基于不完全递归支集动态神经网络的船舶航向智能控制器的制造方法
【技术领域】
[0001] 本发明设及计算机智能船舶运动控制领域，具体设及一种基于不完全递归支集动 态神经网络模型的船舶航向智能控制器。
【背景技术】
[0002] 船舶运动是一种复杂的控制问题，它是具有大惯性、大时滞、非线性和参数时变的 动态过程。如万吨级油轮的时间常数可达lOOsW上，对动舱响应缓慢，某些开环不稳定船舶 甚至存在着对操舱的反常响应(在一定舱角界限内打右舱船头反而向左转），其控制有相当 难度。同时船舶运动特性随航速、载荷、吃水差、水深等因素的变化而变化，扰动特性也随海 浪、风、流等海况而不同，因此，船舶运动控制还具有明显的不确定性。
[0003] 大滞后的控制问题一直是自动控制中公认的难题之一。传统的控制方法，要求被 控对象具有精确的数学模型，而且运些方法仅适用于具有反馈的确定线性系统。随着社会 生产活动的进步与科学技术的不断发展，受控对象越来越复杂，绝大多数是互有禪合的多 输入多输出系统，且往往伴有参数时变、非线性特点，要建立较精确的数学模型，变的越来 越困难，所W传统的控制策略就难W获得令人满意的控制性能。如何解决预测控制中复杂 系统的参数时变、非线性，不同的学者提出了不同的解决办法如非线性预测控制，基于 LMI的MPC等，其中把模糊模型和神经网络应用于预测控制来进行复杂系统的非线性模型的 辨识，对于描述非线性过程具有良好的效果。从模糊控制的基本原理可W看出，偏差变化定 量地反映了被控过程状态量在当前时刻的变化方向和大小，因此，模糊控制对纯滞后系统 有一定的预测能力，但对大滞后系统（Ts/Tm〉〇.5)就缺乏有效的控制。相比之下，具有自学习 能力和逼近任意非线性映射能力的神经网络，就显示出明显优势，为解决运类系统的控制 问题提供了新的手段。
【发明内容】
[0004] 针对上述现有技术中存在的问题，本发明的目的在于，提供一种基于不完全递归 支集动态神经网络的船舶航向智能控制器，W实现对船舶航向的高精度控制。
[000引为了实现上述任务，本发明采用W下技术方案：
[0006] -种基于不完全递归支集动态神经网络的船舶航向智能控制器，包括依次连接的 输入转换装置、舱机控制器、神经网络控制器；
[0007] 所述的神经网络控制器内部建立不完全递归支集动态神经网络，该网络的构造方 法包括：
[0008] 在局部回归神经网络的基础上，对其进行改进，得到不完全递归支集动态神经网 络，具体如下：
[0009] ①局部回归神经网络的输入层传递函数或激活函数设置为恒等变换r(x)=x;
[0010] ②将类支集函数作为局部回归神经网络的隐含层传递函数，类支集函数定义如 下：
[00川设一个函数^义)在(-00,00)内有定义且|^(3)|辛0，称^义)为义=(3的类支集函数， 且对任意给定的ε>0,存在α〉0使当|x-c| >α时有
[0012] Γ(χ)|<ε
[0013] ③在局部回归神经网络的隐含关联层增加自反馈，并利用反馈增益系数β调整自 反馈的大小；
[0014] ④在局部回归神经网络的输出关联层增加自反馈，并利用反馈增益系数丫来调整 自反馈大小；
[0015] ⑤将局部回归神经网络的输出层的传递函数设置为恒等变换g(x)=x;
[0016] 所述的神经网络控制器中不完全递归支集动态神经网络的输入为船舶的实际船 首航向角在(τ-1，. . .，τ-k)时刻的向量Υ(τ-1，. . .，τ-k)、向量Υ(τ-1，. . .，τ-k)的一阶导数 jp(r-])、向量パτ-l，. . .，τ-k)的二阶导数捉(Γ-1)、舱机控制器的控制输出向量11(1-1，. . .，τ-k)，风浪流的外扰力向量D(T-1，. . .，τ-k)，输出为控制输出量yN(Ts+Tm)，控制输出 量和期望的航向yd叠加得到误差e(Ts+Tm)，然后将误差经过输入转换装置转换成模拟量，传 递给舱机控制器，舱机控制器对模拟量进行调节，用模拟量控制输出量对船舱进行控制，从 而控制船舶航向。
[0017] 进一步地，所述的神经网络控制器中对船舶航向的预测控制方法包括：
[0018] ①若误差Εη(τ)>预先设定的控制精度ε，则Wyp(T)为目标，完成不完全递归支集动 态神经网络对非线性时滞船舶的模型辨识学习，运时有神经网络输出的舱角控制量ΥΝ(τ) *Υρ(τ);
[0019]②若误差Εη(τ)<ε，则将γΝ(τ)代替yp(T)，输入向量帥，即
[0020]
(5)
[0021] ③将船舶的实际船首航向角向量Y和风浪流的外扰力向量D、舱机控制器的控制输 出向量U-起输入已训练好的网络，求出第一步预测的（τ-1)时刻舱机控制器的控制输出量 ΥΝ<ι>(τ+1);
[0022] ④将yN(i)(τ+1)代入式巧），则有：
[0023]
[0024] ⑤返回到第③步，重复③、④，并连续预测η步，求出神经网络的第η预测值yN<i>(T+ 1)，yN(2)(T+2)，···，yN(n)(T+n)，完成η步预测；
[002引⑥计算预测误差e(τ+l)=yd-yNW(τ+n)，yd为系统期望输出；将此预测误差e(τ+l) 传递给控制器，求出控制量ιι(τ+1)，即可实现对动态系统的控制；
[0026] ⑦重复上述过程①~⑥，直至误差Εη(τ)<ε，结束。
[0027] 本发明与现有技术相比具有W下技术特点：
[0028] 1.系统不用预先设定参数，它会自动学习调整优化，是智能化的新型船舶航向控 制器。
[0029] 2.系统控制精度高，使船舶航向切换控制过程快速、平滑，操舱量小。特别是对大 滞后的船舶，控制效果明显提高，可有效克服大惯性、大时滞、非线性、难控制等问题。
【附图说明】
[0030]图1为本发明的船舶航向智能控制器的结构原理图；
[0031]图2为不完全递归支集动态神经网络的结构图；
[0032]图3为无外扰、空载的情况下本方案仿真的自动舱的航向跟踪和舱角变化历时曲 线；
[0033]图4为无外扰、空载的情况下的常规模型参考自适应舱航向跟踪和舱角变化历时 曲线；
[0034] 图5为在满载、加入外扰条件下本方案仿真的舱角与航向历时曲线。
【具体实施方式】
[0035]本发明公开了一种基于不完全递归支集动态神经网络的船舶航向智能控制器，包 括依次连接的输入转换装置、舱机控制器、神经网络控制器，如图1所示;整个智能控制器的 输入包括τ时刻船舶的实际航向角yp(T)，海上风浪的外扰d(T)，W及期望的航向角yd;输出 为对船舶的控制量Ι?(τ)。
[0036] -种基于不完全递归支集动态神经网络的船舶航向智能控制器，包括依次连接的 输入转换装置、舱机控制器、神经网络控制器；
[0037]所述的神经网络控制器内部建立不完全递归支集动态神经网络，该网络的构造方 法包括：
[0038]在局部回归神经网络的基础上，对其进行改进，得到不完全递归支集动态神经网 络IRS順3,具体如下：
[0039]①局部回归神经网络的输入层传递函数或激活函数设置为恒等变换r(x)=x;
[0040]②将类支集函数作为局部回归神经网络的隐含层传递函数，类支集函数定义如 下：
[0041 ]设一个函数^义)在(-〇〇,〇〇)内有定义且|^(3)|辛0，称^义)为义=(；的类支集函数， 且对任意给定的ε>0,存在α〉〇使当|x-c| >α时有
[0042] Γ(χ)|<ε
[0043]③在局部回归神经网络的隐含关联层增加自反馈，并利用反馈增益系数β调整自 反馈的大小；
[0044]④在局部回归神经网络的输出关联层增加自反馈，并利用反馈增益系数丫来调 整自反馈大小；
[004引⑤将局部回归神经网络的输出层的传递函数设置为恒等变换g(x)=x;
[0046]不完全递归支集动态神经网络的其他网络设置与局部回归神经网络相同。运里所 指的局部回归神经网络包括Elman神经网络、对角递归神经网络。
[0047]所述的神经网络控制器中不完全递归支集动态神经网络的输入为船舶的实际船 首航向角在(τ-1，. . .，τ-k)时刻的向量Υ(τ-1，. . .，τ-k)、向量Υ(τ-1，. . .，τ-k)的一阶导数 兵批4)、向量パτ-l，. . .，τ-k)的二阶导数托(Τ-1)、舱机控制器的控制输出向量υ(τ-1，. . .，τ-k)，风浪流的外扰力向量D(T-1，. . .，τ-k));输出为神经网络智能舱机控制器的控 审IJ输出量yN(Ts+Tm)，控制输出量经过和期望的航向yd叠加得到误差e(Ts+Tm)，然后将其经过 输入转换装置转换成模拟量，传递给舱机控制器，舱机控制器对模拟量进行调节，用模拟量 控制舱机控制器的输出量对船舱进行控制，从而控制船舶航向。
[0048]在本方案中，神经网络控制器采用由我们提出的Ξ型不完全递归支集动态神经网 络IRSNN3,它是一种动态神经网络，可W更好地描述系统的动态特性。其结构如图2所示。
[0049] 发明的工作原理是：
[0050]在图帥，u( ·)和y( ·)为分别为网络输入和输出；S( · )，SU( · )，SE2( ·)为分别 为隐含层、隐含关联层、输出关联层输出；f( ·)为隐层层传递函数，采用类支集函数。Wi， WU，WE2，WU分别为输入层节点与隐含层节点、隐含关联层节点与隐含层节点、输出关联层节 点与隐含层节点、W及隐含层节点与输出节点之间的连接权，β为隐含关联层自反馈增益系 数，丫为输出关联层自反馈增益系数。
[0051]由于关联层自反馈增益0的引入，隐含关联层的输出沪化)变为：
[005引sCi(k) =S(k-l)+盼C1 化-1) (1)
[0053]由于输出层自反馈增益丫的引入，输出关联层的输出S^2化)为：
[0054] sC2(k)=y(k-l)+丫SC2(k-l) (2)
[005引继续迭代，有：
[0056]sCi(k) =S(k-l)+盼(k-2)+护S化-3)+... (3)
[0057] 8巧化)=;y(k-l)+ 丫 }f(k-2)+护y化-3片··
[0058]在上式中，β，丫越是接近1，则网络就越多考虑到更远时刻的系统的内部状态反馈 和输出反馈，因此，网络结构的改变和两个自反馈增益的引入大大增强了网络的动态特性 反映能力。运样，网络通过引入隐含关联层，可W存储有关网络内部状态特性的历史数据； 通过引入输出关联层，可W存储有关网络外部输出特性的历史数据。同时，通过调节β，丫的 大小进一步增加了我们对网络记忆历史数据的可控性。
[0059]对不完全递归支集动态神经网络，有如下非线性状态方程：
[0060]
妊）
[0061] 网络中在隐层反馈关联层增加一个增益为β的自反