不确定条件下基于神经网络的船舶航向滑模鲁棒控制

设计了一种不确定条件下基于神经网络的船舶航向滑模鲁棒控制算法.该算法能够有效决解模型不确定及外界扰动情况下的船舶运动控制问题.从船舶的非线性响应型运动数学模型出发,采用RBF神经网络对船舶系统函数及外部扰动进行有效逼近,再利用Lyapunov稳定性理论和Backstepping方法设计船舶航向控制器.仿真结果表明该控制算法能够很好地跟踪设定信号,并具有很好的鲁棒性.     

考虑输入饱和的基于RBF神经网络补偿的USV滑模控制

设计了一种考虑输入饱和的USV积分逆推滑模神经网络控制算法.考虑到USV驱动舵机系统输入饱和问题,借鉴抗饱和控制技术设计一种基于内部辅助补偿机制,通过设计RBF网络对补偿机制进行在线逼近.再利用带有积分器的Backstepping方法设计实现USV航向精准控制.同时引入非线性阻尼定律来克服有界外界干扰.最后,采用反推法推导了系统控制律.仿真结果表明,控制器输出平滑,输出对参数摄动不敏感,控制算法有效.     

船舶航向自适应鲁棒PID自动舵设计

利用野本模型作为船舶航向控制系统的模型,在给出船舶航向自动舵传统ＰＩＤ型控制律设计方法的基础上,考虑到船舶航向控制系统模型中存在参数不确定性和外界干扰不确定性,建立含有不确定性项的船舶航向误差控制系统的状态方程,提出了船舶航向自适应鲁棒ＰＩＤ控制律算法,利用Ｌｙａｐｕｎｏｖ理论证明了所提出算法的稳定性,并且Ｍａｔｌａｂ Ｓｉｍｕｌｉｎｋ工具箱进行仿真研究。     

基于遗传优化径向基神经网络的船舶航向控制

设计了一种基于遗传算法优化径向基神经网络的船舶智能自动舵.针对船舶航向控制过程中的非线性和不确定性,将RBF网络直接逼近船舶模型内部不确定项和外界扰动,借助李雅普诺夫理论推演控制系统渐进稳定.利用遗传算法对径向基神经网络进行优化提高逼近性能.对比仿真结果显示,同等条件下,上述控制器较一般自适应控制和模糊PID控制系统稳定时间普遍快40%,平均超调量缩小100%,控制输入舵角进一步平滑稳定,且船舶航向对船舶内外部干扰不敏感.     

基于逆推算法的无人艇神经网络滑模控制

设计一种基于逆推算法的无人艇神经网络滑模控制器,实现了无人艇在大幅度改向操纵运动中航向准确稳定快速跟踪.借助滑模变结构控制技术,设计系统带有积分器的滑模面,引入径向基神经网络逼近系统非线性函数和不确定参数,同时结合非线性阻尼定律克服外界有界干扰,最后利用逆推算法设计出系统控制律.仿真实验结果表明,径向基神经网络能精确逼近船舶非线性函数和不确定参数,控制器输出平滑无抖震,航向输出对船舶参数摄动及外界干扰不敏感,具有较强的鲁棒性.     

船舶航向自适应舵的一种设计方法

根据ＰＩＤ自动舵和自适应操舵仪的控制优点，提出了船舶航向自适应舵的一种设计方法。给出了系统的结构，自适应ＰＩＤ操舵律的算法及船舶航向控制、舵令与舵角的编制方法。     

基于分段式双幂次趋近律的迭代滑模航向控制

应用滑模变结构控制方法设计了一种简单高效的船舶航向控制器.为解决滑模变结构控制器方法中的收敛速率慢和抖振强的难题,提出一种分段式双幂次趋近律.数学验证表明提出的趋近律的收敛速率更快.同时,在未知海况干扰下为使控制器时刻保持在最佳状态,引入RBF神经网络对控制器参数实施在线估计,增强自适应性.仿真结果表明:分段式双幂次趋近律削弱抖振效果明显,基本无抖振;依此方法设计的控制器对外界风浪干扰有更强的鲁棒性.     

基于反馈线性化的船舶航向保持模糊自适应控制

针对诺宾（Norbin）非线性船舶模型,基于反馈线性化方法和由径向基函数（RBF）神经网络构建的模糊系统的逼近能力,提出了基于反馈线性化的船舶航向保持模糊自适应控制算法。运用泰勒级数展开的线性化技术,使模糊系统的所有参数均可实时调节,引入了鲁棒控制消除模糊逼近系统带来的误差,在李雅普诺夫稳定性理论的基础上导出了自适应控制率。该算法可以确保闭环系统渐近稳定,使系统的模型跟踪误差为0,优于传统的PID控制策略,具有良好的自适应能力。     

基于RBF神经网络优化模糊规则的USV自适应模糊滑模控制

针对USV运动航向控制问题,利用基于Lyapunov稳定性理论的滑模控制方法设计USV航向控制律.考虑到USV运动系统具有不确定性,利用具有万能逼近性能的模糊系统对USV运动模型中不确定项及外界干扰项进行模糊逼近.为了进一步提高模糊系统的逼近性能,采用具有学习能力快的RBF神经网络对模糊系统进行在线学习,优化模糊规则.仿真结果表明基于RBF网络优化的模糊控制该算法能够实现USV航向连续稳定跟踪.     

基于自适应动态面的航向跟踪控制器设计

针对船舶航向控制非线性系统模型中存在的不确定性和外界干扰的影响,采用动态面控制算法设计了一种鲁棒自适应控制器。由于在反步法设计过程中加入了一阶低通滤波器使得该方法无需对模型非线性多次微分,因而设计方法简单。所设计的鲁棒自适应控制器不仅能保证闭环系统的半全局渐近稳定,使得输出渐进跟踪期望轨迹;而且,跟踪误差可以通过控制器的设计参数加以调整。以中远集装箱船COSCO Shanghai号为例进行仿真研究,结果证明所设计的控制器是有效的。     

船舶航向非线性系统的模糊神经网络智能控制器设计

船舶航向控制系统具有典型的非线性和不确定性特性，并受自动舵执行能力的约束，这使得作为船舶智能化基础的航向控制极具挑战性。首先分析了船舶航向运动特性，给出带有舵约束的航向运动非线性数学模型；然后以模糊神经网络为控制器结构，在噪声加入和参考轨迹设置算法的支持下使用遗传算法对控制器参数进行自动搜索和优化，设计一种船舶航向智能控制器；最后对航向控制进行仿真。结果表明，所设计的航向智能控制器对船舶参数摄动和扰动具有良好的鲁棒性能。     

基于遗传算法(GA)优化BP神经网络的船舶交通流量预测

为了提高船舶交通流量的预测精度,在BP神经网络的基础上,结合遗传算法(GA)建立一个新的预测模型.该模型利用GA自适应搜索能力和较快的收敛速度,进而确定BP神经网络中的最优权值和阈值.以青岛港2011—2019年船舶交通流量统计数据为例,进行仿真实例验证.结果表明,与传统的BP神经网络相比,该模型能显著地提高船舶交通流量的预测精度,用于预测船舶交通流量具有一定可行性.     

基于RBF神经网络的单塔斜拉桥模型修正

为获得某单塔双索面斜拉桥换索过程中的工作状态,建立了一种联合子结构与径向基神经网络的有限元模型修正新方法.根据模型参数修正理论,通过分析设计参数的相对灵敏度确定需要修正的参数;为满足参数离散性要求,在模型修正过程中引入了子结构方法,并认为每一子结构中的设计参数是不变的.采用径向基(RBF)神经网络作为模型修正优化算法.将子结构与RBF神经网络相结合,从而将有限元模型修正的反问题转化为正问题;同时,对子结构的划分、RBF神经网络构建以及输入输出参数的确定进行了讨论.以某单塔斜拉桥为例,验证了所提的联合模型修正方法.结果表明:计算值与测量值之间的误差,在有限元模型修正前后有很大改善.     

Serret-Frenet框架下的神经滑模船舶路径跟踪控制

针对欠驱动船舶在恒定速度航行下的路径跟踪问题,提出了一种在Serret-Frenet框架下,基于输入输出线性化的神经滑模控制算法.该算法利用Serret-Frenet框架下船舶运动方程的推导形式,将其转换为类似于直线航迹控制的问题,采用神经网络对基于趋近律的滑模控制进行优化,解决了趋近律滑模控制对系统模型的依赖性,提高了控制器的鲁棒性,并设计了状态观测器对控制对象状态进行重构,以解决系统状态量测量误差对控制效果的影响.在无干扰和存在干扰及参数摄动的条件下分别进行了仿真,结果表明该控制律具有良好的跟踪性能.     

基于遗传优化的水面无人船艇神经网络智能控制

利用GA智能优化算法和RBF神经网络逼近算法设计了一种USV运动滑模理想跟踪控制方法.首先利用改进的遗传算法对RBF网络参数进行在线寻优以进而提高其逼近性能.其次,将学习速度较快的局部RBF神经网络对滑模控制设计中存在的船舶运动系统函数不确定项进行逼近,使得由于滑模面的不间断切换引起的控制输入抖振问题得到有效地解决.对比实验说明了在同等条件下,上述智能控制系统稳定时间更快,超调量更小,以及输入舵角更平滑.     

基于动态面控制的船舶动力定位控制律设计

针对水面船舶动力定位控制问题,考虑带有未知界的时变环境扰动,将动态面控制技术与矢量逆推方法相结合,设计了船舶动力定位系统的自适应鲁棒非线性控制律。引入动态面控制技术,利用一阶滤波器的微分项代替虚拟控制矢量的微分项,使得在控制律设计过程中的微分运算被简单的代数运算所替代,简化了计算,易于工程实现。为阻止自适应参数漂移,采用包含基于σ-修正泄漏项的自适应律估计未知扰动的界。应用Lyapunov函数证明了所设计的控制律能迫使船舶的位置和艏向角达到并保持在期望值,保证船舶动力定位闭环系统中所有信号最终一致有界。仿真结果表明：在水平面上,当船舶初始位置偏离期望位置25 m 时,利用设计的控制律能迫使船舶在50 s内达到期望的目标位置,因此,所设计的控制律是有效的。     

基于Lyapunov稳定性的船舶航向保持非线性控制

为简化船舶航向保持非线性控制器设计的过程,通过构建Lyapunov能量函数,将设计步骤由2步变为1步,减少了控制器参数的整定数量,避免了非线性控制律对消系统的非线性项.以实际船舶为例,结果表明,采用以上方法设计的非线性简化控制器具有一定的鲁棒性,主要控制指标良好,施舵合理.     

基于RBF神经网络的单塔斜拉桥模型修正

为获得某单塔双索面斜拉桥换索过程中的工作状态,建立了一种联合子结构与径向基神经网络的有限元模型修正新方法。根据模型参数修正理论,通过分析设计参数的相对灵敏度确定需要修正的参数;为满足参数离散性要求,在模型修正过程中引入了子结构方法,并认为每一子结构中的设计参数是不变的。采用径向基(RBF)神经网络作为模型修正优化算法。将子结构与RBF神经网络相结合,从而将有限元模型修正的反问题转化为正问题;同时,对子结构的划分、RBF神经网络构建以及输入输出参数的确定进行了讨论。以某单塔斜拉桥为例,验证了所提的联合模型修正方法。结果表明:计算值与测量值之间的误差,在有限元模型修正前后有很大改善。     

两自由度并联机器人的RBF神经网络辨识自适应控制

针对平面两自由度五杆并联机器人的轨迹跟踪问题,提出了一种基于RBF神经网络的自适应PID控制方法.该控制方案利用RBF神经网络自适应学习辨识并联机器人系统的未知非线性动态,可以在线调整PID控制参数以实现高精度控制.仿真结果显示该控制策略可以精确实现对于并联五杆机器人的轨迹跟踪控制,该方法的自适应性和跟踪性能均优于传统的PID控制.     

基于模糊神经网络的脊柱侧弯矫形器设计模型

为了辅助医师设计脊柱侧弯矫形器,提出了一种基于模糊神经网络的脊柱侧弯矫形器设计模型.该模型实现了预测脊柱侧弯矫形器设计参数和自适应调整隶属度函数的功能.以脊柱侧弯矫形器修型调整量为例,建立了脊柱侧弯矫形器修型调整量预测模型并进行了试验研究.试验结果显示该预测模型的建模精度为91.9％、预测值和实际值的相关系数为0.84...