神经网络理论研究及在舰船运动预报中的应用

《神经网络理论研究及在舰船运动预报中的应用》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、神经网络理论研究及在舰船运动预报中的应用摘要在实际工程中由于存在大量的非线性系统，因此研究非线性系统的建模预报方法有很重要的意义。而大型舰船在波浪中的运动由于受到海浪、海风及其它干扰的影响，会产生六自由度的复杂运动，具有很强的随机性和非线性性，这就导致了对舰船运动姿态极短期预报具有相当的困难。本文从神经网络理论出的观点出发，充分研究了一种适用于非线性系统建模预报的神经网络一对角递归神经网络模型。主要完成的工作有：1．搜集整理了国内外有关舰船运动姿态预报技术的相关资料，并在此基础上提出了关于舰船运动的一种改进经典谱估计方法

2、。并通过实际仿真证明了该方法的实用性和可靠性。2．介绍了神经网络的基本理论，对BP神经网络进行深入研究，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善，提高了预报精度，并用实际例子进行了仿真计算。3．对神经网络的逼近能力进行了深入研究和探讨，结合MATLAB软件及BP神经网络工具箱的使用，通过实际的例子详细阐述了基于BP神经网络的函数逼近过程及其blATLAB实现方法。4．对递归神经网络(RNN)理论进行了研究，严密地推导出了对角递归神经网络(DRNN)与全对角递归神经网络(GDRNN)的动态反传算法、权值

3、更新规则，对训练算法的稳定收敛性给予严格了证明，其中对学习率r／选取范围，给出了更精确的结果。5．在时间序列预报方法的基础上，建立了应用于大型舰船运动预报的对角递归神经网络(DRNN)结构及其递推预报误差(RPE)算法，对该算法进行了稳定收敛性及无偏性分析，并将所取得的哈尔滨工程大学博士学位论文结果与自回归预报法和周期图预报法的结果进行了比较，预报结果说明了该算法的可行性。关键词：舰船运动；极短期建模预报：非线性系统；神经网络：稳定性；函数逼近；DRNN模型；递推预报误差(RPE)算法；经典谱估计神经网络理论研究及在舰船

4、运动预报中的应用AbstractTherearealargenumberofnonlinearsystemsinpractice，SOthestudyofnonlinearsystemsandpredictionmethodareveryimportant．Large-scaleshipscanhave6-motionscomplexmovementsbecauseoftheoceanwaves，theseabreezeandotherdisturbanceswhichhavetheveryrandomnessandth

5、enon—linearity，thiscausedtoextremelydifficultytotheshipsmovementpostureshort-termprediction．Thisarticleleavesfromtheneuralnetworktheory，fullystudiedonekindtobesuitableforthenonlinearsystemmodelingpredictionneuralnetwork-DiagonalRecurrentNeuralNetwork．Thispapermai

6、nlyincludes：1．Thecollectionandcollationofthecorrelationdataabouttheshipsmotionposturepredictiontechnologyindomesticandforeign，andproposedoneimprovementclassicalspectralestimatemethodabouttheshipsmotioninthisfoundation．Andhasproventhismethodusabilityandthereliabil

7、itythroughtheactualsimulation．2．Introducedtheelementarytheoryonneuralnetwork，researchtotheBPneuralnetworkthoroughly，usedtheimprovedCOnjugategradientalgorithmtotheBPneuralnetwork，thereforeenabledtoimprovethenetworkperformanceandincreasethepredictionprecision，andca

8、rriedonthesimulationcomputationwiththeactualexample．3．ResearchanddiscussedtotheapproximatingabilitythoroughlyonneuralnetworkusingtheMATLABsoftwareandtheBPneura