基于神经网络的船舶运动姿态建模预报

论文摘要

在实际工程中存在大量的非线性系统,船舶运动系统就是其中之一。由于受到海风、海浪及其他干扰因素的影响,船舶产生了复杂的六自由度运动,具有很强的随机性和非线性,为保证其航行安全,对其进行非线性建模预报就具有十分重大的意义。神经网络是当前最主要的智能控制技术之一,它模拟人脑的结构及其对信息的记忆和处理功能,具有擅长从输入输出数据中学习有用的知识的特性。本文从神经网络理论出发,深入地研究了BP神经网络和径向基函数网络及其相应改进算法,并用之于船舶运动建模预报,取得了比较好的效果。首先搜集整理了国内外有关船舶运动姿态预报技术的相关资料,学习了神经网络的基本理论,对BP神经网络进行深入研究和探讨,并使用共轭梯度算法对BP神经网络进行改进,使得网络性能得到改进,提高了预报精度。然后研究径向基函数网络(RBF)及其变形——广义回归网络(GRNN),并用之于船舶运动预报,取得了满意的效果。分析比较了上述几种方法的预报精度误差、训练算法速度、时间等性能指标。最后对训练样本数据个数、神经元个数的选择进行了探讨和经验总结。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 船舶运动建模预报的目的和意义
• 1.2 国内外的研究现状
• 1.3 神经网络应用于船舶运动预报的研究现状
• 1.3.1 神经网络研究现状
• 1.3.2 神经网络用于船舶运动预报的研究现状
• 1.4 本文所作的工作
• 第2章 人工神经网络基础
• 2.1 人工神经网络概论
• 2.2 人工神经元模型
• 2.3 神经网络基本结构
• 2.3.1 单层前馈网络
• 2.3.2 多层前馈网络
• 2.3.3 递归网络
• 2.4 人工神经网络学习规则
• 2.5 本章小结
• 第3章 基于改进的BP神经网络船舶运动预报
• 3.1 BP神经网络
• 3.1.1 BP网络基本原理
• 3.1.2 BP网络的学习算法
• 3.1.3 BP网络的局限
• 3.1.4 BP网络学习方法的一些常用改进方法
• 3.2 共轭梯度算法
• 3.2.1 共轭梯度算法简介
• 3.2.2 共轭梯度方向的形成
• 3.2.3 共轭梯度算法的计算步骤
• 3.3 用改进的BP神经网络进行预报
• 3.3.1 输入数据预处理
• 3.3.2 输入数据归一化处理
• 3.3.3 运用改进后的BP网络进行7秒预报
• 3.3.4 运用改进后的BP网络进行10秒预报
• 3.4 本章小结
• 第4章 基于改进的RBF神经网络预报
• 4.1 径向基函数网络（RBF网络）概述
• 4.2 径向基函数网络（RBF网络）原理
• 4.2.1 径向基函数神经元模型
• 4.2.2 径向基函数网络结构
• 4.3 利用改进的径向基函数网络进行预报
• 4.3.1 改进的RBF网络结构
• 4.3.2 应用改进的RBF网络结构进行未来7秒预报
• 4.3.3 应用改进的RBF网络结构进行未来10秒预报
• 4.4 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢