支持向量机在船舶航向控制中的应用研究

发布时间：2017-09-04 15:37

  本文关键词：支持向量机在船舶航向控制中的应用研究

  更多相关文章： 最小二乘支持向量机 广义预测控制 自动舵

【摘要】：船舶自动舵的设计及船舶运动控制的研究一直是学术界和工业界共同关注的重要课题,良好的控制算法以及可靠稳定的船舶自动舵能够在船舶航行的过程中提高其安全性与经济性,具有重要的理论和实践意义。随着计算机科学与技术的发展,越来越多的智能算法如神经网络、蚁群算法等逐渐趋于成熟并成功应用到各类工程领域当中,本文所探讨的主要内容则是支持向量机(Support Vector Machine-SVM)这一智能学习算法在船舶航向控制以及船舶自动舵的设计中的应用。本文首先研究了船舶运动数学模型并根据文中的数学模型设计了船舶运动仿真软件。文中参考了IEC62065标准分别分析了船舶的推进系统、舵机系统以及船舶运动过程中的纵移模型、横移模型和艏向运动模型,给出了相应的数学表达。另外,由于船舶在实际环境中运动时会受到来自浪、流等因素的干扰,所以本文也对船舶运动环境中的海浪、海流的模型进行了探讨。最后,根据文中所述模型,本文通过MATLAB搭建了船舶运动仿真系统,该仿真系统在PC上运行,可通过串口与船舶自动舵进行通讯,接收舵令并反馈当前船舶的姿态信息,最终实现对船舶自动舵性能的验证。本文参照IEC62065标准对该仿真系统进行了仿真试验,结果表明该仿真系统可靠稳定,可以用于船舶自动舵性能验证的仿真试验。在搭建船舶运动仿真系统之后,本文首先研究了SVM回归方法对船舶运动数学模型的辨识问题。SVM由统计学习理论发展而来,最早用于数据的分类问题,SVM在训练数据中建立最优分类超平面,通过判断预测数据与超平面的关系实现其分类功能,另外,由于SVM在线性分类器的基础上引入了核函数,所以能够解决训练数据线性不可分时的复杂问题。SVM在控制中的应用主要是利用其回归功能,即建立超平面对已知训练集数据进行拟合,通过对采集到的控制目标的输入量和输出量进行训练,得到控制目标系统的输入-输出模型。本文利用最小二乘支持向量机(Least Square Support Vector Machine-LSSVM)对文中所建立的船舶运动数学模型进行了在线辨识和离线辨识,LSSVM的在线辨识和离线辨识在本质上并没有区别,许多用于在线辨识的快速计算方法都可以在离线辨识中使用,重点在于LSSVM在线辨识的训练数据较少并且训练数据集会进行更新,仅训练出某一小段时间范围内的目标模型并进行预测,节约了计算时间。文中通过仿真试验证明了LSSVM能够应用于船舶模型的离线以及在线辨识,并且结果表明LSSVM针对船舶模型的在线辨识在海浪干扰下可表现出良好的性能。在SVM与控制结合的领域中,一类方法是将LSSVM本身作为控制律,结合最优控制律进行求解,此类方法在设计时需要知道参考状态以及控制目标的模型;另一类方法是将SVM用于控制目标的模型辨识,通过辨识出的模型在线调整或设计控制律。最后,本文将LSSVM同广义预测控制(Generalized Predictive Control-GPC)相结合设计了一种用于算法验证的简易船舶航向自动舵,文中给出了主要模块的电路图以及主要软件流程图,并将所设计的船舶自动舵和文中搭建的船舶运动仿真系统进行了联合调试,试验结果表明文中所设计的船舶自动舵能够实现船舶运动过程中的航向控制,具有一定的实践意义。
【关键词】：最小二乘支持向量机 广义预测控制 自动舵
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U664.82;TP18
【目录】：

• 摘要4-6
• Abstract6-11
• 第一章 绪论11-15
• 1.1 研究背景和意义11-12
• 1.2 国内外进展状况12-13
• 1.3 主要工作和研究内容13-15
• 第二章 船舶运动数学模型15-23
• 2.1 引言15
• 2.2 船舶运动坐标系15-16
• 2.3 船舶运动数学模型16-18
• 2.3.0 船舶运动数学模型基本组成16
• 2.3.1 舵机系统模型16-17
• 2.3.2 推进系统模型17
• 2.3.3 船舶纵移数学模型17
• 2.3.4 船舶横移数学模型17-18
• 2.3.5 船舶艏向运动数学模型18
• 2.4 船舶干扰数学模型18-20
• 2.4.1 海浪数学模型18-19
• 2.4.2 海流数学模型19-20
• 2.5 船舶运动仿真系统20-21
• 2.6 本章小节21-23
• 第三章 支持向量机分类与回归23-37
• 3.1 引言23
• 3.2 支持向量机23-27
• 3.3 最小二乘支持向量机27-30
• 3.3.1 最小二乘支持向量机分类27-29
• 3.3.2 最小二乘支持向量机回归29-30
• 3.4 最小二乘支持向量机对船舶模型的辨识30-36
• 3.4.1 最小二乘支持向量机对船舶模型离线辨识30-33
• 3.4.2 最小二乘支持向量机对船舶模型在线辨识33-36
• 3.5 本章小结36-37
• 第四章 支持向量机在控制中的应用37-45
• 4.1 引言37
• 4.2 最小二乘支持向量机在最优控制中的应用37-40
• 4.2.1 最优控制问题37-38
• 4.2.2 采用支持向量机的最优控制律38-40
• 4.3 支持向量机在基于模型的控制中的应用40-44
• 4.3.1 支持向量机模型线性化40-42
• 4.3.2 基于支持向量机的广义预测控制42-44
• 4.4 本章小节44-45
• 第五章 船舶自动舵的设计45-62
• 5.1 引言45
• 5.2 总体设计45-46
• 5.3 硬件系统设计46-50
• 5.3.1 硬件系统结构46-47
• 5.3.2 综合控制模块设计47-49
• 5.3.3 电源模块设计49
• 5.3.4 显示模块设计49-50
• 5.4 软件设计50-55
• 5.4.1 软件总体设计50-51
• 5.4.2 通讯协议解析51-53
• 5.4.3 控制算法软件设计53-55
• 5.5 仿真试验55-60
• 5.6 本章小结60-62
• 第六章 总结与展望62-64
• 参考文献64-68
• 作者简介及科研成果68-69
• 致谢69

【相似文献】

中国期刊全文数据库 前10条

1 葛海峰;林继鹏;刘君华;丁晖;;基于支持向量机和小波分解的气体识别研究[J];仪器仪表学报;2006年06期

2 琚旭;王浩;姚宏亮;;支持向量机的一个边界样本修剪方法[J];合肥工业大学学报(自然科学版);2006年07期

3 张菁华;袁鑫;刘达;;基于支持向量机的电力工程最优投标报价决策研究[J];山东电力高等专科学校学报;2006年04期

4 张涛;段淑敏;;支持向量机在中医疾病症候诊断中的应用[J];华北水利水电学院学报;2007年03期

5 王晶;靳其兵;曹柳林;;面向多输入输出系统的支持向量机回归[J];清华大学学报(自然科学版);2007年S2期

6 陈丹;;多类支持向量机算法的研究[J];东莞理工学院学报;2007年05期

7 程丽丽;张健沛;马骏;;一种改进的加权边界调节支持向量机算法[J];哈尔滨工程大学学报;2007年10期

8 宋召青;崔和;胡云安;;支持向量机理论的研究与进展[J];海军航空工程学院学报;2008年02期

9 郭濵;孙晓梅;薛明;;基于壳向量的边界邻近支持向量机[J];黑龙江交通科技;2008年12期

10 许超;运士伟;舒云星;;基于支持向量机的混凝土测强换算模型[J];洛阳理工学院学报(自然科学版);2008年02期

中国重要会议论文全文数据库 前10条

1 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届（2011）中国管理学年会——商务智能分会场论文集[C];2011年

2 刘希玉;徐志敏;段会川;;基于支持向量机的创新分类器[A];山东省计算机学会2005年信息技术与信息化研讨会论文集（一）[C];2005年

3 史晓涛;刘建丽;骆玉荣;;一种抗噪音的支持向量机学习方法[A];全国第19届计算机技术与应用（CACIS）学术会议论文集（下册）[C];2008年

4 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年

5 刘骏;;基于支持向量机方法的衢州降雪模型[A];第五届长三角气象科技论坛论文集[C];2008年

6 王婷;胡秀珍;;基于组合向量的支持向量机方法预测膜蛋白类型[A];第十一次中国生物物理学术大会暨第九届全国会员代表大会摘要集[C];2009年

7 赵晶;高隽;张旭东;谢昭;;支持向量机综述[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年

8 周星宇;王思元;;智能数学与支持向量机[A];2005年中国智能自动化会议论文集[C];2005年

9 颜根廷;马广富;朱良宽;宋斌;;一种鲁棒支持向量机算法[A];2006中国控制与决策学术年会论文集[C];2006年

10 侯澍e，

本文编号：792392