基于神经网络的船舶运动姿态建模预报

《基于神经网络的船舶运动姿态建模预报》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、哈尔滨工程大学硕十学位论文摘要在实际工程中存在大量的非线性系统，船舶运动系统就是其中之一。由于受到海风、海浪及其他干扰因素的影响，船舶产生了复杂的六自由度运动，具有很强的随机性和非线性，为保证其航行安全，对其进行非线性建模预报就具有十分重大的意义。神经网络是当前最主要的智能控制技术之一，它模拟人脑的结构及其对信息的记忆和处理功能，具有擅长从输入输出数据中学习有用的知识的特性。本文从神经网络理论出发，深入地研究了BP神经网络和径向基函数网络及其相应改进算法，并用之于船舶运动建模预报，取得了比较好的效果。首先搜集整理了国内外有关

2、船舶运动姿态预报技术的相关资料，学习了神经网络的基本理论，对BP神经网络进行深入研究和探讨，并使用共轭梯度算法对BP神经网络进行改进，使得网络性能得到改进，提高了预报精度。然后研究径向基函数网络(RBF)及其变形——广义回归网络(GRNN)，并用之于船舶运动预报，取得了满意的效果。分析比较了上述几种方法的预报精度误差、训练算法速度、时间等性能指标。最后对训练样本数据个数、神经元个数的选择进行了探讨和经验总结。关键词：船舶运动；建模预报；BP神经网络；径向基函数网络哈尔滨工程大学硕士学位论文AbstractThereareal

3、argeofnonlinearsystemsinpracticeandshipmovementsystemisoneofthem．Shipscanhave6-motionscomplexmovementsbecauseoftheoceanwaves，theseabreezeandotherdisturbances，whichhavetheveryrandomnessandthenon—linearity．Soitisveryimportanttodonon-linearshipmodelingandpredictionfor

4、ship’Ssafesailing．Neuralnetworkisoneofthemaintechnologiesofintelligentcontrolcurrently．Itsimulatesthestrucnlre，thememoryandtheinformationprocessingofthehumanbrain，withagoodcharacterofstudyingusefulknowledgefrominputandoutputdata．Thispaperleavesfromtheneuralnetworkt

5、heory,fullystudiedbackpropagationnetworkandradialbasisfunctionnetworkandtheirimprovedalgofithm，Thenusethemtodoshipmodelingandpredictionandgetgoodresults．Firstly,collectandcollatethecorrelationresourcesabouttheshipmotionposturepredictiontechnologyindomesticandforeig

6、n．Studytheelementarytheoryonneuralnetworkandresearchtothebackpropagationneuralnetworkthoroughly,andthenusetheimprovedconjugategradientalgorithmtotheBPneuralnetwork，thereforeitiSenabledtoimprovethenetworkperformanceandincreasethepredictionprecision，Secondly,research

7、radialbasisfunctionnetworkanditsimprovementmgeneralizedregressionneuralnetwork，andusethemtomodelandpredicttheshipmotion，andreachgoodresults．Analyzeandcomparethepredictionprecisionandthetimeoftrainingbetweenthosealgorithms．Finally,discussandresearchhowtoselectthenum

8、beroftheneuralunitsandthetrainingdata．Keywords：ShipMovement；ModelingandPrediction；BackPropagationneuralnetwork；RadialBasisFunctionnetwork哈尔滨工程大学学