基于自适应神经网络的UUV航速控制仿真研究

针对无人水下航行器(UUV)在水动力参数变化和外界不确定干扰下的航速控制问题,提出一种基于李雅普诺夫方法的自适应神经网络控制算法。引入RBF神经网络来估计建模误差和海流干扰,并设计自适应学习律来保证神经网络权值的最优估计,保证了系统的航速误差收敛到零。仿真试验结果表明设计的控制器在航速控制过程中可有效抑制UUV载体的模型不确定性及海流干扰,且控制参数易于调节。     

基于模型试验的水下航行器操纵运动黑箱建模

在开展一系列水下航行器模型试验的基础上,获取艇体、舵翼、推进器等的水动力参数,建立六自由度动力学模型。然后,基于RBF神经网络算法,对模型中的向心力、科氏力和阻尼项进行黑箱建模。通过水平面和垂直面的操纵运动仿真,对RBF神经网络在水下航行器黑箱建模中的有效性进行验证。     

遗传算法和神经网络在船舶柴油机故障诊断中的应用

为提高船舶柴油机故障诊断的精度,以及改善神经网络收敛速度慢,易陷入局部最优解的情况。提出一种基于改进遗传算法和RBF神经网络相结合的智能诊断方法,并将其应用于船舶柴油机故障诊断中,改进的方法优化了神经网络的隐节点、宽度参数以及中心向量,用最小二乘法训练网络隐层到输出层的权值。最后在Matlab仿真软件下,对船舶柴油机故障诊断模型进行仿真实验。实验证明,自适应遗传算法优化的RBF神经网络,诊断速度快,诊断精度高,收敛效果好,能较好地应用在船舶柴油机的状态监测和故障诊断中。     

基于RBF神经网络的雷达网抗干扰效果评估

通过分析雷达网抗干扰效果的评估指标集,建立了一种基于RBF神经网络的雷达网抗干扰效果评估模型,并通过试验数据样本进行学习训练RBF神经网络模型。最后,利用训练好的RBF神经网络模型对雷达网的抗干扰效果进行评估,结果表明基于RBF神经网络的雷达网抗干扰效果模型具有一定实用性和可行性。     

船舶柴油机NOx排放特性神经网络预测中的试验设计

研究船舶柴油机NOx排放特性神经网络预测中的学习样本选取试验设计方法。根据用于主机的船舶柴油机可能持续运行范围的工况变化特点,提出采用功率因素变边界的均匀设计法进行试验设计选取样本,并验证了其可行性。研究结果表明,变边界均匀设计法选取的样本用于神经网络训练,预测精度明显高于随机样本选取法。4位级变边界均匀设计法选取的样本训练得到的神经网络模型,NOx排放浓度预测误差小于3.8%,NOx比排放预测误差小4.5%。     

RBF神经网络在船舶航向保持非线性控制中的应用

船舶航向保持在可控范围内,使得船舶航迹能够在规定精度的阀值内。随着航运业的发展,船舶的动力及体积越来越大,操纵控制系统复杂度也越来越高,在船舶航向控制中的非线性因素越来越多,传统的线性模型已经不能适应船舶控制系统性能要求。RBF神经网络与自适应控制相结合,能够很好匹配非线性系统的求解。本文研究船舶航迹控制模型,给出基于RBF神经网络船舶航向非线性控制系统解决方法,最后进行仿真实验。     

基于GA-BP神经网络的螺旋桨水动力性能预报方法

为了快速预报螺旋桨水动力性能，提出一种遗传算法优化BP神经网络（GA-BP）的螺旋桨水动力性能快速预测方法。采用计算流体力学（CFD）方法，使用FLUENT软件对P4119螺旋桨水动力性能进行仿真计算，结果表明CFD方法可替代敞水试验获取螺旋桨水动力性能。采用CFD方法计算100组不同系列螺旋桨的水动力性能，建立GA-BP神经网络螺旋桨水动力性能预测模型，以计算所得的100组数据为模型的学习样本，选择其中的80%为训练集，10%为验证集，10%为测试集，对比分析传统BP神经网络和GA-BP神经网络模型的预测效果。结果表明，GA-BP神经网络预测结果预测精度更高，能够满足快速预测螺旋桨水动力性能的要求。     

平面运动机构试验CFD仿真影响因素分析

为提高基于重叠网格法的平面运动机构试验的仿真精度,以SUBOFF标模为计算对象,对计算域大小、时间步长、运动频率和湍流模式等参数进行计算对比。结果表明:内部运动区域的大小对计算结果的影响可忽略;综合效率和精度,时间步长取1个周期300步较好;采用Realizable k-ε湍流模式与采用SST k-ω湍流模式得到的结果相差较小,前者与试验结果更为符合;当振幅取0.04 m或0.04 rad时,运动频率取0.1 Hz～0.5 Hz均可,对结果的影响相对较小;单个频率下的结果具有较大的随机误差,需根据多个频率进行线性仿真。采用研究所得方法进行仿真分析,并将仿真结果与试验结果相对比,发现加速度导数、位置导数和旋转导数的误差分别在35%、23%和33%以内,显现出模拟结果具有较高的精度,满足工程初步分析中的精度要求。     

潜艇蓄电池建模策略分析

潜艇蓄电池是潜艇主动力系统的重要组成部分,要对潜艇主动力系统进行仿真研究,必须建立精确的蓄电池外特性模型.但蓄电池的外特性受到多个因素影响,建模十分困难.另外潜艇蓄电池的试验样本少,限制了常规建模方法的使用.本文对潜艇蓄电池的建模策略进行了详细分析,并提出利用神经网络扩展试验样本,提高了潜艇蓄电池模型的精度.     

RBF神经网络的舰船电力系统故障诊断模型

舰船电力系统故障诊断是当前的热点问题,经典舰船电力系统故障诊断模型存在各自的缺陷,影响舰船电力系统故障诊断结果,为了改善舰船电力系统故障诊断结果,提出了RBF神经网络的舰船电力系统故障诊断模型。首先分析当前舰船电力系统故障诊断研究进展,阐述了RBF神经网络的舰船电力系统故障诊断原理,然后从舰船电力系统工作状态中提取特征向量,引入RBF神经网络进行学习,产生舰船电力系统故障诊断模型,并对RBF神经网络参数优化问题进行改进,最后与当前几种经典模型进行了故障诊断对比测试,RBF神经网络的舰船电力系统故障诊断正确率超过92%,而经典模型的舰船电力系统故障诊断正确率低于90%,误诊现象出现的概率很高,验证了RBF神经网络用于舰船电力系统故障诊断的优越性。     

基于RBF神经网络补偿的动力定位PD控制

动力定位控制系统在实际工况中会受到外部风、浪、流等环境力的扰动,本文主要研究PD+RBF控制算法以提高动力定位系统的抗干扰性和稳定性.RBF神经网络用来补偿外界环境扰动,其权值自适应律通过Lyapunov稳定性证明得到,通过稳定性的分析能够保证整个系统全局渐进稳定.在一艘平台供应船的仿真结果对比中显示了所提出控制器的有效性.     

径向基神经网络在水下船体防腐中的应用

采用改进型径向基函数神经网络来预测水下船体电位,从而达到船体防腐的目的。首先,分析采用无单元法求解问题的优越性;然后,介绍径向基函数神经网络的原理,通过建立水下船体的数学模型来获得船体电位,采用层次凝聚算法和K-均值聚类算法来确定径向基函数神经网络的中心节点,从而建立神经网络;最后,对神经网络的预测能力进行MATLAB仿真检验。结果表明,采用改进型的径向基函数神经网络来预测船体电位获得了很高的精度,对于船体防腐保护达到了很好的效果。     

基于小波网络的水下机器人故障诊断研究

由于水下机器人系统的复杂性、不确定性及强非线性等使得对其建模异常困难,采用一种最小调整的小波神经网络对其进行运动建模以获得理想的建模效果.通过该网络的自学习,调节小波函数的伸缩因子与平移因子以及网络连接权值,既能以任意精度逼近函数的整体轮廓,也能捕捉函数的变化细节,使得函数的逼近效果较好.对比模型的输出与实际传感器测量值来生成残差,通过分析残差特性来提取故障诊断判据,进而完成推进器故障诊断.完成了推进器故障诊断的仿真试验,仿真结果验证了该方法的有效性和可行性.     

Black-box modeling of ship manoeuvring motion based on feed-forward neural network with Chebyshev orthogonal basis function

Based on polynomial interpolation and approximation theory, a novel feed-forward neural network, the feed-forward neural network with Chebyshev orthogonal basis function, is proposed for black-box modeling of ship manoeuvring motion. The neural model adopts a three-layer structure, in which the hidden layer neurons are activated by a group of Chebyshev orthogonal polynomial activation functions and the other two layers’ neurons use identity mapping as activation functions. Weight update formulas are derived by employing the standard back-propagation (BP) training method. With the simulated 15º/15º zigzag test data as input and calculated values of the hydrodynamic forces and moment as output, the feed-forward neural network with Chebyshev orthogonal basis function and the BP neural network are applied to identify the nonlinear functions in the nonlinear hydrodynamic model of ship manoeuvring motion. With the simulated 20º/20º zigzag test data and 35º turning test data as input, the hydrodynamic forces and moment are predicted by using the identified nonlinear functions. Comparison between the calculated and predicted hydrodynamic forces and moment shows that the feed-forward neural network with Chebyshev orthogonal basis function is superior to the BP neural network in identifying the nonlinear functions of the nonlinear hydrodynamic model of ship manoeuvring motion and is an effective method to conduct the black-box modeling of ship manoeuvring motion.     

RBF神经网络在柴油机燃油系统故障诊断中的应用研究

本文主要介绍了径向基（RBF）神经网络在柴油机燃油系统故障诊断中的应用，并且首次将神经网络和虚拟仪器技术相结合，成功用于柴油机故障诊断中。比较了RBF和误差反传（BP）神经网络的学习速度和诊断精度。研究表明，将RBF神经网络和虚拟仪器相结合进行柴油机故障诊断具有良好的诊断效果和精度，有很好的工程应用前景。     

基于支持向量机的船型主尺度要素数学建模

主尺度要素数学模型的建立是一项重要有益的工作,提出了用支持向量机对船舶主尺度要素数学建模,与传统数理统计回归分析方法和RBF神经网络模型相比,其精度比较高。实践证明,该方法在船舶设计船型主尺度要素建模等复杂系统方面是实用的和可靠的。     

船舶柴油发电机转速神经网络模型参考自适应控制

结合人工神经网络与模型参考自适应控制，形成船舶柴油发电机转速神经网络自适应控制。对由传感器检测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，使神经网络实现转速的自适应控制功能，并对神经网络模型进行仿真测试。仿真结果表明该方法控制精度高，动、静态特性好。     

传感器组故障自诊断自修正方法

提出用RBF神经网络对传感器组中的各个输出进行预测,若预测值与输出值发生较大的偏差,可能是传感器故障或设备故障,运用传感器之间的冗余率,进一步判断传感器是否发生故障,进而采用对应的诊断策略。     

基于模糊RBF神经网络的辐射源识别

针对模糊识别系统的不足,为了提高辐射源识别系统的识别正确率,构建了基于模糊RBF神经网络的辐射源识别系统,提出了一种等价型模糊RBF神经网络的结构和学习算法,采用五层神经网络结构来实现模糊系统的模糊化和规则推理,神经网络的所有节点和参数对应了模糊系统的隶属函数和推理过程.在仿真实验中,分别采用模糊识别系统、并联型模糊RBF神经网络、结构等价型模糊RBF神经网络进行辐射源识别,给出了三种算法在相同噪声环境下的仿真结果,表明等价型模糊RBF效神经网络有较高的正确识别率,具有更强的抗干扰能力,但运算量相对较大.