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。     

基于神经网络的水下机器人容错控制方法与实验研究

针对无人水下机器人(UUV)传感器常见故障,采用一种基于有限脉冲响应(FIR)滤波器模型的在线故障诊断方法.根据该模型的故障检测结果,提出一种基于BP神经网络模型的容错控制策略,实现水下机器人首向角的估计以及传感器信号的在线重构.将重构的信号替代故障传感器信号,实现水下机器人在线容错控制.在OUTLAND 1000 水下机器人定向控制系统中,首向角传感器(罗经)发生故障情形下,给出机器人的故障检测以及容错控制结果.     

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。     

基于模糊神经网络的水下机器人实时状态监测模型

本文提出了基于人工智能的自主式水下机器人推进器及舵状态监测模块结构,基于模糊神经网络技术,以模糊自适应学习控制网络为核心构筑了状态监测模型,提出了基于最大权值矩阵的规则提取及基于浮点数编码的遗传算法参数调整方法,分析了推进器及舵的状态监测过程,并基于监测模型探讨了推进器及舵工作状态的评价方法.通过计算机仿真试验,验证了本文所提方法的有效性和监测模型的可行性.     

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。     

基于神经网络的水下机器人推进器故障诊断

为提高水下机器人系统的总体可靠性,开展了推进器故障诊断研究。在三层BP神经网络的基础上,提出了一种改进的递归神经网络并推导了网络的训练算法。利用直航、转艏等试验对网络进行训练,将训练好的网络用于水下机器人运动建模,对比模型的输出与实际传感器测量值来获取残差,通过分析残差特性来提取故障诊断判据,进而进行推进器故障诊断。将提出的方法应用到仿真试验和海上试验中,得出了相应的试验结果。通过对试验结果的分析研究,验证了方法的有效性与可行性,同时也表明该方法在工程应用方面具有一定的参考意义。     

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。     

水下机器人的一种自校正控制方法

本文将综合非线性系统的一种新方法——逆系统非线性补偿解耦控制方法应用于高度非线性强耦合的水下机器人的控制。当模型参数不准甚至时变情况下,针对补偿解耦合的伪线性系统设计了自校正控制器,提高了系统的鲁棒性。     

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。     

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。     

神经网络在船舶操纵中的应用研究

该文对人工神经网络用于船舶操纵动态特性的在线学习进行了研究,并提出了基于神经网络预报的操舵控制算法。仿真试验的结果表明了该控制算法的有效性。     

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。     

模糊PID策略在AUV控制中的应用

由于自治水下机器人(AUV)动力学的非线性、模型参数以及海洋环境扰动的不确定性,基于常规PID控制的AUV性能通常不够理想。本文应用模糊控制对PID控制器的参数进行在线调整,从而使PID控制器具有自适应性以适应AUV工况的变化,并应用此策略为小型AUVSubzeroIII设计了自主航行控制系统,仿真结果验证了本策略的有效性。     

神经网络自学习模糊控制器在直流蒸汽发生器控制中的应用

针对直流蒸发器的动态过程中，各段长度均发生变化，干扰因素多，具有不确定性和非线性等特性，利用神经网络具有并行处理，分布式信息存贮，自学习自适应特点等，设计了基于神经网络的自学习模糊控制器，仿真结果表明，所设计的控制器具有良好的控制效果。本文研究结果对直流蒸汽发生器的控制系统设计具有一定的指导意义。     

基于模糊神经网络的海浪中舰船多自由度运动建模方法研究

基于切片理论计算在诸规则波中的舰船多自由度运动响应，并以此为样本训练模糊神经网络，最终建立起一种新的舰船在随机波浪中的多自由度运动模型，并通过算例验证该方法的实用性和可靠性。