[发明专利]一种基于多种学习算法的船舶横摇运动姿态控制系统

权利要求书

1.一种基于多种学习算法的船舶横摇运动姿态控制系统，其特征在于，包括：横摇检测装置、船舶横摇运动控制器、鳍伺服系统、单体鳍以及数据库；

所述横摇检测装置用于检测目标船舶在运动过程中产生的目标横摇数据，并将所述目标横摇数据发送至所述船舶横摇运动控制器；所述目标横摇数据为目标船舶的横摇角；

所述数据库与所述船舶横摇运动控制器连接；所述船舶横摇运动控制器用于根据所述目标横摇数据和所述数据库中的数据生成目标鳍控制信号，并将所述目标鳍控制信号发送至所述鳍伺服系统；所述船舶横摇运动控制器包括横摇深度学习神经网络辨识器和横摇深度学习神经网络子控制器；

所述鳍伺服系统用于根据所述目标鳍控制信号控制所述单体鳍的运动以实现对目标船舶的控制；

所述数据库存储有历史横摇数据和历史鳍控制信号；所述历史横摇数据是将原始历史横摇数据输入到船舶横摇数据分类模型后得到的，所述历史鳍控制信号是将原始历史鳍控制信号输入到船舶横摇数据分类模型后得到的；所述船舶横摇数据分类模型是在无监督机器学习算法的基础上构建得到的。

2.根据权利要求1所述的一种基于多种学习算法的船舶横摇运动姿态控制系统，其特征在于，所述横摇深度学习神经网络辨识器用于根据所述历史横摇数据和所述历史鳍控制信号，计算横摇预测数据；

所述横摇深度学习神经网络子控制器用于根据所述横摇预测数据、所述历史横摇数据、所述历史鳍控制信号和所述目标横摇数据生成目标鳍控制信号。

3.根据权利要求1所述的一种基于多种学习算法的船舶横摇运动姿态控制系统，其特征在于，所述横摇深度学习神经网络辨识器和所述横摇深度学习神经网络子控制器均采用基于深度学习神经网络的前馈反向传播神经网络结构。

4.根据权利要求1所述的一种基于多种学习算法的船舶横摇运动姿态控制系统，其特征在于，所述横摇深度学习神经网络辨识器采用两层BP神经网络结构；第1层BP神经网络结构的输入层包括4个节点，隐含层包括10个节点，输出层包括1个节点；第2层BP神经网络结构的输入层包括4个节点，隐含层包括9个节点，输出层包括1个节点。

5.根据权利要求1所述的一种基于多种学习算法的船舶横摇运动姿态控制系统，其特征在于，所述横摇深度学习神经网络子控制器采用两层BP神经网络结构；第1层BP神经网络结构的输入层包括6个节点，隐含层包括11个节点，输出层包括2个节点；第2层BP神经网络结构的输入层包括6个节点，隐含层包括7个节点，输出层包括1个节点。

6.根据权利要求1所述的一种基于多种学习算法的船舶横摇运动姿态控制系统，其特征在于，所述横摇深度学习神经网络辨识器的性能指标函数为实际横摇角与输出横摇角的均方差，所述横摇深度学习神经网络子控制器的性能指标函数为实际横摇角的均方差。

7.根据权利要求1所述的一种基于多种学习算法的船舶横摇运动姿态控制系统，其特征在于，所述横摇深度学习神经网络辨识器和所述横摇深度学习神经网络子控制器均采用改进的随机梯度下降法或者改进的负梯度最速下降法修正网络权值。

8.根据权利要求1所述的一种基于多种学习算法的船舶横摇运动姿态控制系统，其特征在于，所述横摇深度学习神经网络辨识器和所述横摇深度学习神经网络子控制器均采用批量归一化算法优化网络权值。

9.根据权利要求1所述的一种基于多种学习算法的船舶横摇运动姿态控制系统，其特征在于，所述船舶横摇数据分类模型是利用无监督学习算法中基于划分的聚类方法模糊K-均值法对横摇数据分类后构建的分类模型。