，选择最小的控制输入u给被控对象.这样能够综合AHDHP和自适应控制的优势，达到船舶航向的稳定.2 船舶航向模型ADHDP控制基于系统的状态，因而不需要被控对象的模型，因此AHDHP也被称为是数据驱动[16]的一种控制方式，它可以实现在线学习[17].自适应控制的发展就基于被控对象的模型而来，因此采用自适应控制就需要被控对象的模型.在仿真研究中，被控对象的模型越真实，实验的到的数据就越能接近实际试验得到的数据.因此合适的被控对象模型的选择也十分必要.在船舶航向模型中，采用林叶锦[18]总结的状态空间型船舶运动模型，这种模型是由Abkowitz等学者提出的，具有数学上的完整性也严密性，其标准状态空间表达式为：(25)式中，为舵角且:其中，m′为无量纲的船舶总质量，计算方法为为海水密度为无量纲的惯性距，计算方法为同时，B为船宽，L为两柱间长，Cb为方形系数，Aδ为舵叶面积，T为吃水.考虑到海上环境对船舶运动的影响，增加白噪声ω=[ω1 ω2 ω3]的干扰，于是:(26)3 仿真及结果表1 仿真船舶相关参数Tab.1 Related parameters of ship simulation两柱间长/m船宽/m船速/m吃水满载/m方形系数排水满载/m3舵叶面积/m218027.89.010.30.643000038图5 船舶航向转向90°时控制器响应曲线Fig.5 Controller response curve whenthe ship steers 90 degrees3.1 仿真的相关参数选择ADHDP的效用函数为：(27)式中，e(t)为t时刻的误差，为t时刻的误差的微分.利用Matlab/Simulink建立仿真模型，由于Matlab中没有ADHDP的工具箱，因此在模型的建立中采用Simulink中的S函数来创建相关算法.仿真船舶的参数如表1所示.3.2 仿真结果指定航向正东(90°)，起始航向正北(0°)，如图5为PID控制以及ADHDP和自适应控制对船艏向角的仿真响应.仿真时间为50 s，曲线的对比信息如表2所示. 表2 PID和ADHDP及自适应控制响应参数对比Tab.2 Comparison of response parameters between PID and ADHDP adaptive control对比项目PIDADHDP+自适应响应最大值111.107990超调量/%23.290延迟时间/s2.14007.5535上升时间/s5.460023.9995峰值时间/s10.865023.9995调节时间/s22.585016.3405结合图5和表2中数据可以看出，ADHDP及自适应控制的结合可以缩短调节时间，减小超调量.图像和数据可以证明仅仅在一次航向变化中，ADHDP及自适应控制的结合可以快速准确的调整船舶航向.船舶在航行中，特别在狭窄河道运行时，操舵的时间和次数明显增加.为此在50 s 时指定航向正北(0°)，即回转90°，运行时间为50 s.在100秒时指定航向正东(90°)，即再转90°，运行50 s，仿真结果如图6所示.从仿真图像中可以看出，PID在应对频繁改变航向时调节时间长，超调量大的缺点十分明显.ADHDP及自适应控制器对船舶航向的控制对比PID有明显提升.ADHDP单独控制效果和加入自适应控制效果的响应如图7所示.从图7中可以看出，ADHDP控制器在面对多次航向变化中会有较大的超调.这是由于ADHDP基于数据驱动，在突变状态下，基于之前的学习效果，很难在短时间内做出正确的响应.在结合了自适应控制后，可以避免在状态突变时产生较大的超调，保证了船舶的安全行驶.图6 船舶航向多次变化时控制器响应图7 ADHDP和增加自适应控制响应对比4 结论近似动态规划的ADHDP方法是基于数据驱动的一种控制方法，可以在没有被控对象的模型下进行相应控制.在仿真过程中可以看出，单独的ADHDP控制器的调节时间比PID控制也小很多，但是超调量比PID大，因此加入自适应控制来减小单独ADHDP控制器在状态突变情况下的超调问题.仿真证明了这种控制方法的可行性，虽然自适应控制算法需要被控对象的模型，但是在ADHDP和自适应控制算法结合后，可以使用简化的被控对象模型进行控制，使模型的建立更加方便，同时还增加了控制的速度和稳定程度.这些结果都可以为船舶的无人驾驶和自动驾驶的发展奠定基础，为进一步提升船舶操控的自动化发展具有现实意义.参考文献:[1] VAN DER VEEN J C T,VAN AMERONGEN J, VAN LEMKE H R. An autopilot for ships designed with fuzzy sets,F 1977[C]//Proceedings 5th IFAC/IFIP Conference on Digital Computer Applications to Process, Control, The Hague, The Netherlands.[2] 王鼎,穆朝絮,刘德荣.基于迭代神经动态规划的数据驱动非线性近似最优调节[J].自动化学报,2017,43(3):366-375.[3] DONG L,ZHONG X,SUN C,et al.Event-Triggered Adaptive DynamicProgramming for Continuous-Time Systems With ControlConstraints[J].IEEE Transactions on Neural Networks and Learning Systems,2017,28(8):1941-1952.[4] WEI Q, LIU D. Adaptive Dynamic Programming for Optimal Tracking Control of Unknown Nonlinear Systems With Application to Coal Gasification [J]. IEEE Transactions on Automation Science and Engineering,2014,11(4):1020-1036.[5] 张飞龙.基于ADHDP的永磁直驱风力发电机组最大功率跟踪控制[D].南宁：广西大学,2013.[6] 周晓华,宋春宁,王荔芳,等.基于ADHDP方法的HVDC整流控制器设计[J].组合机床与自动化加工技术,2011(6):57-60.[7] MOHAGHEGHI S,VALLE Y D,VENAYAGAMOORTHY G K,et al.A Proportional-Integrator Type Adaptive Critic Design-Based Neurocontroller for a Static Compensator in a Multimachine Power System [J]. IEEE Transactions on Industrial Electronics,2007,54(1):86-96.[8] FU J,HE H,ZHOU X.Adaptive Learning and Control for MIMO System Based on Adaptive Dynamic Programming [J].Ieee T NeuralNetwor,2011,22(7):1133-48.[9] HUANG Z J,MA J,HUANG H.An approximate dynamic programming method for multi-input multi-output nonlinear system[J].Optim Control Appl Methods,2013,34(1):80-95.[10] BARTO A G,SUTTON R S,ANDERSON C W.Neuronlike adaptive elements that can solve difficult learning control problems[J].IEEE Transactions on Systems,Man,and Cybernetics,1983,13(5):834-846.[11] RUANO A E,ENGINEERS I O E.Intelligent Control Systems Using Computational Intelligence Techniques[M].Institution of Engineering and Technology, 2005.[12] ENNS R,SI J.Helicopter trimming and tracking control using direct neural dynamic programming[J].Ieee T Neural Networ,2003,14(4):929-939.[13] MURRAY J J,COX C J,LENDARIS G G,et al.Adaptive dynamic programming[J].IEEE Transactions on Systems,Man,and Cybernetics,Part C (Applications and Reviews),2002,32(2):140-53.[14] HEYDARI A.Revisiting Approximate Dynamic Programming and its Convergence[J].IEEE Transactions on Cybernetics,2014,44(12):2733-2743. [15] ZHONG-QIANG W,WEN-JING J,LI-RU Z,et al.Maximum wind power tracking for PMSG chaos systems-ADHDP method[J].Applied Soft Computing,2015,36(2)：4-9.[16] WANG J-S,YANG G-H.Data-driven output-feedback fault-tolerant control for unknown dynamic systems with faults changing system dynamics[J].Journal of Process Control,2016,43：10-23.[17] SI J,YU-TSUNG W.Online learning control by association and reinforcement [J].Ieee T Neural Networ,2001,12(2):264-276.[18] 林叶锦. 船舶运动模糊神经网络控制系统的研究[D].大连：大连海事大学,2006.。
一种基于神经网络的自适应非线性自动舵
一种基于神经网络的自适应非线性自动舵
武慧勇;唐匀龙
【期刊名称】《舰船电子对抗》
【年(卷),期】2017(040)002
【摘要】针对仅航向角可测量的船舶航向控制系统,提出一种基于神经网络的自适应非线性航向控制器.首先采用神经网络在线逼近系统中的未知项,并设计滑模观测器在线估计艏摇角速度;然后基于动态面控制思想设计非线性观测器-控制器.利用Lyapunov方法证明了误差变量是一致最终有界的.以某自航船模为例仿真,结果表明所提方法鲁棒性好,且操舵合理.
【总页数】7页(P92-98)
【作者】武慧勇;唐匀龙
【作者单位】中国电子科技集团公司第三十八研究所,安徽合肥230088;孔径阵列与空间探测安徽省重点实验室,安徽合肥230088;中国电子科技集团公司第三十八研究所,安徽合肥230088;孔径阵列与空间探测安徽省重点实验室,安徽合肥230088
【正文语种】中文
【中图分类】TP273
【相关文献】
1.一种基于神经网络的非线性自适应滤波器 [J], 王政炳;张殿治
2.一种基于BP神经网络的潜艇自动舵探讨 [J], 黄华斌;孙霖;杨国志;罗建明
3.一种基于神经网络模型的非线性自适应控制系统参数辨识算法 [J], 刘迪;赵建华
4.基于非线性参数神经网络的非线性系统稳定自适应控制 [J], 施阳;慕春棣
5.基于一种新型动态神经网络的非线性自适应逆控制 [J], 李明;李会莹;杨汉生;杨成梧
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
摘 要 ：提出了一种基于最小参数 RBF(径向基） 神经网络的船舶航向滑模控制算法.针对船舶运 动控制中系统函数非线性不确定性和外界干扰项未知问题， 利 用 RBF 神经网络进行逼近.考虑到 RBF 神经网络权值难以快速调整， 采用神经网络最小参数学习法设计设计单个参数的估计代替神 经网络权值的调整； 最后， 借助李雅普诺夫稳定性理论设计出船舶航向 RBF 神经网络直接跟踪控 制律.通过与神经网络控制算法和普通自适应控制算法的仿真比较可知， 上述控制算法加快了自 适应律的求解速度， 控制器结构简单， 控制参数少， 易于工程设计与实现 . 关键词：船 舶 ； 自适应控制； 径向基神经网络； 滑模控制； 最小参数;李雅普诺夫 中图分类号：TP273.2 文献标志码：A 文章编号：1009 -8526(2017)04 -0016 -04 近年来， 随着船舶大型化、 专业化、 高速化， 船 舶航向控制成为船舶操纵控制领域的一个研究热 点， 国内外很多研究者都致力于不断推动船舶航向 控制性能的发展.然而， 船 舶 航 向 控制性能的提升 必须建立在船舶运动系统函数非线性、 不确定性问 题 [1< ， 以及外界干扰未知问题解决的基础之上.文 献 &3 - 5 ]借助自适应控制理论设计的航向控制器有 效地解决了非线性和不确定性问题， 但是控制效果很 大程度上依赖于船舶模型的精度， 不利于工程应用. 文 献 [6 - 11 ]采用船舶神经网络控制算法提升 自适应控制性能， 但是自适应律求解速度取决于神 经网络权值调整速度， 求解过程较为曲折和缓慢. 文 献 [12 - 13 ]利用模糊理论设计了一种模糊神经 网络航向控制算法， 文 献 [14- 1 5 ] 利用群体智能方 法对神经网络和控制器参数进行优化， 虽然上述方法 有效地解决了网络权值更新速度问题， 但是以增加了 控制律的复杂度和控制器的负担作为代价， 不利于工 程设计.为此， 本文采用神经网络最小参数学习法设 计设计单个参数的估计代替神经网络权值的调整， 可 以加快自适应律的求解速度， 且自适应律算法简单， 同时又减轻了控制器计算负担， 易于工程实现. ( + 3( $ ) (1)
且 具 有 2 阶连续有界的导数， 即存在一个正的常数 ? ， 使得集合
n〇 : |(=， = ， 〇3): (= ， = ， 〇) ! ?〇2 成立. 其次， 采 用 R B F 网络对系统函数/ ( # ) 和外界
第4期
邓 华 ， 等： 船舶航向非线性系统自适应神经网络控制
17
知的， 无法设计控制律.为此， 本 文 利 用 R B F 网络对 / ( # ) 和 3(〇 进 行 逼 近 ， 再利用滑模控制原理和李 雅普诺夫稳定性理论设计船舶航向控制器. 首先， 设置目标航向为= ( $ ， 实际航向误差为
N= = - = ($•为 此 ， 设计滑模切换函数为： d = N + cn
作如下设定 :M = ( ，M = ( ， ！= ) 那 么 （ 1)式转 换成下列模型： ( 0 1 = #2 02 =/(#2) ==#1 式中:/(#2) = - ^ + @ (( ) ， '=^+， #1 和 #2为系统变 量， = 为系统系统实际输出， /(#2)为 关 于 #2的未知 的系统函数， ' 为已知的控制输入增益， 3($为 不 确 定外界扰 J ， ！为系统控制输入. 针对上述控制输入增益已知的二阶系统， 本文的 设计目标是在系统函数和外界干扰存在的情况下， 利 用神经网络滑模控制方法推导控制律， 使系统实际输 出;T 渐近跟踪期望值= (0 • 针对实际控制需求， 当跟 踪误差 N= = - =3(0 ~^0 时 ， 控制时间尽可能小. ! + 3($ (3)
式中， L、 + 分别为船舶旋回性指数和追随性指数， （ 为航向， ）为 舵 角 ， 3($)为 外 界 扰 动 .@(()是 （的非 线性函数[14]， 可以近似表示为： @( ( ) = * ( + *2( 3 + *3( 5 + … 式中:*(" = 1 ， 2,3， . ） 是实值常数. （ 2)
W和 v
&
i 「--(# ) - 3($ +〇3( $ i
(4)
其中， c >0. 对上式求导， 则有：
D
(") 假 设 :为 了 后 续 设 计 滑 模 控 制 律 ， 因此需要对
N + < = = ( # + ' !) + 3 (0 -〇3(0 + <
X ” 参考信号进行约束， 即 参 考 信 号 = ( $ 光滑有界
控制律， 使得系统渐进稳定. /0、 ,. (C) ' L _ < _ - sgn(s ) _ # 但是采用上述控制律， 必 须 建 立 在 R B F 神经 ! =一 网络权值已知的条件下， 才能保证控制系统渐进 稳 定 .然 而 ， 实 际 上 RBF神经网络权值是难以确 . 为此， 采用神经网络最小参数学习法&17]， 通过 设计单个自适应参数代替 R B F 神经网络权值.即对 控制律式(C ) 中的/(# )和 3 ($ 对应理想网络权值
1
问题描述
考虑外界干扰和系统参数摄动情况下的非线 性船舶航向控制系统数学模型[16]为 ：
收稿日 期 ： 2017 -05 -19
2
基 于 RBF 网络逼近的滑模控制器设计
考虑到系统函数/(#2)和 外 界 扰 动 3(〇都是未
基金项目 ： 江苏海事职业技术学院千帆项目（ XR1501、 XR1504);江苏海事职业技术学院科技重点课题(2015KJZD- 0 1 ) ;江苏高校品牌专业 建设工程资助项目（ PPZY2015 B177) 第一作者简介 ： 邓 华 （ 1981— ） ， 男， 硕士， 讲师， 主要从事船舶运动建模、 航海仿真研究
第 25卷第4 期 2017 年 12 月
广州航海学院பைடு நூலகம்报
JOURNAL OF GUANGZHOUMAR ITI ME UN IVERSITY
V9 25 +〇 .4 Dec. 2017
船舶航向非线性系统自适应神经网络控制
邓 华 ， 王仁强， 孙建明， 李敬东 (江苏海事职业技术学院航海技术学院， 江 苏 南 京 211170)