Volterra级数建模预报方法研究及在船舶运动预报中应用

发布时间：2020-09-07 21:01

　　 在实际工程应用中存在着大量的非线性系统,因此研究非线性系统的建模预报方法具有十分重要的意义。非线性系统的Volterra级数核是系统的本质特征,在基于混沌时间序列的非线性函数变换的自适应滤波预报方法中,Volterra级数能够描述具有响应和记忆功能的非线性行为,已经得到了广泛的应用。所以,本文重点研究Volterra级数核的辨识方法,并将其应用于构建船舶运动混沌时间序列的非线性预测模型,从而实现船舶运动预报。主要研究内容如下： 1.根据时间序列混沌特征分析和混沌时间序列的相空间重构理论,对船舶运动序列的混沌特性进行分析研究,证明了船舶横摇运动时间序列具有混沌特性。同时系统分析研究了Volterra级数自适应预报模型,为混沌时间序列的船舶运动预报研究奠定了理论基础。 2.深入分析了LMS算法的理论和LMS的相关算法,对LMS相关算法辨识Volterra级数核的估计算法进行了深入研究,提出NLMS和VSS-LMS辨识Volterra级数核的估计算法,通过对船舶运动的多步预报,表明VSS-LMS比NLMS的预报精度相对较高,验证了方法的实用性和良好效果。 3.系统介绍了ANN的模型以及BP神经网络模型,分析研究了Volterra级数和BP神经网络模型的原理关系,提出利用单输出三层BP神经网络辨识Volterra级数核的估计算法,实现了对船舶运动的多步预报,证明该方法在预报精度上优于LMS相关算法辨识Volterra级数核的估计算法。 4.将GA全局搜索最优和BP神经网络模型局部寻优结合起来,解决BP神经网络在训练过程中陷入局部极小值的问题,提出GA优化BP神经网络的初始权值和阈值进行单输出三层BP神经网络辨识Volterra级数核的估计算法,GA优化BP神经网络获得最优的初始权值和阈值,在此基础上进行Taylor级数分解,从而得到Volterra级数各阶核,实现对船舶运动多步预报。 5.在Kalman辨识Volterra级数核的船舶运动预报方法部分,分析了Kalman滤波原理及状态估计,在此基础上重点研究了Kalman辨识Volterra级数核的估计算法,提出Kalman辨识Volterra级数核的船舶运动预报方法,实现对船舶运动的多步预报。 本文提出的自适应算法辨识Volterra级数核的方法,通过对船舶运动预报的建模仿真,在理论验证了它们是可行的和有效的,为实时在线预报提供了理论依据。
【学位单位】：哈尔滨工程大学
【学位级别】：博士
【学位年份】：2012
【中图分类】：N945.14

【参考文献】

相关期刊论文 前3条

1 刘媛媛,练继建;遗传算法改进的BP神经网络对汛期三门峡水库泥沙冲淤量的计算[J];水力发电学报;2005年04期

2 马二红,杨建浩,张绍武,张敏贵;混沌时间序列的自适应非线性滤波预测[J];声学与电子工程;2003年01期

3 蒋海峰;马瑞军;魏学业;温伟刚;;一种基于小数据量的快速识别短时交通流混沌特性的方法[J];铁道学报;2006年02期

相关硕士学位论文 前5条

1 袁鑫攀;基于自适应遗传算法的智能考试系统研究[D];中南大学;2008年

2 金玉苹;一种基于改进遗传算法的智能组卷方法研究[D];哈尔滨工程大学;2009年

3 刘长德;基于时间序列的船舶运动建模预报方法研究[D];哈尔滨工程大学;2009年

4 池婷婷;电阻电容分路的约瑟夫森结中的混沌研究[D];长春理工大学;2009年

5 李海波;混沌时间序列预测应用研究[D];中国科学技术大学;2009年

本文编号：2813828