遞歸神經(jīng)網(wǎng)絡(luò)的動態(tài)系統(tǒng)辨識及其在船舶運(yùn)動控制中的應(yīng)用研究.pdf

1、船舶正朝著大型化、高速化、智能化方向發(fā)展，同時船舶航行的密度越來越大，對船舶的操縱性能提出了更高的要求。因而有必要采用新的理論和技術(shù)，研究性能更好的船舶操縱控制策略。將神經(jīng)網(wǎng)絡(luò)辨識技術(shù)應(yīng)用于船舶運(yùn)動控制成為近年來研究的一個重要方向。本文對遞歸神經(jīng)網(wǎng)絡(luò)辨識技術(shù)進(jìn)行研究，提出了兩種新的遞歸神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，并對遞歸神經(jīng)網(wǎng)絡(luò)辨識技術(shù)在船舶操縱運(yùn)動控制中的應(yīng)用進(jìn)行了探討。 Elman神經(jīng)網(wǎng)絡(luò)在系統(tǒng)辨識中得到了廣泛的應(yīng)用。本文對Elma

2、n神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，將徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)與Elman神經(jīng)網(wǎng)絡(luò)結(jié)合構(gòu)成RBF-Elman神經(jīng)網(wǎng)絡(luò)，并將網(wǎng)絡(luò)輸出的延遲信息反饋加入到輸入層，構(gòu)造出基于輸出反饋的RBF-Elman遞歸神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)對于時變動態(tài)系統(tǒng)具有良好的辨識能力，并且通過對輸入層和輸出層進(jìn)行線性連接提高了網(wǎng)絡(luò)的學(xué)習(xí)速度。通過對時變系統(tǒng)的辨識驗證了該網(wǎng)絡(luò)的自適應(yīng)性。 根據(jù)控制系統(tǒng)對于神經(jīng)網(wǎng)絡(luò)在線應(yīng)用的要求，提出了一種神經(jīng)網(wǎng)絡(luò)的序貫學(xué)習(xí)算法——動態(tài)跟蹤模型選擇算法，

3、得到的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)具有良好的泛化性能。通過將系統(tǒng)的輸出信息進(jìn)行反饋引入到輸入層，構(gòu)成的遞歸網(wǎng)絡(luò)具有良好的動態(tài)辨識性能。通過對混沌時間序列的辨識算例驗證了其動態(tài)適應(yīng)性能。該算法同時具有調(diào)節(jié)參數(shù)少以及對參數(shù)變化魯棒性好等特點。 本文從工程實現(xiàn)控制的角度出發(fā)，針對船舶運(yùn)動非線性和動態(tài)時變的特點，提出了基于遞歸神經(jīng)網(wǎng)絡(luò)在線辨識的控制方案。該方案利用遞歸神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法建立的神經(jīng)網(wǎng)絡(luò)進(jìn)行在線系統(tǒng)辨識，有效地跟蹤船舶運(yùn)動的動態(tài)特性，并