基于遗传学习算法的船舶航向智能控制方法

针对现有船舶航向控制方面采用的传统控制算法,在对船舶航向数据计算过程中存在数据迭代分析准度失常,无法适应性逻辑推导航向数据量的问题。本文提出基于遗传学习算法的船舶航向智能控制方法,利用遗传算法作为理论算法,对船舶航向数据进行遗传数据的建模,从而得到迭代航向控制量计算因子;接着,引入基于遗传算法的NRD蚁群学习算法,对得到的迭代航向控制量计算因子进行最优控制因子的蚁群化计算,得到船舶航向控制的最优适应控制参量;最后,引入适应性控制算法将最优适应控制参量导入算法,使其生成航向适应性计算逻辑策略,最终实现船舶航向的智能化控制。实验数据表明,提出的方法在航向数据迭代分析计算准确性上,准确度较高,满足可行性与有效性测试要求。     

基于IGA-BP算法的船舶航向智能自适应控制系统设计

在深入研究基于BP学习算法的前向神经网络以及模糊神经网络控制器的基础上,针对模糊神经网络控制器难以设计以及传统BP学习算法易于陷入局部收敛的不足,结合免疫遗传算法的全局收敛特性以及BP学习算法局部收敛的快速性,提出了一种基于混合计算智能方法的IGA-BP算法的神经网络参数的优化设计方法.将设计的控制器用于建立船舶航向控制系统模型,仿真结果表明,在船舶无干扰和存在随机干扰的情况下,基于IGA-BP算法设计的船舶航向控制系统均能使船舶转向控制无超调,跟踪快,比BP学习算法的控制效果更理想.     

船舶航向在线自学习模糊神经网络智能控制方法研究

船舶航向控制是航行控制系统中非常重要的一个环节,在航线自动跟随系统中,航向控制系统的自学习能力会直接决定船舶的航行效果。本文重点对船舶航向在线学习系统进行升级,能够自我学习、自我判断航线的跟随准确度,通过采用先进的模糊神经网络算法,有效改善控制系统的参数,通过不断的自我学习、自我修正,能够使船舶的航行线路始终保持在一定的范围内。本文提出的智能化控制方法能够有效提升航行的稳定性,一定程度上降低事故的发生率。     

船舶航向非线性控制的数学模型与分析

传统的船舶航向控制模型存在着航向控制精确度的缺陷,为此提出船舶航向非线性控制数学模型研究与分析。建立船舶航向分析坐标系对船舶航向参数进行确定,根据确定的参数建立船舶航向非线性运动数学模型,以上述模型为基础采用粒子群算法对船舶航向非线性控制程序进行编写与执行,实现了船舶航向非线性控制数学模型的建立。通过实验得到,建立的船舶航向非线性控制数学模型航向控制精确度比传统模型高出30.8%,说明建立的船舶航向非线性控制数学模型具备极高的有效性。     

基于EM算法的船舶大转向航向路径跟踪控制方法

目前研究的船舶大转向航向路径跟踪控制方法在解决航向环境变化下船舶大转向航向路径跟踪控制问题时,解决能力较弱,抗干扰能力较差。为解决上述问题,基于EM算法研究了一种新的船舶大转向航向路径跟踪控制方法,通过构建基于EM算法的船舶大转向特征模型获取完整的船舶信息并对其进行在线参数估计,为航向路径跟踪控制奠定基础,结合GPS定位系统对船舶的大转向航向路径进行实时跟踪和路径描绘,以EM算法对其大转向航向路径进行控制。实验结果表明,基于EM算法的船舶大转向航向路径跟踪控制方法跟踪准确、控制有效,适用于为了船舶领域的进一步发展。     

船舶航向的混合智能控制技术研究

考虑船舶运动时的非线性及其操纵特性与航速、复杂多变的环境干扰等带来的不确定因素,将传统的模糊控制的基本结构嵌入到多层神经网络的控制器中,构成了混合智能系统.采用了模糊自适应学习控制网络,应用于船舶航向控制,对控制器的参数和结构进行了在线学习与调整,并进行了仿真,可以在一定程度上克服船舶运动中的不确定性问题.     

基于云计算技术的船舶航向智能控制技术研究

船舶航行的环境十分复杂,环境信息具有比较强的动态性,导致船舶航向变化的频率相当高,当前船舶航向控制技术存在控制精度低、控制速度慢等问题,无法适应船舶高速航行的要求,为了提高船舶航向控制的准确性,改善船舶航向控制效率,设计了基于云计算技术的船舶航向智能控制技术。首先分析当前国内外船舶航向控制技术的研究进展,找到引起船舶航向控制不足的因素,然后建立船舶航向控制的数学模型,并采用改进卡尔曼滤波算法对船舶航向进行估计,从而实现船舶航向智能控制,最后采用云计算技术搭建船舶航向智能控制平台,并进行了船舶航向智能控制仿真实验,结果表明,本文技术可以对船舶航向进行高精度跟踪与控制,船舶航向智能控制误差小于当前其它船舶航向控制技术,且船舶航向智能控制速度更高,具有十分广泛的应用范围。     

基于闭环增益成型算法和改进粒子群算法的舰船航向控制

如今,海上航线的船舶密度不断提高,且船舶的动力性能更强,速度更快,在航线拥挤的地方往往会发生船舶碰撞事故。为了提高船舶的航行安全性,有必要针对船舶的航向控制技术进行优化。本文首先研究闭环增益成形算法和改进粒子群算法的原理,建立舰船航向控制过程的动力学模型,基于这2种优化算法对舰船的航向控制系统进行研究,有助于改进舰船航向控制水平。     

模拟退火算法在船舶航向PID控制器参数优化中的研究

基于PID控制器的航向参数控制是控制船舶按照既定航向运行的主要方法。传统的PID控制器虽然结构简单,但是航行参数调节精确度不高,在全局进行搜索,收敛性能较差,已经越来越不能适应现代船舶航行参数控制系统的要求。模拟退火算法是一种局部最优搜索方法,能够结合航向操纵航角最小的原则对航向参数进行最优控制。本文在研究了船舶航行参数控制结构的基础上,提出了基于模拟退火算法在船舶航向PID控制器参数的优化算法,最后进行仿真。     

基于遗传算法和模糊控制理论的船舶智能航向控制器研究

随着自动化技术的发展,船舶的控制系统的规模也在不断变大,控制对象的复杂性也在不停变化,智能控制是船舶航向控制的一个重要研究内容。本文将遗传算法和模糊控制理论应用于船舶智能航向控制中,介绍航向控制器的结构,阐述控制规则,最后进行船舶PID控制和本文算法控制的对比实验。实验结果表明,本文算法鲁棒性强、稳定性好、系统误差小,具有较强的可行性。     

混合智能控制技术在船舶电站励磁控制中的应用

将混合智能控制技术应用于船舶电站同步发电机励磁控制，通过一种结合自组织学习和BP学习的混合学习算法，学习并调整控制器参数和结构，该算法比通常的BP算法收敛性好，速度快。仿真结果表明，该算法能很好地稳定机端电压。     

基于深度强化学习的智能船舶航迹跟踪控制

[目的]智能船舶的航迹跟踪控制问题往往面临着控制环境复杂、控制器稳定性不高以及大量的算法计算等问题。为实现对航迹跟踪的精准控制,提出一种引入深度强化学习技术的航向控制器。[方法]首先,结合视线(LOS)算法制导,以船舶的操纵特性和控制要求为基础,将航迹跟踪问题建模成马尔可夫决策过程,设计其状态空间、动作空间、奖励函数;然后,使用深度确定性策略梯度(DDPG)算法作为控制器的实现,采用离线学习方法对控制器进行训练;最后,将训练完成的控制器与BP-PID控制器进行对比研究,分析控制效果。[结果]仿真结果表明,设计的深度强化学习控制器可以从训练学习过程中快速收敛达到控制要求,训练后的网络与BP-PID控制器相比跟踪迅速,具有偏航误差小、舵角变化频率小等优点。[结论]研究成果可为智能船舶航迹跟踪控制提供参考。     

Overview of intelligent ship route optimization methods北大核心CSCD

智能船舶航线优化在学术界和工业界均受到越来越多的关注。针对智能船舶航线优化问题,从航线设计方法和航线优化算法这2个层面,分别阐述各种设计方法和优化算法的特点。结合近5年来的最新研究成果,在分析国内外智能船舶航线优化技术发展现状的基础上,将航线设计方法归纳为3种,即基于气象数据的航线优化、基于油耗模型的航线优化以及基于航线库或航路点库的航线优化,剖析其技术内涵及应用情况;深入分析改进的等时线法、动态规划法、图形搜索算法、智能算法、人工智能和机器学习算法的特性及不足,总结归纳将各类算法应用于智能船舶航线优化时存在的主要问题。最后,简要展望智能船舶航线优化的发展趋势,为未来在该领域的研究提供一定的思路。     

改进的BP神经网络在船舶与海洋工程中的应用研究

人工神经网络作为一个具有高度非线性映射能力的计算模型,在工程中具有广泛的应用前景.在数值预测方面,它不需要预选确定样本的数学模型,仅通过学习样本数据即可以进行预测.文章介绍了BP神经网络,并针对实际应用中收敛速度慢,平台效应等问题对网络进行了改进并优化,详尽地给出了改进的三层BP神经网络数值预测算法.为测试该算法.选用了著名的XOR(异或)问题和和一个高度非线性的0-1矩阵预测问题对其进行了验证.计算结果表明文中算法能给出令人满意的精度.最后结合船舶与海洋工程的两个实际问题,探讨了利用改进的BP神经网络进行数值预测的方法和应该注意的问题,并给出了一些有益的建议.实践表明,文中给出的改进的BP神经网络数值预测算法值得在船舶与海洋工程中加以应用并推广.     

基于支持向量机的船舶柴油机故障诊断的研究

通过建立VC维统计学习理论,利用数学建模,建立并划分最优超平面以取得支持向量来训练,选取并考虑相关的影响因子以此构建样本数据集,以期对柴油机故障实现精确的诊断;而对于非线性空间情况,可采用核函数的思想来转化为线性空间,以此降低算法的复杂度;通过与人工神经网络方法的比较,表明该方法具有运算速度快,泛化能力强等优点;支持向量机(SVM)可以较好解决柴油机故障诊断中的机器过学习、小样本、高维数、非线性等问题。     

绿色能源双体无人艇艇型综合优化分析

为了实现绿色能源双体无人艇的艇型最优设计,本文对艇型设计的多目标策略和智能优化算法进行研究。首先综合考虑太阳能和风帆以及快速性、操纵性、耐波性和抗倾覆性四大性能对艇型设计的影响,建立综合优化数学模型;然后基于遗传算法改编的综合优化设计软件确定总目标函数最优情况下的遗传次数、种群规模、变异概率和交叉概率;最后采用外部分层策略对遗传算法结合粒子群和混沌算法,进行了混合算法的比较分析。结果表明,相比于单一遗传算法,混合算法的优化效果更好,且在不同载波概率情况下,遗传算法+粒子群算法的优化效果均为最佳,外部分层策略可以有效提高寻优效果。     

基于混合遗传算法的无人船自动航向控制方法

本文针对无人船航向控制提出了基于模糊及遗传算法的控制策略。考虑无人船航向控制，以及无人船航向控制具有强非线性和不确定性，本文将智能策略和常规策略作为无人船航向的舵角控制作为主要控制框架。通过导引律计算期望的角度，并根据自主船的无人船航向控制动态模型进行分析。该模型考虑了舵和船舶推进系统的物理阈值，提出了一种适用于不同无人船航向控制的自适应控制算法，借助增益调度方法(GS)，利用PID控制器和遗传算法(GA)对不同的操作点进行全流程的(GS-PID-GA)混合优化。通过真实数据比例缩小进行模型实验并与传统控制方法进行比较，验证了所提出的控制方法的有效性。     

船舶柴油发电机转速神经网络容错控制

结合人工神经网络与智能容错控制，形成船舶柴油发电机转速神经网络容错控制。对由故障诊断后获取的特征值进行归一化处理，把经过处理的特征值作为神经网络的输入样本集，设计输出样本集，建立BP神经网络和ELMAN神经网络，用整理后的数据训练神经网络，使神经网络具有容错控制功能，并对神经网络模型进行仿真测试。仿真试验显示可以实现对船舶电力系统容错控制，保证船舶的安全运行。     

基于机器学习的船舶能耗智能预测方法验证分析

船舶能耗智能预测是实现船舶能效智能评估与优化决策的基础和前提。大数据、人工智能、机器学习等新兴技术促进了船舶能耗预测方法的不断发展，为分析不同基于机器学习的船舶能耗预测算法的预测精度与效果，进行了不同预测算法的实例验证分析。结合船舶油耗及其影响因素实船采集数据，通过采用不同机器学习算法对船舶能耗进行预测分析，验证了各算法的特点和优势，从而为选择合适的船舶能耗预测算法提供参考。     

智能分类器方法

小样本数据不能对分类器进行充分的训练。传统的分类器方法一旦设计好,再也不会有任何改进.本文将人工智能的思想、方法应用于分类器设计中,提出了智能分类器概念。智能分类器不但可以对未知样本进行分类识别,还具有多专家决策、预分类、学习等功能。智能分类器是一种自适应系统,其系统参数可在识别的过程中得到不断的优化。在ORL人脸库上的实验结果证明该方法在解决小样本问题时具有明显的优势。