柴油机气缸组件与燃烧系统故障的诊断方法

文中探讨一种船用二冲程主柴油机气缸活塞组件与燃烧系统故障诊断的方法,即基于径向基函数神经网络模型的诊断方法,对该系统的征兆、故障样本集进行设计;采用ＭＡＴＬＡＢ语言编制仿真程序,然后以ＨＵＤＯＮＧ－Ｂ＆Ｗ ６Ｌ６０ＭＣＥ型大功率船用低速柴油机气缸级件与燃烧系统故障的模拟计算为例来说明这种诊断方法的可行性。     

模糊小脑模型神经网络

提出了一种模糊小脑模型神经网络。在此基础上，详细分析了ＦＣＭＡＣ的工作流程。并通过仿真实例说明了ＦＣＭＡＣ在实际应用中的有效性。最后把ＣＭＡＣ和ＦＣＭＡＣ进行了比较，指出了两者之间的关系。     

船体结构耐撞性优化设计方法研究

提出了一种船体结构耐撞性设计的优化方法,它是在试验设计、径向基神经网络和遗传算法的基础上发展而成的,用高精度的快速分析模块来代替计算量很大的复杂模型,且能处理混合离散变量和工程约束条件。为表征船体结构的耐撞性能,本文引入了耐撞指标的概念。应用上述优化方法对某散货船舷侧结构进行了耐撞性优化设计。优化过程中以耐撞指标作为目标函数,以结构重量作为约束条件,用非线性有限元动态响应分析程序ＭＳＣ／ＤＹＴＲＡ     

应用于航行控制的计算机智能控制与最优化方法——动态编程 …

将Ｂｅｌｌｍａｎ函数式应用于船舶避碰路线的选定。即建立一个关于船舶机械运动的形式限制过程的动态模型，用于船舶航行的总体控制。形式限制包括圆形，椭圆形，抛物线形成或六角形，包括被神经网络公式化了的在有碰撞可能的海域内船只的活动范围。形式限制在计算机程序中为一个独立的ＮＥＵＲＯＣＯＮＳＴＲ程序，是为应用ＭＡＴＬＡＢ软件中神经网络工具箱进行编程的。对这个问题笔者结合计算机仿真实例进行了说明。本文采用一艘     

基于互双谱与径向基函数神经网络的舰船目标分类(英文)

提出了声矢量信号互双谱估计算法.利用该算法和其它的二阶、高阶谱估计算法,提取了实测数据的声压和声矢量信号组合特征,并用不同组合特征构造了径向基函数神经网络的输入向量集,对矢量水听器实测的舰船目标进行了分类识别.结果表明,声矢量信号组合特征比声压信号组合特征具有更强的类别可分性,提高了水声目标的识别率.     

大型集装箱船舶轮机模拟器主机标定工况仿真建模的研究及实现

结合上海海运学院重点实验室科研项目ＳＭＳＣ－２０００型轮机模拟器的研制工作，对轮机模拟器的仿真对象第三代集装箱船的ＨＩＴＡＣＨＩＢ－ＭＡＮ－Ｂ＆Ｗ６Ｌ８０ＭＣ主机的热工参数进行仿真计算，利用“容积法”建立主机标定工况模型。     

人工神经网络在柴油机振动有源控制中的研究

将神经网络于柴油机双层隔振装置,构造限一种ＡＶＣ系统。用实际柴油机信号作为激扰力,应用ＭＡＴＬＡＢＦ有源控制仿真,结果表明这种ＡＶＣ系统是行之有效的,在某些主要频率下振动可衰减１５ｄＢ左右     

INMARSAT—C系统业务及应用

为了充分发挥ＩＮＭＡＲＳＡＴ－Ｃ船站在船舶通信中的作用，本文对Ｃ系统的业务及应用进行了介绍，希望能对使用者有所启发。     

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。     

快速打击潜艇

美国海军计划将陆军战术导弹系统（ＡＴＡＣＭＳ）应用于核攻击潜艇，拟在区域冲突和战争中形成快速打击力量。文章讨论了ＡＴＡＣＭＳ型导弹各种型号的应用及基与潜艇的结合潜力，论述了快速打击潜艇在美军现代武器序列中的地位和前景以及美军对快速打击潜艇的迫切需要。     

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.     

基于神经网络的无人无缆水下机器人运动建模与控制技术研究

对自主型水下机器人（ＡＵＶ）神经网络运动模型的结构进行了理论分析和探讨,提出了非完全回归型神经网络、增加积分层的输出层结构及相应的分步式学习方法。对ＡＵＶ运动过程中目标运动路径和目标运动速度的同时跟踪控制进行了系统研究。提出了由主控网络和伴随网络构成的神经网络控制器结构,给出了通过计算机模拟来生成教师样本的方法,提出了预测控制的思想。计算机仿真及水下机器人“Ｔｗｉｎ－Ｂｕｒｇｅｒ”的水池实验结果验证了本文所提出的建模方法和跟踪控制方法的有效性和可行性。     

局部回归神经网络在水下机器人运动控制中的应用

探讨了水下机器人神经网络运动模型的结构,提出了带有局部回归结构的水下机器人神经网络控制器结构及预测控制的实现方法,给出了该神经网络的教师样本生成方法及学习方法,计算机仿真与水池实验结果验证了本文提出方法的有效性和可行性。     

人工神经网络控制器在水下无人运载器导航中的应用

本文以水下无人运载器（AUV）绕平面圆周航行的速度、位置控制为例，推广到任何轨迹的控制问题。利用神经网络学习AUV运行的内在规律，预测未来一步的运行情况，并用改良的PID方式前馈与后馈相结合控制其执行机构。系统学习、预测及PID各增益量利用GESA（GuidedEvolutionarySimulatedAnnealing）全局优化方法求得。本方法具有自适应性、强非线性及前馈控制等特点，优于其它一般的控制器。     

水下机器人非完全回归型神经网络运动模型的研究

研究了基于神经网络建立水下机器人（ＡＵＶ）运动模型的方法,提出以非完全回归形式来表现输入输出变量的时序列影响和输出层向输入层回归的封闭式结构以实现运动模型的模拟机能,并给出了相应的训练和学习方法。此外,又提出了对输出层增加积分环节及神经网络输入输出变量进行正规化处理的方法。计算机的仿真及实际水下机器人“ＰＷ４５”的建模结果,表明本文所提出的建模方法的有效性和可行性。     

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.     

CMAC与PID的复合控制在减摇鳍中的应用

提出了CMAC与PID复合控制的算法,并以此用于船舶非线性横摇减摇鳍中。以PID控制为反馈控制来保证控制系统的稳定性且抑制扰动,以CMAC为前馈补偿控制器实现系统的逆动态模型来确保系统的控制精度和响应速度。为了提高CMAC神经网络实时在线学习的快速性和准确性,采用了基于信度分配的CA-CMAC-AMS学习算法。其仿真结果与传统的数字PID控制相比较,表明了该复合控制提高了减摇鳍控制系统的减摇效果,并具有较强的抗干扰能力和鲁棒性。     

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.     

模糊解耦在UUV回收运动控制中的应用

在回收过程中,UUV (Unmanned Underwater Vehicle) 对水平面运动的控制精度有很高的要求。以BSA-UUV为平台,构建水平面操纵非线性方程,在此模型的基础上,分析了多阶段回收过程中的主要耦合变量和耦合原因。针对水平面运动中航向控制与横向运动之间的强耦合问题,基于模糊理论和解耦理论设计一种解耦补偿器,由模糊补偿器的输入输出隶属度函数,根据模糊补偿规则,经过模糊推理合成运算和清晰化运算,得出解耦补偿量。仿真结果显示加入模糊解耦控制器以后,有效降低了系统的超调量,提高了控制精度,表明模糊解耦控制方法在UUV回收运动控制中有很高的应用价值。     

Expert S-surface control for autonomous underwater vehicles

S-surface control has proven to be an effective means for motion control of underwater autonomous vehicles （AUV）. However there are still problems maintaining steady precision of course due to the constant need to adjust parameters, especially where there are disturbing currents. Thus an intelligent integral was introduced to improve precision. An expert S-surface control was developed to tune the parameters on-line, based on the expert system, it provides S-surface control according to practical experience and control knowledge. To prevent control output over-compensation, a fuzzy neural network was included to adjust the production rules to the knowledge base. Experiments were conducted on an AUV simulation platform, and the results show that the expert S-surface controller performs better than an S-surface controller in environments with currents, producing good steady precision of course in a robust way.