基于BP神经网络的船舶航迹控制技术_郭文刚

2 ） 船舶在直线段航迹状态， 即图 2 中 2 － ＞ 3 路线，此时，船舶的航迹应按要求精度保持； 3 ） 航迹转向点状态，即见图 2 中 3 － ＞ 路线位 置，此时注意附近的转向问题。 根据船舶航迹控制原理， 针对 3 个问题的具体 要求也不相同，具体如下： 当船舶初始进入状态， 首先要确定航迹段， 然 后快速返回航迹， 最后是跟踪航迹向； 船舶在直线 段航迹状态就要保持航迹； 航迹转向点状态就要求 船舶转向后， 尽量减小航迹偏差的情况下， 快速跟 踪新航迹。
误差反转 （ 学习算法） j i k
net pi = net i = ∑ w ij O j ；
j =1
（ 1）
第 i 个神经单位 （ 神经元） 的输出为： O i = f（ net i ） ， 其中是激发函数： f（ net i ） = 1 。 1 + exp［－ β. net i］ （ 3） （ 2）
第 36 卷第 8 期 2014 年 8 月
舰 船 科 学 技 术 SHIP SCIENCE AND TECHNOLOGY
Vol． 36 ，No． 8 Aug． ， 2014
基于 BP 神经网络的船舶航迹控制技术
郭文刚
( 中国电子科技集团公司电子科学研究院 ， 北京 100041 ) 摘 要：
航海战舰规模的扩大使船舶航迹的控制变得越来越困难 、 复杂。 为了实现船舶航迹控制， 采用新的
第7 期
郭文刚: 基于 BP 神经网络的船舶航迹控制技术
· 89·
航向、船舶航向保持等， 它是船舶航向控制系统中 最关键的控制设备。 自动舵的研制主要经历以下 4 个发展阶段： 1 ） 机械式自动舵 机械式自动舵具有比例控制功能， 降低控制增 益才能避免振荡。 当船舶惯性很大时， 比例控制的 方法不能将船舶控制在制定航向上， 且机械式自动 舵燃料消耗高，因此，未被广泛应用。 2 ） PID 自动舵 PID 自动舵在船舶航向控制中， 只要比例、 微 分和积分系数选择合适，就能实现良好的控制性能。 PID 自动舵很大程度上提高了船舶的航向控制精度 ， 并且，结构简单， 参数调整方便， 在当时得到了广 泛应用。但它也存在不足， 例如在大风浪中， 转舵 角较大会引起船舶偏航严重，非常危险。 3 ） 自适应自动舵 随着自适应自动舵的发展成熟， 自适应自动舵 在船舶航向控制方面取得了突破性的进展 。 但是， 自适应自动舵设计是建立在线性系统之上的 ， 实际 船舶运行是大干扰、 实际船舶运行状态是非线性、 大干扰的过程，因此自适应控制应用于船舶航迹控 制的效果受到影响。 4 ） 智能自动舵 智能自动舵采用知识表示、 符号信息处理、 启 发式程序设计等相关技术对实际事件进行规划和决 策，在实践过程中实现实际问题的求解。 属智能控 制技术包括神经网络、模糊原理等控制方法。 目前，国外已经将智能控制和船舶航向控制相 结合。但是它仍然处于仿真实验阶段， 还需要进一 步研究才能运用于实际。
控制技术， 根据神经网络及船舶航迹的相关理论和 BP 神经网络的船舶航迹控原理， 对 BP 神经网络的船舶航迹控制 进行计算和航迹设计实现， 通过模拟仿真得出各种海情条件下的船舶航迹控制比较图， 对我国航海战舰控制航迹有一 定的指导意义。
百度文库
关键词： 文章编号：
BP; 神经网络; 船舶; 航迹控制 TP3 文献标识码： A doi： 10. 3404 / j. issn. 1672 － 7649. 2014. 08. 017 1672 － 7649 （ 2014 ） 08 － 0087 － 07
当 β 的 值 趋 于 无 穷 时， 激 发 函 数 趋 于 阶 跃 函 数 ， 设定 β 的取值 为 1 。 将 β = 1 代 入 式 （ 3 ） 求 导 可得 ： f ，（ net i ） = f（ net i） ［ 1 － f（ net i ） ］ 。 （ 4） 通过加权系数 W ki ， 第 i 个节点的输出向前传 播到第 k 神经元 ， 并作为第 k 神经元的输入之一 ， 输出层的第 k 个神经单位 （ 神 经 元 ） 的 总 输 入 个 数为 ：
中图分类号：
BP neural network based ship tracking control technology
GUO Wengang （ China Academy of Electronics and Information Technology of China Electronic Science and Technology Group Inc， Beijing 100041 ， China） Abstract： Sailing ship tracks is the expansion of the scale of control becomes increasingly difficult
m
神经网 络 是 由 大 量 神 经 元 相 互 连 结 组 成 ， 每 个神经元 基 本 单 位 的 结 构 与 功 能 比 较 简 单 ， 但 神 经元基本单位组合而成的神经网络系统非常复杂 。 神经网络 系 统 能 对 信 息 进 行 大 规 模 分 布 存 储 、 并 行处理 ， 具有良 好 的 容 错 性 、 自 组 织 性 和 自 适 应 性 。 同时 ， 具 有 较 强 的 学 习 、 识 别 、 联 想 、 记 忆 等功能 。 神经 网 络 具 有 逼 近 任 意 复 杂 的 非 线 性 函 数的 能 力 ， 这 一 能 力 已 经 被 证 明 。 因 此 ， 神 经 网 络系统广泛 应 用 于 系 统 建 模 、 优 化 、 状 态 估 计 等 方面 。 在未来 ， 自 适 应 控 制 与 神 经 网 络 结 合 形 成 的神经自 适 应 控 制 将 有 可 能 应 用 于 强 干 扰 、 控 制 非线性 、 难建模系统等 。 1. 2 BP 神经网络 神经网络按照网络信息传递的方向可以分为 反馈型网 络 和 前 向 网 络 。 误 差 反 向 传 播 神 经 网 络 简称 BP 网 络 。 BP 神 经 网 络 能 学 习 和 存 贮 大 量 的 输入 － 输 出 模 式 映 射 关 系 ， 是 一 种 单 向 传 播 的 多 层前向网 络 ， 在 存 储 信 息 前 无 需 事 前 揭 示 映 射 关 系的数学方程 。 输入层 、 输出层 、 隐层构成 BP 神 经网络 模 型 拓 扑 结 构 。 广 泛 应 用 于 自 适 应 控 制 、 图像处 理 、 模 式 识 别 、 优 化 计 算 、 系 统 辨 识 、 最 优预 测 、 函 数 拟 合 等 等 领 域 。 图 1 为 BP 网 络 示 意图 。
q
x1 x2 xM
y1 y2 yL +
net k = ∑ w ki O i 。
j =1
（ 5）
M wij 输入层
wki q 隐含层 信息流
L 输出层
由此 可 知， 输 出 层 的 第 k 个 神 经 单 位 （ 神 经 元） 的总输出个数为： O k = f（ net k ） 。 （ 6） 如果给定模式的期望输出值 dk 与神经基本单 位的输出 不 一 致 ， 那 么 误 差 信 号 将 沿 着 原 路 线 从 输出端反向 传 播 ， 并 且 在 传 播 过 程 中 ， 神 经 元 不 断修正加 权 系 数 ， 使 在 输 出 结 果 最 大 可 能 的 接 近 dk 。 对样本 p 的加 权 系 数 的 调 整 完 成 后 ， 再 送 入 下一个样本模式进行类似操 作 ， 直 到 完 成 N 个 样 本的训练为止 。 1. 3 船舶航迹控制发展现状 自动舵主要用于完成对航迹保持的控制、 船舶
1
1. 1
神经网络及船舶航迹理论
神经网络 人工神经网络也简称为连接模型或称作神经网
络，由大量生物神经元的处理单元互连并联而成 ， 或者与生物神经细胞相类似的大量的人工神经单位 互连组成，它是一种进行分布式并行信息处理的算 法数学模型，人工神经网络是在现代认识科学和神 经生物学对人类信息处理研究的基础上提出来的 。 这种网络通过调整内部大量节点之间相互连接的关 系，依靠系统的复杂程度， 从而达到处理信息的目
and complex． In order to realize the tracks of control，the introduction of new technology ，based on neural network and the tracks of tracks related to the theory and BP neural network control principle ，to calculate the BP neural network tracking control of ships and track design through simulation that tracks under various sea conditions control comparison chart， controls on Chinese sailing ships track has some significance． Key words： BP； neural network； ship； tracking control 神经控制 属 于 学 习 控 制 ， 因 此 它 是 智 能 控 制 的 一 个分支 。
图1 Fig. 1
BP 神经网络的示意图
Diagram of the BP neural network
正向传播和反向传播组成 BP 神经网络的算法 学习过程。在正向传播过程中， 网络信息从输入层 经过隐含层， 逐层处理， 最后传向输出层。 在传输 过程中，每层神经基本单位的状态只影响下一层基 本单位的状态。如果在输出层不能得到期望的输出 结果，那就转入反向传播， 系统误差信号将沿原来
收稿日期： 2013 － 08 － 28 ； 修回日期： 2013 － 09 － 29 作者简介： 郭文刚（ 1974 － ） ， 男， 硕士， 高级工程师， 主要研究方向为电子信息系统应用仿真 、 信息系统工程综合集成等 。
· 88· 的，具有仿真控制功能。
舰
船
科
学
技
术
第 36 卷
的连接通路原路返回，并且修改各层神经元的权值， 最大程度降低使误差信号。 如图 1 所示 ， BP 网络的结构图中有 M 个输入 节点 ， 每个输 入 层 节 点 的 输 入 等 于 这 个 节 点 的 输 出 。 输出层隐含层有 q 个神经元 ， 有 L 个输出的节 W ki 是隐含层和输出层间的连接权值 ，W ij 是输 点， 入层和隐 含 层 间 的 连 接 权 值 。 前 一 层 节 点 的 输 出 的加权 和 是 隐 含 层 和 输 出 层 节 点 的 输 入 的 总 数 ， 节点的激发 函 数 、 和 、 输 入 信 号 和 决 定 节 点 的 激 励程度 。 设有 N 个训练样本，假定样本 p 的输入 / 输出模 式对 X p 和 ｛ d pk ｝ 进行网络训练， 隐含层的第 i 个神 经元在 p 作用下的输入为：
0
引
言
神经控 制 是 基 于 人 工 神 经 网 络 控 制 的 简 称 ， 是神经 网 络 控 制 自 动 控 制 领 域 的 前 沿 学 科 之 一 ， 是在 20 世纪 80 年代末期发展起来的 。 它是智能控 制的 一 个 新 的 分 支 ， 在 复 杂 的 不 确 定 、 非 线 性 、 不确知 系 统 控 制 问 题 的 解 决 方 面 开 辟 了 新 途 径 。 神经网络控 制 是 （ 人 工 ） 发 展 中 的 学 科 ， 也 是 神 经网络理 论 与 控 制 理 论 相 结 合 的 产 物 。 它 汇 集 了 生物学 、 神 经 生 理 学 、 脑 科 学 、 遗 传 学 、 自 动 控 制 、 计算机科学等学科的理论 、 技术及研究成果 。 神经网 络 控 制 属 于 智 能 控 制 系 统 。 在 控 制 领 域 ， 将具有 学 习 能 力 的 控 制 系 统 称 为 学 习 控 制 系 统 。