U—D分解渐消记忆滤波神经网络控制器在船舶操纵中的应用

针对前馈网络BP算法所存在的收敛速度慢且常遇局部极小值等缺陷，提出一种基于U－D分解的渐消记忆推广Kalman滤波学习新方法。与EKF相比，该方法不仅大大加快了学习收敛速度，数值稳定性好，而且比BP算法需较少学习次数和隐节点数，学习效果也更好，将这种学习算法应用在船舶操纵的神经网络控制器中，仿真结果表明该方法是提高网络学习速度改善学习效果的一种有效方法，可有效解决非线性系统的控制问题。     

静止无功发生器的单神经元PID控制器设计

为了提高静止无功发生器SVG的控制性能,本文采用单神经元PID控制器取代传统PID控制器。在分析单神经元PID控制器结构和原理的基础上,采用无监督的Hebb学习规则和有监督的Delta学习规则相结合的有监督Hebb学习规则,实现单神经元PID控制器参数优化和在线自动调整。采用Matlab软件搭建单神经元PID控制器和静止无功发生器SVG的仿真模型,仿真结果表明,使用单神经元PID控制器的SVG响应速度快,具有较强的自适应性和鲁棒性。     

基于单神经元自适应PID的矢量控制系统研究

转子磁场定向矢量控制中,转速PI调节器在控制对象参数变化时其鲁棒性能较差,而单神经元具有自学习、自适应能力,为了进一步改善矢量控制系统的性能,文章提出了用单神经元自适应PID控制器代替传统PI调节器。为了提高单神经元PID控制器的学习能力,将无监督的Hebb学习规则与有监督的Delta学习规则相结合,实现单神经元控制器的参数优化与在线自调。仿真结果表明,该系统不仅具有很好的静、动态性能,而且还具有很强的自适应性和鲁棒性。     

人工神经网络在故障诊断系统中的应用

人工神经网络以其独到的联想、记忆、储存和学习功能，在故障诊断领域受到了广泛关注。其中，BP网络是最成熟、应用最广泛的一种网络。但BP网络在实际应用中也存在诸多不足，如学习率的取值需要凭借经验或试算选取，网络学习收敛速度慢以及易陷入局部最小点等。针对BP网络的这些不足，采用了Rumelhan附加惯性冲量和动态调整学习率相结合的改进的BP网络方法，并尝试用该改进算法来对凝汽器进行故障诊断。事实证明，在平均情况下，本系统收敛速度远远快于基本的BP算法。     

长短时记忆网络水下目标噪声智能识别方法

未来基于水下无人平台的水声目标探测体系要求平台自身具备目标智能化识别能力,而传统水下目标噪声识别方法需要人工提取泛化能力强的特征数据,且识别过程具有较强的人机交互特性,无法满足这一要求。针对这一问题,本文研究一种基于长短时记忆网络(LSTM)的水下目标噪声智能识别方法,借助深度学习自主学习数据特征的能力,应用长短时记忆网络(LSTM)分别对水下目标噪声的时域时间序列数据、频谱数据、梅尔倒谱(MFCC)数据进行深层次特征提取与识别,并使用实际水声目标噪声信号对该方法进行了验证。结果表明,在上述3种输入数据情况下,采用LSTM长短时记忆模型均能有效实现水下目标噪声特征提取与智能识别。     

用CMOS4000系列集成电路构成的自动雾笛控制器

根据1972年国际避碰规则要求，用CMOS4000组成符合要求的自动雾笛控制器，该控制器经实船使用，性能可靠，可克服传统的时钟凸轮机构和分立元器件组成的控制器的缺点。     

基于TSK模糊系统的模糊对向传播神经网络

充分利用了TSK（Sugeno-Tanaka)模糊系统的优点，提出了改进的模糊对向传播神经网络Improved-FCP，并给出了其学习算法，实验结果表明Improved-FCP网络之FCP网络对样本有更高的逼近精度。     

改进的BP网络及其在电路故障诊断中的应用

BP神经网络在模拟电路故障诊断中的应用是一个十分热门的研究课题，但BP网络自身的学习收敛速度慢、容易陷于局部极小等缺陷则限制了其应用。提出了一种改进型的BP网络诊断模拟电路故障的方法，详细介绍了自适应学习率动量法，对模拟电路故障进行诊断和分析研究。最后，给出了仿真实例，验证了自适应学习率动量法加快了样本学习收敛速度，具有更好的实时性和诊断效率。     

基于GA优化模糊控制规则的工程船舶控制方法

采用模糊控制器来改进控制性能，遗传算法建立模糊控制器的控制规则，使控制器在不需要先验知识的情况下就能产生较好的控制效果；最后，建立工程船的数学模型并对系统进行了仿真实验。     

可调螺距螺旋桨的自适应模糊控制系统研究

在常规模糊控制器的基础上，通过自适应控制优化模糊控制器的控制规则，获得了反映被控对象过程状态特征的自适应模糊控制器，并且通过MATLAB软件仿真实验的方法，研究了该自适应模糊控制器用于可调螺距螺旋桨系统时的控制性能，取得了比较令人满意的仿真效果。     

区域港口群货源分配的人工神经网络方法

将人工神经网络方法与港口货源分配问题相结合,建立了货源分配的人工神经网络模型,并对网络的拓扑结构、网络学习机制、网络样本采集和网络的使用进行了介绍和分析。     

基于海况分级的船舶动力定位切换控制

为了使动力定位船舶可以在变化海况下持续稳定运行,本文建立了基于切换规则的多控制器系统对动力定位船舶进行控制。为了保证各控制器之间可以平滑切换,提出了一种基于积分特性的滞后切换规则。根据切换规则来选择与实际系统最接近的控制器作为当前控制器。文中证明了该切换规则可以保证整个系统的稳定性。通过仿真验证了该方法的有效性。     

基于模糊神经网络的船舶机电故障诊断分析

船舶机电故障诊断影响着船舶航行安全,关系着人类的生命财产安全。文章提出应用模糊神经网络对船舶机电故障进行诊断。模糊神经网络融合了模糊理论和神经网络的优点,可自适应从学习样本数据中提取故障模型,根据采集的样本训练出模糊神经网络的连接矩阵,再合成单个联想记忆网络,最终实现实时故障诊断。以某船舶发电机转子系统的监测数据为例,证明了此法的有效性,可广泛推广。     

浅析基于稀疏表示的航运船体检测方法

为进一步强化航道安全,解决海事CCTV人工值守、非自动化问题,提出了基于稀疏表示的船体检测方法.利用稀疏表示实现对船体的检测时,首先构建样本特征矩阵,然后利用K-SVD算法对样本特征矩阵进行学习,得到冗余字典,最后对测试样本进行重构,根据马氏距离判断测试样本属性.通过与传统方法的试验比较,实验结果表明,该算法实时性好、检测准确率高,可以很好地对CCTV视频监控的船体进行检测与跟踪,解决CCTV人工值守、非自动化问题,节省大量人力资源.     

基于模糊推理的潜艇舱室温度控制研究

针对复杂的具有不确定数学模型的潜艇舱室温度环境，利用模糊推理的设计思想，提出了一种参数自调整双层模糊控制器，用于舱室温度控制，并通过采用确定性模糊调整规则，简化了模糊控制器的设计，具有较强的适应性和鲁棒性。仿真结果表明，该控制器明显地改善了控制系统的性能。     

基于自适应模糊系统的船舶碰撞危险评判

本文应用模糊系统方法建立船舶碰撞危险的专家评判系统。该系统用数值化的模糊联想记忆（ＦＡＭ）规则表示专家的领域知识并进行模糊推理,同时采用神经网络的微分竞争学习算法（ＤＣＬ）实现规则的自适应生成,该系统能模仿人类专家迅速作出危险评判,并具有学习,更新和完善的能力。     

基于Q学习的参数自适应S面控制方法

复杂的动力学特性及多变的海洋环境对无人水下航行器（UUV）控制器的设计提出了巨大挑战,在实际应用中,控制器的参数经人工调试后便固化,在控制过程中无法适应环境的变化。针对上述难题,该文借鉴自适应控制思想,提出一种基于强化学习的参数自适应S面控制方法,采用自适应控制方式实现不同环境下控制器参数的优化和自动整定。该方法采用Q学习算法进行训练,通过Q学习的自学习机制寻找输入状态和输出动作间的最优映射。仿真试验表明,所提方法能对控制器的参数进行实时在线调整,具备良好的控制效果和环境自适应能力。     

基于联合神经网络的水声目标识别方法

为了改善传统的单一识别网络难以充分考虑水下声音样本各方面特征的缺陷,本文利用联合一维卷积神经网络与长短期记忆网络2种网络串行的方式,构建一种新的网络框架,首次将联合网络运用到水声目标识别中.其次,用船舶音频数据作为数据集输入网络,对网络性能进行评价,进行识别结果的可视化分析.通过结果分析得出,该网络能够实现对水声目标的...     

船舶减摇鳍的模糊神经控制器设计

为了进一步降低船舶横摇运动对船舶安全航行威胁,针对实际船舶减摇鳍系统,利用RBF神经网络的学习与自适应能力,优化模糊控制器的模糊规则,进而设计了一种基于RBF神经网络的减摇鳍模糊控制器。在建立的长峰不规则随机波和"育鲲"轮横摇数学模型的基础上,以船舶减摇鳍控制系统为研究对象对所设计的控制器进行了仿真实验。实验结果表明,本文所设计的控制器表现出较好的减摇效果,验证了该控制器的合理性与有效性。     

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。