[发明专利]一种基于改进梯度下降法的神经网络船舶整体模型逼近方法

权利要求书

1.一种基于改进梯度下降法的神经网络船舶整体模型逼近方法，其特征在于包括以下步骤：

S1、建立包含船舶的风、浪干扰和船舶非线性Nomoto模型在内的整体模型；

S2、通过神经网络对S1中的整体模型进行逼近；

S3、采用改进梯度下降法对神经网络进行优化，根据所述船舶模型进行船舶的仿真和控制器设计。

2.根据权利要求1所述的一种基于改进梯度下降法的神经网络船舶整体模型逼近方法，其特征在于，所述S1包括以下步骤：

S101、建立输入输出响应关系的船舶内部模型；

S102、建立风的扰动模型，风的扰动模型加入到船舶内部模型的输入端；

S103、建立波浪的扰动模型，波浪的扰动模型加入到船舶内部模型的输出端。

3.根据权利要求1所述的一种基于改进梯度下降法的神经网络船舶整体模型逼近方法，其特征在于，所述S3采用改进梯度下降法对神经网络权值进行优化的计算公式为：

w_j(t)＝w_j(t-1)+Δw_j(t)+k₂tanh(k₃(w_j(t-1)-w_j(t-2))) (3)

b_j(t)＝b_j(t-1)+Δb_j(t)+k₂tanh(k₃(b_j(t-1)-b_j(t-2))) (5)

其中，E(t)为网络逼近误差指标，k₀、k₁、k₂、k₃为设计的正参数，k₀和k₂的物理意义是偏导数大时偏导数的最大衰减率，k₁和k₃的物理意义是偏导数小时，它拉伸或压缩坐标并以指数速率衰减，t表示时间；公式1表示艏向角误差，ψ(t)表示当前时刻的输出艏向角的值；ψ_m(t)表示当前时刻的输入艏向角的值；公式2和公式3表示对神经网络中的权重进行训练更新，w_j(t-1)表示前一时刻的权重值，w_j(t-2)表示前两时刻的权重值；公式4和公式5表示对高斯基函数的宽度进行训练更新，b_j(t-1)表示前一时刻的宽度，b_j(t-2)表示前一时刻的宽度；公式6和公式7表示对神经元的中心点矢量值进行训练更新，表示前一时刻的中心点，表示前两时刻的中心点。

4.根据权利要求2所述的一种基于改进梯度下降法的神经网络船舶整体模型逼近方法，其特征在于，所述S102风的扰动模型为：

其中，σ_Y为风作用在Y轴的力矩，σ_N为风作用于绕重心的铅直轴的回转力矩，ρ_A为空气密度，C_Y(γ_R)和C_N(λ_R)分别为风力和风力矩的无量纲系数，L为船舶长度。

5.根据权利要求2所述的一种基于改进梯度下降法的神经网络船舶整体模型逼近方法，其特征在于，所述S103波浪的扰动模型为：

y(s)＝h(s)ω(s) (9)

其中，y(s)为波浪扰动，ω(s)为零均值高斯白噪声，h(s)为波的二阶传递函数。