[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

摘要

本发明提出了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，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。由于采用了上述技术方案，相对与传统的船舶领域模型，经过本发明修正的安全模型，具有更好的精度，安全性也更高。

主权项

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，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；—将本船的航行参数，作为输入变量输入训练完毕后的船舶安全区域模型，得到本船的船舶安全区域；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：Rbf=L+(1+S)T90URba=L+T90USb=B+(1+t)T90DT]]>其中，Rbf、Rba和Sb分别代表区域的前、后椭圆的半径和横截半径，T90为船舶转向90度所需的时间、DT为回转直径、s与t为环境参数；输入变量为：Pk＝[Lk，Bk，U1k，U2k，αk]，期望输出为：k＝1，2.....n，U2k代表目标船船速；αk代表两船夹角；L、B、U分别代表船舶的长、宽和速度，U1k代表本船舶的船速；所述的动态模糊神经网络具体包括：输入层：具有多个节点，每个节点代表一个输入的语言变量；隶属函数层：具有多个节点，每个节点代表一个隶属函数，所述隶属函数使用高斯函数表述如下：其中，i＝1,2......r，j＝1,2.....u，其中μij为xi的第j个隶属函数，cij是xi的第j个高斯函数的中心，σjL,σjR分别代表xi的第j个隶属函数的左右宽度，r是输入变量数，u是系统总的规则数，x代表一个输入的语言变量，x＝[x1,x2,........xi]，xi表示x在第i维上的数值；T‑范数层：具有多个节点，每个节点代表一个可能的模糊规则的IF‑部分，第j个规则的输出为：其中输出层：至少具有一个节点，该层中的每个节点分别表示一个输出变量，该输出是所有输入信号的叠加：y是输出变量，ωj是THEN‑部分，对于TSK模型：ωj＝α0j+α1jx1+α2jx2,.....,+αrjxr，j＝1,2，.....，u，αrj为TSK模型中矩阵的元素；所述动态模糊神经网络训练包含如下步骤：—用非对称高斯函数计算数据对各个高斯中心的隶属度，期望精度ke与可容纳有效半径kd，ke＝max{emaxβk‑1,emin}，kd＝max{dmaxγk‑1,dmin}；—计算系统误差：||ek||＝||tk‑yk||；计算欧式距离：djk＝||Xk‑Cj||，并找到最小欧式距离，使dk,dim＝mindjk，—定义误差下降率：运用线性回归方程T＝ΨA+E及QR分解Ψ＝PQ，其中T：期望输出向量；A：权向量；Ψ：回归矩阵；E误差向量；P：正交矩阵，Q：上三角矩阵，解得定义泛化因子GF：判断公式：||ek||＞ke、dk,dim＞kd和GF＜kGF是否同时满足；若满足，则：生产一条新规则,新规则的满足：其中：Λu+1＝[α0,u+1,α1,u+1,…,αr,u+1]，参数更新：矩阵Pk按更新；根据EKF方法更新各子函数的宽度：用最小二乘法确定输出权值A*：A*＝(ΨTΨ)‑1ΨTT；若不满足，只需调整系统参数，不增加模糊规则；—反复训练，直到网络输出误差达到要求，结束训练，当有障碍物或者其他船舶进入到本发明所得到的船舶安全领域时，船舶驾驶员可以根据本发明得到的数据来判断本船新的航行轨迹，避免发生碰撞。