[发明专利]一种基于蚁群优化BP神经网络的波浪补偿控制算法

权利要求书

1.一种基于蚁群优化BP神经网络控制波浪补偿算法的控制方法，其特征在于包括如下步骤：

步骤1：获取数据

利用运动传感器获得船舶当前的位移，加速度与力信息，并通过预测系统获得船舶的速度，位移及加速度的预测值，获得预测值与真实值之间的误差；

步骤2：基于蚁群获得神经网络BP的权值与阈值

步骤2.1提取三种误差的特征参数，先对数据进行归一化处理

步骤2.2将实际误差作为蚁群初始信息素，最小误差范围作为蚁群的食物源

步骤2.3计算各蚂蚁状态转换概率，并选择下一状态

步骤2.4记录路径信息素浓度

步骤2.5判断是否满足约束条件，满足条件的情况下，选择浓度最大的为最优路径；通过蚁群算法获得初始最优权值与阈值，并在蚁群每一次路径中并不断更新权值与阈值；

根据源节点与目的节点确定蚁群传输区域R，当一个节点小于误差范围时，先判断人工蚂蚁是否在R内，不是则丢弃，是则进行下一步；人工蚁以某种概率决定下一个访问节点；选取m组误差值，设定n个不同的待补偿的船舶误差数据值，循环次数为N_C，最大循环次数为N_Cmax,d_ij为第i个误差数值与第j个误差值之间的差值，△τ_ij(t)为t时刻在第i个误差值与第j个误差值之间的信息量，为t时刻误差值K在第i个误差值与第j个误差值之间的信息；η_ij为从第i个灰度值转为第j个灰度值收到的启发程度，α为信息启发因子，β为期望值启发因子，ρ为信息素的持久性，1-ρ为信息素的衰减度；人工蚁以某种概率决定下一节点的访问：

其中

N表示t时刻误差下一步允许的范围值；将误差的特征参数作为蚁群的人造信息素τ_ij，经过多次的迭代，使误差的取值范围逐渐降低，在这些路径中挑选最优路径，实现误差优化；信息素水平进行下式进行更新:

τ_ij(t+1)＝p*τ_ij(t)+△τ_ij(t)

并将蚁群的路径状态作为神经网络的初始权值与阈值，以某种概率决定出最优误差，即作为BP神经网络中连接点的权值；

步骤3:并且将位姿误差参数作为基于蚁群优化BP神经网络的波浪补偿控制算法的输入，通过最小优化误差来调节权重，最后实现波浪补偿后的船舶的真实位姿的输出；BP神经网络步骤如下：

步骤3.1建立BP神经网络模型结构

步骤3.2初始化BP网络模型

步骤3.3取训练样本数据，并将蚁群获得的最优路径作为BP神经网络的最优权值与阈值，进行训练

步骤3.4判断数据通过隐藏层优化的输出结果是否满足BP训练的终止条件，即是否达到最小误差范围

步骤3.5进行BP神经网络测试

本模型下使用三层BP神经网络结构，分别为输入层，隐藏层，输出层；输入层神经元数目为3，隐藏层神经元数目为4，输出层神经元数目为1；该模型下输入误差数据，通过隐藏层，进行误差的缩小，最后实现对补偿后的位姿的输出；

有n个训练样本对应期望输出，利用训练数据对BP神经网络进行训练；网络隐藏层的输入为：

p-隐藏神经元个数

q-输出神经元个数

W_ij-输入层到隐藏层权值

b_i-隐藏层的门限值

网络隐藏层的输出为：

ho_k＝f(hi_k)(h＝1,2,3,…,P)

误差的反向传播是根据输出层的输出误差，经过隐藏层到达输入层，在这个过程中，按照梯度下降原则结合蚁群路径优化对各层的权值与阈值进行误差修正；

使目标函数达到最小；全局误差计算公式：

将人工蚂蚁的路径优化作为初始权值和阈值赋给BP神经网络；蚂蚁每执行一次基本行为，神经网络权值和阈值就调整一次；权值与阈值在迭代过程中不断修正；开始训练BP神经网络，并用训练好的网络进行误差补偿；

步骤4:利用蚁群优化BP神经网络实现控制补偿设备来实现波浪补偿。