果蝇算法在基于LSSVM智能水下机器人操纵运动模型辨识中的应用

基于水下机器人的Z型仿真试验,应用支持向量机对水下机器人的操纵运动模型进行辨识,从核函数结构中得到水动力系数,并建立水下机器人的预报模型,引入果蝇算法对惩罚因子C进行寻优,以减少基于经验而选择的参数对辨识精度产生的影响。通过预报与仿真比较,验证了该方法的有效性。     

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。     

应用支持向量机的船舶操纵运动响应模型辨识

建模是评估船舶操纵性和可控性的重要前提.基于自由自航船模试验的系统辨识方法是求取船舶操纵运动数学模型中的水动力系数的有效手段之一.文中提出了一种使用支持向量回归估计的船舶操纵运动响应模型辨识方法,该方法通过训练自由自航试验数据样本得到参数回归模型.辨识和仿真结果验证了文中所提出的方法的有效性.     

基于支持向量回归机和粒子群算法的船舶操纵运动模型辨识

基于仿真的Z形试验数据,应用支持向量回归机对船舶操纵运动响应模型进行了机理建模,从核函数结构中得到了模型中的操纵性指数,并利用建立的响应模型进行了Z形试验的运动预报,同时引入粒子群算法对惩罚因子C值进行寻优,以减少惩罚因子C值选择的任意性对船舶操纵运动模型辨识精度产生的不利影响。通过将运动预报结果同仿真试验数据进行比较,验证了文中方法的有效性。     

基于ν-支持向量机的波浪中船舶操纵运动辨识建模

本文采用系统辨识方法对船舶在波浪中的三自由度操纵运动进行黑箱建模。以KCS船为研究对象,建模所需的数据由规则波中的船模回转试验获得。分别利用原始数据及经低通滤波处理后的数据,应用ν-支持向量机进行黑箱建模。进一步地,利用所建立的模型进行运动预报,并将预报结果与真实的试验值进行比较,对所提出的建模方法进行验证。结果表明,ν-支持向量机是一种可进行波浪中的船舶操纵运动辨识建模的有效方法。     

基于支持向量机的水下航行器操纵运动在线建模

本文对水下航行器的操纵运动在线建模进行研究。使用增量式最小二乘法辨识得到了MARIUS AUV的水动力导数。为了提高辨识精度,使用积分型辨识样本结构进行输入输出样本对的构造。基于约束模试验获取的水动力导数,进行操纵运动仿真,得到纵向速度、横向速度、摇首角速度和舵角等样本参数。通过试验水动力导数和辨识得到的水动力导数对比,表明辨识算法的有效性。该研究对水下航行器操纵运动的在线建模和控制应用具有重要意义。     

基于支持向量机的水下航行器操纵运动在线建模

本文对水下航行器的操纵运动在线建模进行研究。使用增量式最小二乘法辨识得到了 MARIUS AUV的水动力导数。为了提高辨识精度,使用积分型辨识样本结构进行输入输出样本对的构造。基于约束模试验获取的水动力导数,进行操纵运动仿真,得到纵向速度、横向速度、摇首角速度和舵角等样本参数。通过试验水动力导数和辨识得到的水动力导数对比,表明辨识算法的有效性。该研究对水下航行器操纵运动的在线建模和控制应用具有重要意义。     

基于粒子群算法的支持向量机参数优化方法的研究

支持向量机(Support vector machines),作为一种新兴的学习机器,具有广阔的发展前景,但其性能依赖于参数选择,并且在实际工程中,这个问题一直没有得到较好的解决,在很大的程度上限制了它的应用.本文对粒子群算法(Particle swarm optimizer)进行改进,通过每次迭代过程中,增加粒子个数的方法扩大粒子的搜索范围,防止粒子陷入局部最优.将改进的粒子群算法用于支持向量机参数选择中,并且在非线性系统模型辨识中进行仿真验证,同传统方法相比,在时间和辨识精度上都有了很大的提高,为解决SVM的参数选取问题提供了一条有效的途径.     

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。     

基于广义最小二乘法的ROV水下机器人模型在线参数辨识

以水下机器人俯仰操纵响应模型为研究对象,并由小型特种水下机器人实时采集纵向变电机速度、前推电机1速度、前进电机2速度、侧推电机速度和俯仰角等试验数据,通过对这些试验数据进行分析,采用基于ARX模型的广义最小二乘法对一种变桨机构的ROV水下机器人运动模型进行在线辨识建模.将水下机器人航向角实时预报结果与试验数据进行比较,结果表明,辨识得到的水下机器人运动模型具有良好的泛化性能,可为后续ROV水下机器人的航向控制器优化提供参考.     

一种多学科设计优化近似模型构建方法

通过采用单个参数控制样本的误差界限、采用Laplace损失函数和改变置信区间项,给出了一种基于单参数的Lagrangian支持向量回归算法。以实际数值函数为例,通过采用三组不同样本集进行拟合训练,构建了基于支持向量机的近似模型;以石油平台支援船总阻力估算为例,通过与模型试验及其他典型方法的对比,检验了算法用于近似模型构建的准确性和适用性。研究结果表明,采用支持向量机方法构建近似模型在小样本条件下比神经网络等传统方法具有更好的泛化性和推广能力,能够有效提高计算精度与优化效率,在复杂系统多学科优化设计中具有很大的应用价值。     

多自主水下航行器编队控制技术研究

对多自主水下航行器编队任务进行了概述,针对编队问题和目前常用的编队方法,提出了基于领航者法的分层式编队控制技术,将人工势场法引入到编队控制行为中,提高了AUVs编队的协调性与协作性,增强了编队体系的环境自适应能力.最后,通过仿真实现了多种编队案例,验证了算法的合理性和实用性.     

水下遥作业系统的协调控制的研究

  目的  以多自主式水下机器人（MAUV）执行海底地形勘察任务为背景,提出一种基于改进蚁群算法的MAUV最优任务分配算法。  方法  首先,建立任务分配问题模型;然后,针对基本蚁群算法进行改进。改进的蚁群由多个子群组成,通过对任务执行能力蚂蚁的选择方法、启发函数和全局信息素更新方式进行改进,以此提高算法的自适应能力和全局搜索能力,并在局部搜索中通过2-opt算法进一步加快最优解的收敛速度。  结果  Matlab仿真结果表明,改进的蚁群算法可以有效提高MAUV的任务分配效率,从而快速地平衡航行距离和能耗代价。  结论  研究成果可为MAUV海底地形勘察任务分配提供参考。     

基于影响因素的SVR备件需求预测研究

文章介绍了支持向量机学习算法,说明其特点,并引出基于影响因素的支持向量回归的备件需求预测方法,用某型备件的历史需求数据例证此法的可行性与精确度。     

基于LS-SVM的船舶操纵性黑箱建模与预报研究

文章提出了基于LS-SVM的船舶操纵性黑箱建模方法,通过选取影响操纵性能的主要因素,利用LS-SVM建立了操纵性能的非线性回归模型,并利用回归模型对自航模回转试验进行了预报,通过试验与预报结果的对比分析表明,所建立的回归模型具有较高的预报精度,为船舶操纵性预报提供了一种新的技术手段。