[發明專利]一種基于在線快速自組織模糊神經網絡的船舶領域模型的辨識方法

有效

• 申請號: 201310115642.1
• 申請日: 2013-04-03
• 公開（公告）號: CN103186815B
• 公開（公告）日: 2017-02-01
• 發明（設計）人: 王寧;董諾;劉剛健;孟凡超;孫樹蕾;汪旭明
• 申請（專利權）人: 大連海事大學
• 主分類號: G06N3/02
• 分類號: G06N3/02
• 代理公司: 大連東方專利代理有限責任公司21212
• 代理人: 李馨,李洪福

技術領域

本發明涉及一種船舶領域模型的修正方法，尤其涉及一種基于廣義自組織神經網絡的船舶領域模型的修正方法。

背景技術

海上智能交通交通作為我國科技發展戰略的重要組成部分，已逐漸成為船舶交通和信息科學有效融合的新興交叉研究熱點。而對于海上交通系統的個體船舶行為的研究，則顯得尤為重要。20世紀六七十年代，日本的加藤[1]提出船舶航行安全領域的概念至今，文獻[2][3][4][5]中可知，研究者提出了各種不同形狀、大小的船舶航行安全領域模型。在現代船舶領域中有著廣泛的應用。但是，始終無法形成一個統一的模型，造成上述問題的主要原因有：（1）不同的航行環境的因素導致產生不同形狀、大小的模型；（2）大多數的模型都按照統計數據或模擬實驗的方法形成；（3）現有的模型都易于理解，但卻很難被應用到實際中去。文獻[3][4]提出了一種復雜的六邊形船舶領域模型，用船速和船舶回旋參數確定各邊尺寸，該模型使得避碰情況下的船舶便于采用進化算法對其航跡進行優化，但其復雜程度較高，物理意思較含糊，不便于理解和實際應用。[5]結合船舶轉向性能等因素給出幾種情況下船舶領域邊界的量化方法，船舶的操縱性能在該方法中得到體現，但模型尺寸與影響因素之間的函數關系是人為給定的一種粗略的估算公式。值得注意的是[2]提出的“橫截面積”模型是由前后兩個半橢圓拼合而成，由船舶操縱參數和航行速度等決定，是經典模型之一。

另一方面，模糊系統、神經網絡和模糊神經網絡快速發展，并因其具有非常好的逼近、泛化能力，迅速應用于工業領域中。設計模糊系統、神經網絡和模糊神經網絡時，都必須先確定規則數活隱節點數，同時應用誤差反向傳播的方式學習算法進行訓練。眾所周知，該方法學習速度慢，容易陷入局部極小點。因此，迫切需要找到一個針對實時應用的快速學習方法。為解決上述問題，研究者提出了動態神經網絡。但D-FNN存在以下缺點：

動態模糊神經網絡（DFNN）在輸入空間劃分是用標準高斯函數，其規則中輸入變量的所有高斯函數的寬度都是相同，這一點與現實通常不相符合，特別是當輸入變量具有很不一樣的工作區間時。

動態模糊神經網絡（DFNN）不管其隸屬函數是如何分布的，其隸屬函數與模糊規則的數量都相同。這導致一些隸屬函數嚴重重疊，抽取出的模糊規則難以理解。

動態模糊神經網絡（DFNN）中第一條模糊規則的高斯函數寬度為隨機選取的。

動態模糊神經網絡（DFNN）中存在太多預先設定的參數，且這些參數都缺乏物理意義，從而在選擇這些特定參數時比較困難。對于動態模糊神經網絡（DFNN）輸入量必須進行歸一化和輸出量的反歸一化，這樣將加大計算量，達到較好的逼近效果的時間長。

因此，本發明則基于“橫截面積”模型和自組織模糊神經網絡提出一個新的智能船舶領域的模型。

發明內容

本發明針對以上問題的提出，而研制的一種基于快速在線自組織神經網絡的船舶領域模型的辨識方法，具有如下步驟：

—選定船舶安全區域模型，確定該模型的函數、輸入變量和期望輸出值；

—建立包含輸入層、隸屬函數層、T-范數層和輸出層的動態模糊神經網絡；

—使用包含所述模型的輸入變量和輸出值的訓練數據集，對所述動態模糊神經網絡進行訓練直至達到精度要求；

—將兩艘對應船舶的航行參數，作為輸入變量輸入訓練完畢后的船舶安全區域模型，得到兩艘船舶的船舶安全區域。

所述船舶安全區域模型為橫截面積模型：該模型近似由前后兩個半橢圓拼合而成，該模型的函數如下式所示：