[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

说明书

本发明公开了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，包括：将风浪干扰当成船舶的一部分，视为一个整体模型；通过神经网络对这个整体模型进行逼近；采用改进的梯度下降法对权值进行在线更新，并根据所逼近的船舶模型对船舶进行仿真或用于船舶运动控制器设计。本发明通过将船舶的外界干扰和船舶视为一个时变的整体模型，通过神经网络逼近，采用改进的梯度下降法对权值进行在线更新，使其具有更好的逼近效果。解决了船舶在航行过程中由于装载量、吃水、外界干扰等变化引起的船舶模型的变化，对于只考虑输入输出的船舶模型，具有更好的普适性。

技术领域

本发明涉及船舶运动控制及建模领域，具体地说，涉及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。

背景技术

船舶运动的研究是建立在模型的基础上的，但在实际应用中，模型的结构和参数是不会从天而降的，因此许多科学家将毕生精力投入到建立一个具体的数学模型上。建立基本理论机制清晰的模型并不容易，更不用说建立许多基本机制或深层机制不清晰的模型了。而且，机构建模需要许多简化的假设，需要忽略许多重要的事情，但如果做得不好，错误的假设就会被忽略。因此，用机理推导被控过程的数学模型并非不可能，对于日常的控制问题也不实用，于是许多科学家开始研究控制理论的另一个分支——辨识。

然而，大多数的辨识方法都是对模型中的参数进行辨识，并且每次航行的载荷状态都是变化的，这使得船舶的平均吃水和吃水差实时变化。随着船舶运行时间的增加和船外附着物的增加，水动力特性也发生变化。因此，仅仅依靠船舶参数的辨识和建模是远远不够的。

发明内容

本发明提供了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，以克服上述技术问题。

本发明包括以下步骤：

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。

进一步地，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。

进一步地，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)+k₂tank(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)