[发明专利]一种基于在线快速自组织模糊神经网络的船舶领域模型的辨识方法

说明书

技术领域

本发明涉及一种船舶领域模型的修正方法，尤其涉及一种基于广义自组织神经网络的船舶领域模型的修正方法。

背景技术

海上智能交通交通作为我国科技发展战略的重要组成部分，已逐渐成为船舶交通和信息科学有效融合的新兴交叉研究热点。而对于海上交通系统的个体船舶行为的研究，则显得尤为重要。20世纪六七十年代，日本的加藤[1]提出船舶航行安全领域的概念至今，文献[2][3][4][5]中可知，研究者提出了各种不同形状、大小的船舶航行安全领域模型。在现代船舶领域中有着广泛的应用。但是，始终无法形成一个统一的模型，造成上述问题的主要原因有：（1）不同的航行环境的因素导致产生不同形状、大小的模型；（2）大多数的模型都按照统计数据或模拟实验的方法形成；（3）现有的模型都易于理解，但却很难被应用到实际中去。文献[3][4]提出了一种复杂的六边形船舶领域模型，用船速和船舶回旋参数确定各边尺寸，该模型使得避碰情况下的船舶便于采用进化算法对其航迹进行优化，但其复杂程度较高，物理意思较含糊，不便于理解和实际应用。[5]结合船舶转向性能等因素给出几种情况下船舶领域边界的量化方法，船舶的操纵性能在该方法中得到体现，但模型尺寸与影响因素之间的函数关系是人为给定的一种粗略的估算公式。值得注意的是[2]提出的“横截面积”模型是由前后两个半椭圆拼合而成，由船舶操纵参数和航行速度等决定，是经典模型之一。

另一方面，模糊系统、神经网络和模糊神经网络快速发展，并因其具有非常好的逼近、泛化能力，迅速应用于工业领域中。设计模糊系统、神经网络和模糊神经网络时，都必须先确定规则数活隐节点数，同时应用误差反向传播的方式学习算法进行训练。众所周知，该方法学习速度慢，容易陷入局部极小点。因此，迫切需要找到一个针对实时应用的快速学习方法。为解决上述问题，研究者提出了动态神经网络。但D-FNN存在以下缺点：

动态模糊神经网络（DFNN）在输入空间划分是用标准高斯函数，其规则中输入变量的所有高斯函数的宽度都是相同，这一点与现实通常不相符合，特别是当输入变量具有很不一样的工作区间时。

动态模糊神经网络（DFNN）不管其隶属函数是如何分布的，其隶属函数与模糊规则的数量都相同。这导致一些隶属函数严重重叠，抽取出的模糊规则难以理解。

动态模糊神经网络（DFNN）中第一条模糊规则的高斯函数宽度为随机选取的。

动态模糊神经网络（DFNN）中存在太多预先设定的参数，且这些参数都缺乏物理意义，从而在选择这些特定参数时比较困难。对于动态模糊神经网络（DFNN）输入量必须进行归一化和输出量的反归一化，这样将加大计算量，达到较好的逼近效果的时间长。

因此，本发明则基于“横截面积”模型和自组织模糊神经网络提出一个新的智能船舶领域的模型。

发明内容

本发明针对以上问题的提出，而研制的一种基于快速在线自组织神经网络的船舶领域模型的辨识方法，具有如下步骤：

—选定船舶安全区域模型，确定该模型的函数、输入变量和期望输出值；

—建立包含输入层、隶属函数层、T-范数层和输出层的动态模糊神经网络；

—使用包含所述模型的输入变量和输出值的训练数据集，对所述动态模糊神经网络进行训练直至达到精度要求；

—将两艘对应船舶的航行参数，作为输入变量输入训练完毕后的船舶安全区域模型，得到两艘船舶的船舶安全区域。

所述船舶安全区域模型为横截面积模型：该模型近似由前后两个半椭圆拼合而成，该模型的函数如下式所示：