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。     

基于模糊神经网络的水下机器人推进系统故障诊断

为了解决水下机器人推进系统运行可靠性问题,提出一种基于模糊神经网络的机器人推进系统故障诊断方法,用以解决故障诊断过程中信息的不确定性问题,并提高推进系统的整体可靠性。该方法在常规神经网络基础上,引入模糊推理形成一种新型模糊神经网络结构,提出一种最小调整的模糊神经网络学习率,完成模糊神经网络训练算法的推导。通过对水下机器人实施定速直航与转向等试验完成神经网络的在线训练,利用已完成训练的神经网络对机器人进行运动建模。通过比对神经网络模型估计值与机器人传感器的实测值获取残差信息,并对残差进行故障信息提取以实现故障诊断。将上述方法应用于仿真试验中,结果表明,基于模糊神经网络水下机器人推进系统故障诊断方法具有较高的可行性和有效性。     

水下机器人自适应神经网络控制系统

提出一种水下机器人自适应神经网络控制系统的概念和例子，此系统有两个独立的部分，可在彼此的进程中并行计算处理，如数据采样、机器人控制、动力学鉴定和控制器适应等。每个进程的数据，如控制器联合负担在两个相关联的进程间同步通信。在机器人计算机系统中，这套系统利用并行处理能力和在油罐检查中研究出的控制器系统自适应能力来实现。     

一类模糊神经网络的遗传算法辨识

给出了一类模糊神经网络，并描述了用遗传算法辨识此模糊神经网络的详细过程。通过仿真使用遗传算法实现了模糊系统的辨识，证明遗传算法不失为一种解决此类问题的有效工具。     

基于模糊神经网络的水下机器人局部路径规划方法

该文探讨了基于模糊神经网络理论的实时局部路径规划问题,并提出了能实现模糊控制规则的基于强化学习的自学习和自调整的规划算法,设计了水下机器人实时运动规划器结构以及规划器操作过程和相应的算法。仿真实验结果验证了本文所提方法的有效性和可行性。     

基于神经网络的水下机器人运动预测控制方法

将神经网络和模糊理论应用于水下机器人运动规划和控制中,提出了能实现模拟控制规则的基于强化学习的自学习和自调整的规划算法,设计了水下机器人实时运动规划器结构以及规划器操作过程,提出了基于预测模糊控制进行水下机器人运动控制的方法。在计算机仿真状态下,实现了对水下机器人这一复杂非线性系统的预测控制,仿真实验结果验证了本文所提的方法的有效性。     

自适应神经网络控制器用于自治式水下机器人导航

用二维的运动学模型模拟研究自治式水下机器人的导航控制系统；控制系统由函数链网络的前馈控制器和函数链网络的ＰＩＤ控制器组成。模拟结果表明，此控制系统具有良好的鲁棒性，有较强的适应环境变化的能力和抗干扰能力。     

基于支持向量机的水下机器人操纵运动参数辨识

根据平面运动机构试验所得到的水动力系数确定水下运载器的运动方程,应用最小二乘支持向量机对水下运载器的试验数据进行分析,辨识得到了水动力系数,并将辨识得到的参数同平面运动机构试验所确定的参数相比,验证了最小二乘支持向量机进行水下运载器操纵运动参数辨识的有效性。根据所辨识的水动力系数进行了模型验证,证明所辨识得到的水动力参数是可靠的。该方法对水下运载器的操纵和控制的研究有重要意义。     

基于神经网络的水下对接引导算法

针对水下机器人对接过程中近距离引导定位的问题,为实现准确可靠的水下对接,设计了一种基于神经网络的水下对接引导算法。算法主要分为两部分:1)检测部分,该检测算法区别于传统的图像处理,基于YOLOv3的神经网络,加入DenseNet思想,实现了一种鲁棒性强,可靠以及准确率高的目标检测算法。区分了目标物与无关背景信息,用于提供水下对接站在二维图像下的位置信息。2)位姿估计部分,用于恢复水下机器人与中继器之间的相对位置信息,从而能够根据相对位置信息,完成近距离的水下对接引导。经过实验对比分析,验证了算法的可行性,并证明了改进的目标检测算法能够更精确地完成对中继器的位置检测,提高了对位姿估计的准确率。     

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。     

Underwater vehicle sonar self-noise prediction based on genetic algorithms and neural network

1Introduction Sonarself noiseisakeyfactorinfluencingthehiding capabilityofanunderwatervehicleanddetectioncapa bilityofsonar.Decreasingsonarself noisehasimpor tanteffectonenhancingtheprobabilityofsonardetec tionandbattleeffectivenessofunderwatervehicle.An …     

用混合遗传算法实现对PNN网络的快速训练

结合遗传算法与BP算法形成一种混合遗传算法,考虑船舶运动特点选取合适的适应度函数,实现了对船舶操舵系统中的PNN网络进行快速训练,并对其策略问题进行了分析。     

基于免疫遗传算法的水下无人平台航路规划

为克服遗传算法在水下无人平台航路规划应用中存在的问题,提出了基于免疫遗传算法的水下航路规划问题.仿真结果表明,这种算法能够有效地提高航路规划的计算速度和保证航路规划的质量.     

基于卷积神经网络的AUV水下识别算法设计与实现

自主式水下机器人(AUV)是应用于复杂海洋环境中的高智能化无人装备,其需要具备良好的环境感知能力进行自主导航,包括水下目标识别能力。随着人工智能的高速发展,卷积神经网络作为图像处理领域的深度学习架构,在图像特征提取和图像识别上有着强大的性能和卓越的优势。本文利用卷积神经网络,实现了自主式水下机器人水下目标的自主识别。同时,通过采用三段式全连接方式和增加卷积层深度的方式对卷积神经网络进行进一步改进,提高了卷积神经网络的训练速度、准确率和泛化能力。     

基于BP人工神经网络和遗传算法的船舶螺旋桨优化设计

在原有图谱设计方法的基础上,采用BP(Back-Propagation)人工神经网络模型和遗传算法GA(GeneticAlgorithm),建立了一种船舶螺旋桨优化设计方法。BP人工神经网络模型通过训练可以具备强大的非线性映射能力,以数学解析的形式,较好地提取了海量螺旋桨水动力性能数据特征;GA不依赖于问题的具体领域,对问题的种类有很强的鲁棒性,为计算机辅助船舶螺旋桨优化设计提供了一种通用的多参数优化框架。针对三体消波艇半浸式螺旋桨和沿海巡逻艇螺旋桨的设计实例表明,该方法能快速可靠地搜索到最优解,不仅具有足够的工程精度,而且实用方便,适用性强。     

基于遗传BP算法的神经网络目标分类器的研究

首先阐述了水下目标识别的研究发展和系统组成,然后提出了一种基于遗传BP算法训练神经网络目标分类器的新方法。实验结果表明采用新方法的神经网络分类器比采用改进BP算法的神经网络分类器具有更优的分类效果。     

基于径向基函数网络的水声信号预测模型研究

随着舰船隐身降噪技术的不断发展,舰船辐射噪声信号检测变得愈加困难.针对这种情况,将RBF神经网络引入到水声信号的预测中,建立水声信号的全局预测模型.通过对Henon和Lorenz映射仿真,验证了RBF预测模型的有效性.运用全局预测模型对两种实际水声信号进行预测.实验证明,该预测模型学习速度快,所需样本点少,效果较准确,在水声信号检测中具有良好的发展前景.     

人工神经网络在舰船火灾探测中的应用

舰船火灾探测系统的目的是能及时、准确地探测到舰船上发生的火灾。提出一种利用人工神经网络的舰船火灾探测方法，通过设计三层反向传播（BP）人工神经网络模型，使用改进的BP算法——LM算法，对多传感器（温度传感器、烟雾传感器和CO传感器）同时探测到的数据进行智能化处理。仿真结果表明：基于人工神经网络的舰船火灾探测系统能及时、准确地识别各种火灾信号。     

基于目标规划的水下机器人模糊神经网络控制

针对水下机器人运动的精确控制问题,依据模糊逻辑和神经网络理论,提出了一种基于目标规划的模糊神经网络控制方法。根据水下机器人的运动特性构造了模糊神经网络的结构,并推导了网络权值学习的反传算法,最后以水下综合探测机器人为研究对象进行了试验研究。试验研究的结果表明,该方法结合了传统模糊控制和神经网络控制的优点,大大地提高了系统响应速度和控制精度,并且对模型的不确定性有较强的鲁棒性,能够实现水下机器人运动的精确控制,具有较高的理论和实用价值。     

基于BP神经网络的船舶交通流量预测研究

在分析船舶交通流量特性的基础上,以船舶交通流量控制为最终目标,建立基于BP神经网络的船舶交通流量预测模型,以长江口深水航道的交通流量数据作为训练样本,进行模拟分析。预测结果与实测加权数据进行对比表明,该模型对船舶交通量的预测是有效的。