基于量子神经网络的无人船航向保持控制器
发布时间：2022-01-17 07:53
本文将传统的BP神经网络和RBF神经网络与量子并行计算的概念相结合,设计得到两种全新的量子神经网络模型,分别为量子BP神经网络模型（Quantum BP Neural Network Model,QBP）与量子RBF（RadialBasis Function）神经网络模型（Quantum RBF Neural Network Model,QRBF）,此类量子神经网络模型综合了量子与神经网络二者各自的优点,既具备量子并行计算的较快运算速度,又具备神经网络处理非线性能力强的优势,可谓是取二者之所长,集一家之大成。其中,船舶自动舵是无人船航向保持控制问题研究中的重要组成部分,其性能的好坏直接关乎无人船的航行安全。因此,研究设计一种能够更好地保障无人船海上航行安全的量子航向保持控制器就显得十分重要。在本文研究中将该类量子神经网络模型应用在无人船航向保持控制问题的研究上,并且通过一系列的仿真对比实验与物理仿真对比实验证明了量子神经网络模型的航向保持控制能力。本文所做的工作如下:1.认真研究了经典的BP神经网络模型与经典的RBF神经网络模型,并对其各自的模型结构、学习算法以及运作机理模式进行了深入...
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
图２．?１惯性坐标系和附体坐标系??Ｆｉｇ．?２．１?Ｉｎｅｒｔｉａｌ?ｃｏｏｒｄｉｎａｔｅ?ｓｙｓｔｅｍ?ａｎｄ?ａｐｐｅｎｄａｇｅ?ｃｏｏｒｄｉｎａｔｅ?ｓｙｓｔｅｍ??
?大连海事大学硕士学位论文???￣？ＥＳＴ?１??＾－＞（９）?微分?｜?＞??—？积分｜???图２．２?ＰＩＤ控制系统??Ｆｉｇ．?２．２?ＰＩＤ?ｃｏｎｔｒｏｌ?ｓｙｓｔｅｍ??ＰＩＤ控制器作为一种线性控制器，其控制偏差量由给定值和实际输出值：Ｋ０他??们间的数学差值决定，也就是：??ｅ｛ｔ）?＝?ｄ（ｔ）－ｙ（ｔ）?（２．９）??ＰＩＤ控制器的控制量也主要由偏差的比例、偏差的积分和偏差的微分３部分线性组??成，它的控制率见下式（２．１０）：??？（／）?＝夂冲）?＋＋／＞⑴?＋?（２．?１〇）??式（２．１０）中，比例系数，７；：积分时间常数，７；：微分时间常数。??ＰＩＤ控制器拥有三个校正部分，分别为：比例、积分、微分。三部分都分工明确，??在控制中扮演着不同的角色。其中比例环节担任着成比例地表述ＰＩＤ控制系统中的偏差??信号的重任，控制系统在产生偏差后，控制器根据偏差采取相应措施，从而缩小偏??差，过程中，需要注意的是，＼越大，整个系统则越趋向于不稳定。积分环节则扮演着??消除静差的角色，可以提升整个系统的无差度，积分时间常数７：则对积分直接产生影响，??直接影响着它的强弱，一旦积分时间常数７；与积分作用表现为反比例情况，也就是７；越??小，积分作用则就更大。反之相同。微分环节则在控制系统中承担着反映偏差信号??的改变态势的任务，能在偏差信号＜〇达到超调标准值之下时，在系统中增添进合理的??早期修正信号，并以此提升系统调节的速度，缩短系统的调节时间。??传统Ｐ１Ｄ航向保持控制器正是因为其三个参数的恒定性，既带来了良好的控制性能??时，却又造就了其对复杂多变环境中的干扰因素缺少应变能力
?基于量子神经网络的无人船航向保持控制器???⑴当４?＝?１的时候，项）｜０?＝?（５丨１１６＾〇５６＞。广使得｜？５〉得以完全翻转。??（２）当０＜々＜１?的时候，＜Ｔ（々）｜＾＞〉＝（ｃｏｓ（々７ｔ／２?—ＡＸｓｉｎＣＡ：；？＇／］?—沒。））ｒ，使??得｜?得以部分翻转。??（３）当灸＝０的时候，ＣＸ々）｜＾？〉＝?（ｃｏｓ＜９０＿ｓｉｎ＜９。）７＇，这时｜ｐ〉并未翻转。??５）多比特量子门??通常使用较多的为下图３．１所示的两位受控非门：??
【参考文献】：
期刊论文
[1]基于蚁群算法的RBF神经网络在冲量式谷物流量传感器中的应用[J]. 刘畅,李志刚,伟利国,王吉中,李阳. 江苏农业科学. 2019(15)
[2]基于粒子群的后件多项式RBF神经网络算法[J]. 王燕燕,王宏伟. 计算机工程与应用. 2019(12)
[3]量子并行神经网络[J]. 陈佳临,王伶俐. 计算机学报. 2019(06)
[4]全球自主:国外无人水面艇未来发展及关键技术[J]. 宋磊. 军事文摘. 2015(13)
[5]基于受控Hadamard门的量子神经网络模型及算法[J]. 李盼池,周红岩. 计算机研究与发展. 2015(01)
[6]基于量子—BP神经网络的教学评价研究[J]. 冉燕辉. 信息技术. 2014(05)
[7]欠驱动水面船舶航迹跟踪自抗扰控制[J]. 李荣辉,李铁山,卜仁祥. 大连海事大学学报. 2013(02)
[8]航海模拟器中适应式鲁棒航迹保持算法[J]. 张显库,尹勇,金一丞,张秀凤,孙霄峰. 中国航海. 2011(04)
[9]基于k均值和量子遗传算法的RBF网络优化[J]. 赵磊,贾振红,覃锡忠,杨杰,庞韶宁. 计算机工程. 2011(10)
[10]基于量子粒子群-径向基神经网络模型的风速预测[J]. 赵高强,傅瓅. 内蒙古大学学报(自然科学版). 2011(01)
博士论文
[1]船舶自动避碰决策系统的研究[D]. 郑中义.大连海事大学 2000
本文编号：3594349
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
图２．?１惯性坐标系和附体坐标系??Ｆｉｇ．?２．１?Ｉｎｅｒｔｉａｌ?ｃｏｏｒｄｉｎａｔｅ?ｓｙｓｔｅｍ?ａｎｄ?ａｐｐｅｎｄａｇｅ?ｃｏｏｒｄｉｎａｔｅ?ｓｙｓｔｅｍ??
?大连海事大学硕士学位论文???￣？ＥＳＴ?１??＾－＞（９）?微分?｜?＞??—？积分｜???图２．２?ＰＩＤ控制系统??Ｆｉｇ．?２．２?ＰＩＤ?ｃｏｎｔｒｏｌ?ｓｙｓｔｅｍ??ＰＩＤ控制器作为一种线性控制器，其控制偏差量由给定值和实际输出值：Ｋ０他??们间的数学差值决定，也就是：??ｅ｛ｔ）?＝?ｄ（ｔ）－ｙ（ｔ）?（２．９）??ＰＩＤ控制器的控制量也主要由偏差的比例、偏差的积分和偏差的微分３部分线性组??成，它的控制率见下式（２．１０）：??？（／）?＝夂冲）?＋＋／＞⑴?＋?（２．?１〇）??式（２．１０）中，比例系数，７；：积分时间常数，７；：微分时间常数。??ＰＩＤ控制器拥有三个校正部分，分别为：比例、积分、微分。三部分都分工明确，??在控制中扮演着不同的角色。其中比例环节担任着成比例地表述ＰＩＤ控制系统中的偏差??信号的重任，控制系统在产生偏差后，控制器根据偏差采取相应措施，从而缩小偏??差，过程中，需要注意的是，＼越大，整个系统则越趋向于不稳定。积分环节则扮演着??消除静差的角色，可以提升整个系统的无差度，积分时间常数７：则对积分直接产生影响，??直接影响着它的强弱，一旦积分时间常数７；与积分作用表现为反比例情况，也就是７；越??小，积分作用则就更大。反之相同。微分环节则在控制系统中承担着反映偏差信号??的改变态势的任务，能在偏差信号＜〇达到超调标准值之下时，在系统中增添进合理的??早期修正信号，并以此提升系统调节的速度，缩短系统的调节时间。??传统Ｐ１Ｄ航向保持控制器正是因为其三个参数的恒定性，既带来了良好的控制性能??时，却又造就了其对复杂多变环境中的干扰因素缺少应变能力
?基于量子神经网络的无人船航向保持控制器???⑴当４?＝?１的时候，项）｜０?＝?（５丨１１６＾〇５６＞。广使得｜？５〉得以完全翻转。??（２）当０＜々＜１?的时候，＜Ｔ（々）｜＾＞〉＝（ｃｏｓ（々７ｔ／２?—ＡＸｓｉｎＣＡ：；？＇／］?—沒。））ｒ，使??得｜?得以部分翻转。??（３）当灸＝０的时候，ＣＸ々）｜＾？〉＝?（ｃｏｓ＜９０＿ｓｉｎ＜９。）７＇，这时｜ｐ〉并未翻转。??５）多比特量子门??通常使用较多的为下图３．１所示的两位受控非门：??
【参考文献】：
期刊论文
[1]基于蚁群算法的RBF神经网络在冲量式谷物流量传感器中的应用[J]. 刘畅,李志刚,伟利国,王吉中,李阳. 江苏农业科学. 2019(15)
[2]基于粒子群的后件多项式RBF神经网络算法[J]. 王燕燕,王宏伟. 计算机工程与应用. 2019(12)
[3]量子并行神经网络[J]. 陈佳临,王伶俐. 计算机学报. 2019(06)
[4]全球自主:国外无人水面艇未来发展及关键技术[J]. 宋磊. 军事文摘. 2015(13)
[5]基于受控Hadamard门的量子神经网络模型及算法[J]. 李盼池,周红岩. 计算机研究与发展. 2015(01)
[6]基于量子—BP神经网络的教学评价研究[J]. 冉燕辉. 信息技术. 2014(05)
[7]欠驱动水面船舶航迹跟踪自抗扰控制[J]. 李荣辉,李铁山,卜仁祥. 大连海事大学学报. 2013(02)
[8]航海模拟器中适应式鲁棒航迹保持算法[J]. 张显库,尹勇,金一丞,张秀凤,孙霄峰. 中国航海. 2011(04)
[9]基于k均值和量子遗传算法的RBF网络优化[J]. 赵磊,贾振红,覃锡忠,杨杰,庞韶宁. 计算机工程. 2011(10)
[10]基于量子粒子群-径向基神经网络模型的风速预测[J]. 赵高强,傅瓅. 内蒙古大学学报(自然科学版). 2011(01)
博士论文
[1]船舶自动避碰决策系统的研究[D]. 郑中义.大连海事大学 2000
本文编号：3594349
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3594349.html
