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与流程

技术特征：
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：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)(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。6.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s2采用神经网络对整体模型进行逼近的计算公式为：其中，神经网络输入为x＝(x
i
)
t
，网络的隐含层输出为h＝(h
j
)
t
，h
j
为隐含层第j个神经元的输出，c
ij
为隐含层第j个神经元高斯基函数中心点的坐标向量，b
j
为隐含层第j个神经元高斯基函数的宽度；神经网络的网络权值为w，神经网络的网络输出为y(t)＝w
t
h。7.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s101建立的船舶内部模型为：建立船舶航向保持控制的非线性nomoto模型为：其中，ψ表示航向角，α以及β是转艏角速度的比例系数，k、t为船舶操纵性指标，k
e
为舵机操纵增益，t
e
为舵机时间常数，δ实际舵角，以及δ
r
是指令舵角，f1为船舶系统的内部不确定性，d为外部扰动，f为总扰动。

技术总结
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。具有更好的普适性。具有更好的普适性。


技术研发人员：张显库 章沪淦 于潇雨 高诗杭 郭强
受保护的技术使用者：大连海事大学
技术研发日：2021.07.20
技术公布日：2021/10/23