基于云粒子群算法的船舶纵摇运动参数辨识

提出一种基于云粒子群优化算法的船舶纵摇运动参数辨识方法。该方法利用正态云发生器自适应调整粒子群算法的惯性权重,并在算法进化过程中对粒子位置进行基于云模型的变异操作,可以很好地解决算法早熟收敛的缺点,能够提高算法的收敛精度和收敛速度。应用该算法对船舶纵摇有关运动参数进行辨识,辨识结果在可以接受的范围之内。     

基于反馈粒子滤波的船舶模型参数辨识

[目的]近年来,随着船舶朝着大型化、高速化、智能化的方向发展,船舶动力定位技术显得尤为重要。为了在动力定位系统中建立运动数学模型,需要确定模型中各参数的值。[方法]首先,以一艘挖泥船为研究对象,建立船舶运动数学模型,并分离出纵荡运动模型以及横荡与艏摇运动模型;然后,基于系统辨识理论和反馈粒子滤波算法辨识模型中的未知参数,包括2个主推进器和1个侧推进器的推力系数;最后,进行仿真实验,求得待辨识的参数值。[结果]通过与扩展卡尔曼算法的比较,显示反馈粒子滤波算法对参数辨识的效果更好,验证了反馈粒子滤波算法的可靠性。[结论]该方法在船舶动力定位系统中具有良好的应用前景。     

基于分阶段粒子群优化算法的船舶横向运动水动力参数辨识

提出了一种基于分阶段粒子群优化算法的船舶横向运动参数辨识问题。针对船舶横向水动力参数多、参数之间耦合度高的特点,提出了一种计算参数敏感性系数的方法,并依据敏感性系数对参数进行了分类,采用分阶段粒子群优化算法对参数进行辨识。对船舶横向运动参数辨识问题的求解结果表明,该算法能够快速地辨识出满足精度要求的船舶横向运动参数,验证了算法的有效性。     

基于分阶段搜索连续蚁群算法的船舶纵向运动参数辨识

提出了一种分阶段搜索的连续蚁群算法,并成功应用于求解船舶纵向运动参数辨识问题.首先将船舶纵向运动的参数辨识问题转化为参数空问非线性优化问题,然后在优化问题求解过程中,依据待辨识参数对待优化问题影响的大小,将所有参数进行动态分组,依据影响由大到小的顺序,利用连续蚁群算法依次对各组参数进行寻优,确定各组参数的范围,最后对所有参数进行小范围精细搜索,从而使算法最终收敛到最优解.求解结果表明,该算法能够快速地辨识出满足精度要求的船舶纵向运动水动力参数,验证了算法的有效性.     

基于改进混沌优化算法的船舶综合负荷模型参数辨识

参数在线辨识是目前电力系统负荷建模的主要手段,而在辨识方法上主要使用了优化类算法。首先改进以往混沌优化算法的流程,增加参数搜索范围自动缩小的功能,减少一次混沌序列生成的步骤。对测试函数的优化结果表明改进算法在保证精度的基础上大大提高了寻优速度。然后,将该改进算法应用到了船舶综合负荷模型的参数辨识上,仿真结果说明该算法寻优速度快,并且有良好的辨识精度。通过对仿真结果的分析指出,对于负荷模型参数辨识,合理缩小参数寻优范围有助于提高算法的精度。     

基于改进混沌优化算法的船舶综合负荷模型参数辨识

参数在线辨识是目前电力系统负荷建模的主要手段,而在辨识方法上主要使用了优化类算法.首先改进以往混沌优化算法的流程,增加参数搜索范围自动缩小的功能,减少一次混沌序列生成的步骤.对测试函数的优化结果表明改进算法在保证精度的基础上大大提高了寻优速度.然后,将该改进算法应用到了船舶综合负荷模型的参数辨识上,仿真结果说明该算法寻优速度快,并且有良好的辨识精度.通过对仿真结果的分析指出,对于负荷模型参数辨识,合理缩小参数寻优范围有助于提高算法的精度.     

并行扩展卡尔曼滤波的船舶模型参数辨识研究

随着人类对海洋的开发,对船舶数学模型的要求越来越高。为确定船舶运动模型的未知参数,首先针对船舶特点建立相应的数学模型,并提出一种并行扩展卡尔曼滤波算法,该方法通过一种并行计算使辨识效率更高,之后设计辨识实验,将得到的辨识结果进行仿真,并且与传统扩展卡尔曼辨识的结果进行对比,仿真结果表明改进的算法优于扩展卡尔曼滤波。     

基于LS-SVM的船舶操纵运动在线建模

基于最小二乘支持向量机(LS-SVM)和积分型辨识样本结构开展了船舶操纵运动的在线建模.以整体型Abkow-itz模型为辨识对象,大阪号油轮作为具体研究对象.在操纵运动仿真时,采用40个粘性类水动力导数的Abkowitz模型,但是在参数辨识时,采用了仅具有20个粘性类水动力导数的简化模型.为了对建模方法的有效性进行检验,将辨识得到的水动力导数与其原始值进行了比较,同时也针对辨识模型和原始模型的操纵运动仿真进行了比较.辨识结果表明,使用简化模型进行船舶操纵运动的在线建模是合适的,具有较好的预报效果和较高的精度.     

基于遗传算法的船舶横向运动水动力参数辨识的研究

随着海上资源开发与航运物流的发展,海上舰船的动力性能和载重量也不断提高。其中,船舶的动力性能直接决定了船舶的航行安全,对船舶动力性能进行分析和优化有重要的意义。本文研究的主要内容是船舶运动水动力参数的辨识,采用基于遗传算法的参数辨识方法,并详细介绍了该基于遗传算法的横向运动力参数辨识的过程,具有重要的意义。     

基于混合深度学习的燃气轮机动态过程关键参数在线辨识北大核心CSCD

[目的]为克服燃气轮机非线性时变特性对动态控制及性能监测的影响,通过长短期记忆神经网络(LSTM)的时序记忆、非线性关系表达与高斯过程回归(GPR)的区间概率估计能力三者的结合,提出一种基于LSTM-GPR混合深度学习模型的关键动态参数在线辨识算法。[方法]首先,建立燃气轮机的动态机理模型,以燃料热值、压气机效率及负载电力矩为待辨识参数,生成大量训练数据;然后,构建LSTM-GPR参数辨识网络模型,并输入训练数据进行网络训练和权重系数学习;最后,使用训练好的LSTM-GPR混合模型对燃气轮机动态运行参数进行在线辨识,经分析辨识结果来验证所提算法的有效性。[结果]仿真结果表明,所提算法辨识结果准确,误差小于1%,实时性好,相比于LSTM单一模型能获得更好的均值估计效果,并给出可靠的结果置信区间。[结论]所提算法能有效应用于燃气轮机模型的关键动态参数在线辨识,为进一步应用于实际机组奠定了基础。     

一种无人艇路径跟踪控制器的设计与验证

针对无人艇的路径跟踪控制问题,基于内模控制和L1制导算法设计并实现无人艇路径跟踪控制器。通过对状态空间型船舶线性数学模型进行在线参数辨识,实现对无人艇操纵响应模型参数的在线估计;基于内模控制和无人艇操纵响应模型,设计并实现无人艇的艏摇角速度控制器;采用L1制导算法设计并实现无人艇的路径跟踪控制器。实船试验结果表明,该路径跟踪控制器能较好地实现无人艇对参考路径的跟踪。     

基于操纵试验的实船运动模型参数辨识实例研究

参数辨识对于构建船舶操纵运动数学模型具有重要意义。为有效、准确估计实船操纵运动模型参数,提出一种基于系统辨识原理、采用递推最小二乘算法进行差分方程型船舶运动模型参数辨识的技术路线。基于操纵试验数据,将技术路线应用于实船舵角-航向差分方程模型的参数辨识。应用研究显示,提出的技术路线在实船操纵运动模型参数辨识的应用中可行性好,辨识出的参数具有较高的精度,模型输出能够较好拟合观测输出。本文中提出的技术路线流程简单,便于工程实现,能够为船舶运动模型参数的自动辨识提供支持。     

基于支持向量机的船舶操纵运动在线建模

支持向量机算法以结构风险最小化为准则,具有良好的泛化性,是一种先进的人工智能算法。文章根据最小二乘支持向量机对其增量式算法进行推导,并应用该算法对船舶操纵运动进行在线建模。通过仿真试验对粘性力和舵力水动力导数进行在线辨识,通过自航模试验对操纵性K、T指数进行在线辨识,并利用K、T指数对自航模的转首角速度进行了预报,所得结果都同试验值非常接近,证明了增量式最小二乘支持向量机应用于船舶操纵运动在线建模的有效性。     

基于计算机大数据的船舶视频图像类型辨识分析

传统船舶视频图像类型识别算法在图像类型识别计算过程中,存在视频图像高频尺度空间像素子带系数计算精度较低,导致图像画面差异辨识度降低,无法高精度对比图像特征参量的问题。因此,提出计算机大数据船舶视频图像类型辩识分析。通过神经网络算法,建立视频图像特征的神经网络模型;根据特征模型推导建立辨识模型。在辨识模型的基础上,通过导入大数据高频子带尺度算法,对图像特征尺度空间内的高频子带系数进行优化计算,从而提升视频图像类型的辨识精度。通过实验数据对比表明:提出的视频图像辨识算法,能够有效改善图像类型识别环境,提升图像类型辨识精度,解决了传统辨识算法辨识精度低的问题。     

基于支持向量回归机的船舶操纵运动在线辨识建模

采用滚动时间窗的方法实现支持向量机的在线辨识。以船舶操纵运动响应模型为研究对象,并由10°/10°和15°/15°仿真Z形试验数据构造支持向量机参数辨识所需的训练样本对,应用支持向量机进行船舶操纵运动在线辨识建模,回归操纵运动响应模型中的操纵性指数,并利用建立的响应模型进行Z形试验的数值模拟。将Z形试验数值模拟结果同仿真Z形试验数据进行比较,结果表明,在线式支持向量回归机是一种进行船舶操纵运动在线辨识建模的有效方法。     

卡尔曼算法在船舶运动模型参数辨别中的应用

人工智能技术飞速发展,人们已经实现了依靠智能算法识别船舶运动轨迹,这对船舶的航行安全起着重要的推进作用。在对船舶运动状态进行跟踪识别过程中,首先要从视频图像中提取出目标物体的特征值,然后在数据库中进行比对,进一步获得目标物的具体参数。本文采用卡尔曼算法对船舶运动目标的特征参数进行分析,首先建立船舶运动时的动力模型,然后结合目标的灰度统计特性,对船舶的运动状态和运动参数的转移算法进行设计。从仿真结果可知,本文所提出的运动模型识别算法满足基本的鲁棒性和准确度,能够对船舶目标进行速度识别和航迹跟踪。     

船舶运动辨识建模研究现状与展望

辨识建模是船舶运动建模的主要方法之一.当前的船舶运动辨识建模以参数辨识为主要形式,本文通过文献回顾,归纳总结了参数可辨识性、辨识模型、辨识算法和辨识数据等4个方面的研究成果.分析指出当前存在辨识数据局限性、理论支撑不足和工程应用欠缺等问题,并就下一步在数据处理、理论完备性、非参数辨识和在线辨识方面的研究前景进行了展望.     

基于改进LSSVM的船舶操纵运动模型在线参数辨识方法

为实现船舶操纵性的在线预报及自适应运动控制,针对Nomoto二阶非线性运动模型参数辨识问题,将最小二乘支持向量机(least squares support vector machines,LSSVM)与多新息方法相结合,提出一种新的多新息在线LSSVM辨识建模方法。试验结果表明,使用所提出的算法辨识的模型进行预报的拟合误差可达到4.76%以下,能准确拟合船舶操纵运动模型。     

一种基于扩展状态观测器的智能船舶Nomoto模型参数辨识方法北大核心CSCD

[目的]为了支持制导、导航、控制等船舶智能化技术的测试验证平台的搭建,利用系统辨识技术得到高精度的智能船舶野本(Nomoto)运动模型参数。[方法]充分结合扩展状态观测器(ESO)以及鲁棒加权最小二乘支持向量回归(RW-LSSVR)算法的优势,提出一种高效低成本的混合参数辨识方法。为解决模型参数辨识中无法直接有效获取某些状态量的问题,构建了基于ESO的状态估计方法。基于估计方法与直接测量的船舶运动状态量,采用具有较强抗异常值干扰的RW-LSSVR对智能船舶二阶线性Nomoto运动模型参数进行辨识。以已知模型的两艘船舶为测验对象,对所提参数估计与辨识方法进行综合测验。[结果]在利用较少传感器的情况下,通过ESO可较精确地估计出非直接测量的船舶运动状态量,并且利用RW-LSSVR辨识得到的参数值十分接近标准值。[结论]利用所提方法获得的估计状态可用于参数辨识,并且辨识模型具有较好的泛化性。     

模型参数辨识在运动控制仿真系统的应用

船舶运动控制仿真系统是船舶开发过程中的辅助系统,能够模拟船舶在多种激励下的运动状态,有助于提高船舶运动控制系统的设计水平。本文研究的重点是一种模型参数辨识技术在船舶运动控制仿真系统的应用,本文首先建立了船舶运动仿真力学模型,利用基于粒子群算法等数学算法,针对船舶运动控制仿真系统的参数辨识等进行了优化与仿真试验。