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.     

基于改进的神经网络的船舶碰撞危险度的模型

针对船舶碰撞危险度具有模糊性、不确定性等特点,依据模糊理论方法建立的船舶碰撞危险度的数学模型,直接采用来船航速、来船航向、来船对本船的相对舷角和来船对本船距离作为神经网络的输入,采用Levenberg-Mrquardt优化算法这种改进的BP神经网络进行训练和仿真,并与标准BP算法和动量BP算法进行比较,发现经过改进的网络求得碰撞危险度比标准BP算法和动量BP算法具有更好的效果,网络能够更有效收敛,大大提高了网络的收敛速度和泛化能力。     

模糊神经网络控制在调速系统中的应用研究

针对无刷直流电机(BLDCM)调速系统的特点,在分析BLDCM(Brushless DC Motor)的数学模型的基础上建立了控制系统的仿真模型,设计了一种新的模糊神经网络控制器FNNC(Fuzzy Neural Network Controller),并运用遗传算法优化模糊神经网络结构和改进在线学习算法,将其应用到直流电机调速系统中。仿真试验表明,该方法较传统PID控制有更好的控制效果。     

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.     

多雷达多目标航迹跟踪法

提出了一种改进的模糊极小极大(Fuzzy Min-Max,FMM)神经网络算法,并结合无师训练FMM神经网络的聚类,给出了一种基于FMM神经网络的多雷达多目标航迹跟踪方法.仿真实验结果表明,这种方法能够有效地完成多雷达多目标的数据融合,并较好地实现了多雷达多目标的航迹相关.     

高阶CMAC神经网络及其在水下机器人运动控制中的应用

对高阶ＣＭＡＣ神经网络的结构和工作原理进行了研究,提出了中间层作用函数地址的计算方法,给出了计算高阶基函数的不同方法,利用高阶ＭＣＡＣ神经网络对水下机器人模糊深度控制器进行了学习,仿真结果显示了不同高阶基函数ＭＣＡＣ网络的不同建模能力,证明了中间层作用函数地址的计算方法正确。     

模糊神经网络在船舶火灾报警系统中的应用

提出了一种利用神经网络和模糊系统理论设计船舶火灾报警系统的方法。该系统 模糊推理能力哟、神经网络学习能力强的特点,将模糊系统和神经网络结合起来,实现模糊系统设计的自动调整。利用感温式知因式传感器对火灾发生时温度和烟雾两个主要参量进行智能监测委 解决了报警灵敏度和误报率之间的矛盾。     

动态模糊神经网络在船舶动力定位中的应用

在前向模糊神经网络的归一化层和输出层之间加入递归层,形成的一种新型动态模糊神经网络(DFNN)具有动态映射能力,从而对动态系统有更好的响应.文章还推导了基于BP的反传学习算法.运用DFNN对船舶动力定位控制进行的仿真实验结果证明了该方法的有效性.     

基于模糊神经网络的水火弯板双臂系统控制与研究

研究了水火弯板双机械臂的非线性控制问题,采用一种模糊神经网络算法,利用神经网络的学习能力和模糊控制的模糊信息处理能力,调整优化双机械臂运动的位置偏差,得到该控制体系下的最佳驱动参数,仿真结果表明,该控制策略提高了水火弯板双机械臂的控制精度,并且使系统具有较好的动、静态性能。     

光电跟踪系统伺服控制算法研究

伺服控制直接决定了光电跟踪系统的性能,文章采用模糊神经网络控制算法,具有参数学习和结构学习功能,通过Matlab仿真对比发现无论是动态、静态性能还是鲁棒性方面都要优于传统的PID控制以及模糊控制,表现出很好的准确性和快速性,为光电跟踪系统伺服控制设计提供了一种可行的技术方案.     

基于动态神经网络的AUV航向自适应控制

海洋环境的复杂性以及自身模型的不确定性,给自主潜航器(AUV)航向控制带来很大困难.针对AUV的特点和控制方面所存在的问题,采用了带衡量因子的动态BP神经网络控制器控制AUV的航向.理论分析和仿真结果表明,与传统的PID控制器相比,在扰动存在的情况下,神经网络控制器具有更好的自适应性和鲁棒性.     

基于加权矢量神经网络的辐射源识别方法

现有的很多分类识别方法包括基于专家系统的方法[1]、基于贝叶斯理论的方法、基于模糊模式识别的方法[2]、基于最近邻的方法[3]、基于人工神经网络的方法[3]等等在辐射源识别中都有比较成功的应用,但这些方法一般都针对测量参数为标量形式的测量值进行处理,在一定程度上解决了由于参数测量误差所引起的辐射源识别问题,对于误差的另一种情形,即测量参数为区间类型模糊值的情况讨论却较少,文献提出了一种基于模糊IF-Then规则的神经网络算法,给出了能够处理模糊输入的神经网络体系结构,同时给出了一种基于代价函数的学习算法,其代价函数由实际模糊输出和无模糊输出决定,通过学习该网络能够实现模糊输入到模糊输出的非线性映射。     

基于神经网络的船舶间碰撞态势模糊分类方法

本文提出一种采用神经网络技术实现船舶间碰撞态势模糊分类的方法。通过对复杂问题的分解,建立了一个由三个子网构成的多级网络模型。每个子网实现一部分分类功能。仿真结果表明：该网络模型具有模糊分类功能,同时,对不正确的输入具有容错性。     

一种基于神经网络的故障诊断新方法研究

针对电子设备故障诊断的问题,在研究分析模糊理论和神经网络的原理和特点的基础上,提出了一种模糊神经网络故障诊断方法,实现两者优势互补,并将全信息理论应用其中,为实现人工神经网络能在人类智能模拟深度上有新突破进行了有意义的探索。     

船舶主柴油机缸套冷却水出口温度的智能控制

利用传热学的有关理论,对船舶主柴油机缸套冷却水系统的传热机理进行了分析,给出了船舶主柴油机缸套冷却水系统的动态热力数学模型,并将基于神经网络的模糊PID控制引入到缸套冷却水出口温度控制系统中,以实现对对象进行在线控制.仿真结果表明,基于神经网络的模糊PID自适应控制比传统的PID控制的控制性能更好,而且前者具备适应控制环境变化的能力和自学习能力,当主机运行工况发生变化时,仍具有很好的控制性能.     

导管架式海洋平台自适应预测逆控制研究

文章提出了一种新的基于动态刚度阵法的导管架式海洋平台模糊神经网络自适应预测逆控制模型。该模型是通过安放在海洋平台桩腿上的压力传感器实时采集海洋平台所受波浪力,然后应用动态刚度阵法快速而准确地计算出平台顶部的响应,再将此响应作为模糊神经网络预测逆控制器的输入信号,预测出下一时刻平台顶部的控制力来对海洋平台振动响应进行控制;同时,通过反馈的自适应预测逆控制器来减小扰动和前馈控制的误差。为了验证该模型的抗干扰能力,文中还对有随机风载荷扰动情况下的导管架式海洋平台主动控制进行了研究。最后的数值算例结果表明,文中所提出的导管架式海洋平台主动控制模型具有较强的抗干扰能力,能很好地解决控制系统中存在的时滞问题,可有效地控制导管架式海洋平台的振动响应。     

面向目标识别的水下多传感器信息融合技术比较研究趑

对于水下作战,目标识别十分困难,因此必须走多传感器融合、多技术融合的道路,应分析研究不同的方法优缺点,取长补短,综合处理。本文比较了不确定性推理技术中主观Bayes方法与证据理论的特点,分别给出了基于2种技术的目标融合识别思想。提出了基于Bayes统计理论的身份识别和基于D-S理论融合身份识别的框架。研究了基于模糊神经网络的多传感器信息融合技术,提出了模糊神经网络信息融合紧密结合与松散结合的2种处理框架,并结合应用讨论了其特点。     

调距桨推进特性分析及其控制系统设计研究

具体归纳了船舶调距桨推进装置的工作特性及特点，并与定距桨进行了对比分析，总结出适用于可调螺距螺旋桨的三类船舶;在此基础上提出了基于模糊神经网络控制的调距桨控制系统的设计，仿真试验结果表明了调距桨控制系统设计的合理性.     

智能自适应控制及其在船舶操纵系统中的应用

主要分析了基于模糊控制，专家系统与神经网络的几种智能自适应控制系统的结构，原理，并与传统控制作了比较，介绍了智能自适应控制在船舶操纵系统中的应用情况，最后提出了智能自适应控制理论及应用面临的主要困难与亟需解决的问题。     

AUV fuzzy neural BDI

The typical BDI （belief desire intention） model of agent is not efficiently computable and the strict logic expression is not easily applicable to the AUV （autonomous underwater vehicle） domain with uncertainties. In this paper, an AUV fuzzy neural BDI model is proposed. The model is a fuzzy neural network composed of five layers ： input （ beliefs and desires）, fuzzification, commitment, fuzzy intention, and defuzzification layer. In the model, the fuzzy commitment rules and neural network are combined to form intentions from beliefs and desires. The model is demonstrated by solving PEG （pursuit-evasion game） , and the simulation result is satisfactory.