申请/专利权人：大连海事大学

申请日：2021-07-20

公开（公告）日：2024-04-02

公开（公告）号：CN113536463B

主分类号：G06F30/15

分类号：G06F30/15;G06F30/27;G06F119/02

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.11.09#实质审查的生效;2021.10.22#公开

摘要：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。

主权项：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；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；S2、通过神经网络对S1中的整体模型进行逼近；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＝xiT，网络的隐含层输出为h＝hjT，hj为隐含层第j个神经元的输出，cij为隐含层第j个神经元高斯基函数中心点的坐标向量，bj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yt＝wTh；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；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： 其中，Et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，ψt表示当前时刻的输出艏向角的值；ψmt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，wjt-1表示前一时刻的权重值，wjt-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，bjt-1表示前一时刻的宽度，bjt-2表示前两时刻的宽度；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。

全文数据：

权利要求：

百度查询： 大连海事大学 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

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD