基于闭环增益控制的船舶航向最优控制方法

船舶航迹与航向控制对于船舶航行安全性、稳定性有重要意义。为了提高船舶的航向、航迹控制水平,本文设计了一种基于闭环增益控制的船舶航向控制器。闭环增益控制是一种稳定性控制算法,在工业领域有非常广泛的应用。本文重点建立了船舶的运动控制模型,介绍了闭环增益控制器技术的原理与现状,并重点介绍了船舶航迹闭环增益控制器的原理。     

关于或然航迹区问题的探讨

对我国航海院校的《航海学》教材中有关“或然航迹区”问题进行了深入的讨论，揭示了在“或然航迹区”的海图作业法及其覆盖船位的概率等问题中存在的错误，同时指出或然航迹区在航海实践中并没有多大的应用价值。     

大型城市网络OD推算

提出了对已知流量的路段数少于OD对的对数的路网进行OD推算，利用Logit概率多路径选择模型，建立已知流量路段的分配模型，采用迭代算法对其进行求解，并对结果进行分析，提出了大型城市网路OD推算步骤。     

分布式多传感器航迹数据融合

本文研究分布式多传感器系统中的航迹数据融合问题，对来自分布于不同几何位置，具有不同精度的多传感器的所有航迹，根据它们的状态向量及其滤波误差协方差阵Ｐ进行融合处理，形成融合航迹，介绍两种典型的适用于分布式系统的航迹融全数学模型。各种模型中又有数值模式。     

船舶航迹多变量间的流形依赖关系研究

船舶航迹多变量是反应船舶有效航行路线的数据之一,常规航迹多变量间的关系主要体现形式以二维平面为主,无法通过数据形式进行关系衡量,为此提出船舶航迹多变量间的流形依赖关系研究。构建线性流形关系模型,利用几何概念,将数据形式的航迹多变量进行实体化,推导出理论关系,使用变量条件约束,实现模型构建;通过模型计算得到船舶航迹角多变量间流形依赖关系,利用模型理论推导,分析出船舶迹多变量间流形依赖关系。实验数据表明,提出的流形依赖关系真实有效。     

基于深度强化学习的智能船舶航迹跟踪控制

[目的]智能船舶的航迹跟踪控制问题往往面临着控制环境复杂、控制器稳定性不高以及大量的算法计算等问题。为实现对航迹跟踪的精准控制,提出一种引入深度强化学习技术的航向控制器。[方法]首先,结合视线(LOS)算法制导,以船舶的操纵特性和控制要求为基础,将航迹跟踪问题建模成马尔可夫决策过程,设计其状态空间、动作空间、奖励函数;然后,使用深度确定性策略梯度(DDPG)算法作为控制器的实现,采用离线学习方法对控制器进行训练;最后,将训练完成的控制器与BP-PID控制器进行对比研究,分析控制效果。[结果]仿真结果表明,设计的深度强化学习控制器可以从训练学习过程中快速收敛达到控制要求,训练后的网络与BP-PID控制器相比跟踪迅速,具有偏航误差小、舵角变化频率小等优点。[结论]研究成果可为智能船舶航迹跟踪控制提供参考。     

最小二乘法分段在船舶航迹拟合研究中的应用

利用GPS获取到信息的船舶经纬度数据分段进行拟合,利用最小二乘法对分成3段的曲线进行船舶航行路线的拟合,建立拟合模型。通过矩阵运算将拟合函数转换为二次规划,最后通过实验仿真进行模型有效性验证。仿真结果表明,本文所采用的算法提高了航迹模拟的精准性,从而能够减小航程计算的误差。     

基于云理论的船舶航迹容错控制研究

近年来,海上交通的密度不断增加,再加上气候条件不断恶化,飓风等极端天气时常发生,对船舶的航向保持与航迹容错控制等技术提出了更高的要求。随着计算机技术与人工智能的迅速发展,基于大数据的云理论逐渐成型,并在数据分析与控制等领域获得了广泛应用。本文建立了船舶以及船舵的运动学模型,并基于云理论对船舶的航迹容错控制技术进行了深入研究。     

人工智能的航迹控制方法研究

在船舶自动化和电气化的发展历程中,航迹控制作为一项非常重要的功能,正受到越来越多的研究。航迹控制系统中的核心部件之一自动舵,正向着高速化和集成化方向发展。由于海洋环境越来越复杂,天气变化多端,船舶的航行安全受到了更多的威胁,急需一种高性能的自动舵航迹控制系统。本文正是基于这项需求,开发出了基于人工神经智能算法的航迹控制方法,此算法具备了强鲁棒性、自适应性和高可靠性。从仿真结果看,本控制方法的性能优越,易于推广使用。