小波神经网络算法及其船舶运动控制应用研究

发布时间：2017-10-24 09:23

  本文关键词：小波神经网络算法及其船舶运动控制应用研究

  更多相关文章： 小波神经网络 船舶运动控制 灵敏度分析 Akaike信息准则 预测控制

【摘要】：小波神经网络结合了神经网络的自学习、自适应、鲁棒性、容错性和泛化推广能力以及小波变换的时频局部和变焦等特性,具有全局最优逼近和运算速度快等优点,避免了BP网络等传统的神经网络类型在这些方面的不足,已成功应用于系统辨识、模式识别和控制等领域。在实际应用中,小波神经网络尚存在对系统动态反映能力不足以及泛化能力难以保证等问题,制约了其在实际工程中的应用。 为了提高小波神经网络的泛化能力,提出基于Akaike信息准则改进的余值选择算法。通过设定最优学习停止标准,在保证辨识精度的同时精简网络的规模,避免了神经网络在学习过程中出现的过拟和与欠拟合现象,提高了神经网络的泛化能力。作为小波神经网络的构造算法,余值选择算法通过正交选择方法高效地衡量了隐层节点对输出的贡献,有利于网络规模的自适应调整。仿真实验表明该算法提高了网络的泛化能力。 为了更好地反映系统动态的变化,将系统历史信息引入网络输入层构造时滞小波神经网络模型,为弥补由此带来的输入变量膨胀的缺陷,利用基于相对贡献率的灵敏度分析方法确定与系统输出相关性强的变量作为输入,优化了输入层结构,解决了网络模型失配的问题,提高了网络对系统动态变化的反映能力。 针对船舶海上运动非线性、大惯性和动态时变等特点,构建基于改进时滞小波神经网络的预测PID控制器。其中,利用小波神经网络进行船舶运动动态的在线辨识和预测,利用预测控制策略克服船舶运动的大惯性对控制效果的不利影响。基于该控制器进行了船舶航向跟踪控制的仿真实验,并与传统的PID控制器进行了对比研究,结果表明该控制系统具有较高的控制精度和较强的抗干扰能力。 以上研究结果显示,改进的小波神经网络有针对性地提高了系统的动态反映能力和泛化能力,其运算快速性和非线性拟合能力适应船舶海上运动特点,在船舶运动控制领域有广阔的应用前景。
【关键词】：小波神经网络 船舶运动控制 灵敏度分析 Akaike信息准则 预测控制
【学位授予单位】：大连海事大学
【学位级别】：博士
【学位授予年份】：2014
【分类号】：U664.82;U676.1
【目录】：

• 创新点摘要5-6
• 摘要6-7
• ABSTRACT7-11
• 第1章 绪论11-24
• 1.1 研究的目的与意义11-12
• 1.2 相关领域研究现状12-22
• 1.2.1 波理论的发展综述12-15
• 1.2.2 小波神经网络研究综述15-21
• 1.2.3 船舶运动智能控制研究综述21-22
• 1.3 论文结构安排22-24
• 第2章 波神经网络原理与算法24-36
• 2.1 小波分析24-28
• 2.1.1 小波变换24-28
• 2.2 小波神经网络28-36
• 2.2.1 前馈神经网络28-29
• 2.2.2 小波神经网络简介29-31
• 2.2.3 小波神经网络结构31-33
• 2.2.4 小波神经网络的学习算法33-34
• 2.2.5 小波神经网络的发展及存在的问题34-36
• 第3章 基于AIC准则的余值选择算法36-60
• 3.1 余值选择算法36-42
• 3.2 基于AIC最优停止准则的余值选择算法42-44
• 3.3 基于AIC余值选择算法的船舶运动预测44-59
• 3.3.1 基于AIC余值选择算法的船舶运动预测模型44-46
• 3.3.2 基于实验数据的船舶运动预测仿真46-49
• 3.3.3 基于实船运动数据的船舶运动预测仿真49-59
• 3.4 本章小结59-60
• 第4章 基于灵敏度分析的时滞小波神经网络60-78
• 4.1 时滞小波神经网络60-62
• 4.1.1 NARMAX预测模型60-61
• 4.1.2 时滞小波神经网络的结构61-62
• 4.2 基于灵敏度分析的时滞小波神经网络学习算法62-66
• 4.2.1 时滞小波神经网络的学习算法62-63
• 4.2.2 基于灵敏度分析的小波网络输入确定63-66
• 4.3 基于灵敏度分析的船舶运动预测66-77
• 4.3.1 Mariner型船运动预测仿真66-70
• 4.3.2 基于实测数据的船舶运动预测仿真70-77
• 4.4 本章小结77-78
• 第5章 基于改进小波神经网络的船舶运动预测控制78-104
• 5.1 船舶运动数学模型78-87
• 5.1.1 船舶运动坐标系78-80
• 5.1.2 船舶运动响应型数学模型80-81
• 5.1.3 船舶运动整体型数学模型81-84
• 5.1.4 船舶运动分离型数学模型84-85
• 5.1.5 环境干扰的数学模型85-87
• 5.2 基于小波神经网络的船舶运动预测PID控制算法87-91
• 5.2.1 基于小波神经网络的船舶运动预测PID控制器结构87-90
• 5.2.2 基于小波神经网络的船舶运动预测PID控制算法90-91
• 5.3 基于小波神经网络的船舶运动预测PID控制仿真91-103
• 5.4 本章小结103-104
• 第6章 结论104-105
• 6.1 全文总结104
• 6.2 工作展望104-105
• 参考文献105-118
• 攻读学位期间公开发表论文118-119
• 致谢119-120
• 研究生履历120

【参考文献】

中国期刊全文数据库 前10条

1 曹山林;林萱;施建华;;远洋教学实习船“育鲲”号[J];船舶设计通讯;2009年01期

2 徐爽,韩芳芳,郑德忠;基于阈值的小波域语音增强新算法[J];传感技术学报;2004年01期

3 张淑清;陈白;张立国;;小波分析算法研究及在齿轮与滚动轴承故障诊断中应用[J];传感技术学报;2007年05期

4 胡静涛;陈卫;;一种改进的嵌入式零树小波编码方法[J];四川兵工学报;2012年04期

5 陈一鸣;李裕莲;周志全;汪晓娟;;角形域上Neumann问题的拟小波自然边界元法[J];燕山大学学报;2012年01期

6 邴龙飞;邵全琴;刘纪远;赵志平;;基于小波分析的长江和黄河源区汛期、枯水期径流特征[J];地理科学;2011年02期

7 赵景波;邢闪;周旗;;关中平原明代霜雪灾害特征及小波分析研究[J];地理科学;2012年01期

8 刘宇峰;孙虎;原志华;;基于小波分析的汾河河津站径流与输沙的多时间尺度特征[J];地理科学;2012年06期

9 武粤;孟小红;李淑玲;;小波分析及其在我国地球物理学研究中的应用进展[J];地球物理学进展;2012年02期

10 谢俊举;温增平;李小军;李亚琦;吕红山;黄隽彦;;基于小波方法分析汶川地震近断层地震动的速度脉冲特性[J];地球物理学报;2012年06期

，

本文编号：1088107