[發明專利]一種基于在線自組織神經網絡的船舶領域模型的辨識方法

有效

• 申請號: 201310116653.1
• 申請日: 2013-04-03
• 公開（公告）號: CN103177290B
• 公開（公告）日: 2017-05-03
• 發明（設計）人: 王寧;劉剛健;董諾;汪旭明;孟凡超;孫樹蕾
• 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

1.一種基于在線自組織模糊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；

—將本船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，得到本船的船舶航行安全區域；

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：

其中，R_bf、R_ba和S_b分別代表區域的前、后橢圓的半徑和橫截半徑，T₉₀為船舶轉向90度所需的時間、D_T為回轉直徑、s與t為環境參數；

輸入變量為：P^k＝[L^k，B^k，U₁^k，U₂^k，α^k]，期望輸出為：k＝1，2......n，U₂^k代表目標船船速；α^k代表兩船夾角；為本船速；

針對橫截面積模型的三個變量構建三個獨立的在線自組織神經網絡：

其中，L、B、U分別代表船舶的長、寬和速度，a為船舶夾角。

2.根據權利要求1所述的一種基于在線自組織模糊神經網絡的船舶領域模型的辨識方法，其特征還在于：所述的動態模糊神經網絡具體包括：

輸入層：具有多個節點，每個節點代表一個輸入的語言變量；

隸屬函數層：具有多個節點，每個節點代表一個隸屬函數，所述隸屬函數使用高斯函數表述如下：

其中，i＝1,2......r，j＝1,2......u，其中μ_ij為x_i的第j個隸屬函數，c_ij是x_i的第j個高斯函數的中心，σ_ij^L,σ_ij^R分別代表x_i的第j個隸屬函數的左右寬度，r是輸入變量數，u是系統總的規則數，x代表一個輸入的語言變量，x＝[x₁,x₂,......,x_i]，x_i表示x在第i維上的數值；

T-范數層：具有多個節點，每個節點代表一個可能的模糊規則的IF-部分，第j個規則的輸出為：

其中

輸出層：至少具有一個節點，該層中的每個節點分別表示一個輸出變量，該輸出是所有輸入信號的疊加：

y是輸出變量，ω_j是THEN-部分，對于TSK模型：ω_j＝α_0j+α_1jx₁+α_2jx₂,......,+α_ijx_r，j＝1,2，......，u，α_ij為TSK模型中的矩陣元素；

所述動態模糊神經網絡訓練包含如下步驟：

—用非對稱高斯函數計算數據對各個高斯中心的隸屬度，期望精度k_e與可容納有效半徑k_d，k_e＝max{e_maxβ^k-1,e_min}，k_d＝max{d_maxγ^k-1,d_min}；

—計算系統誤差：||e^k||＝||t^k-y^k||；計算馬氏距離：

其中并找到最小馬氏距離d_min，找出離樣本最近的GEBF節點；

當(1)||e_i||>k_e,d_min>k_d時，需要增加一條模糊規則；

(2)||e_i||≤k_e,d_min≤k_d時，廣義自組織神經網絡可以完全容納該數據；

(3)||e_i||≤k_e,d_min>k_d時，廣義自組織神經網絡具有較好的泛化能力只需調整結果參數；

(4)||e_i||>k_e,d_min≤k_d時，調整覆蓋該數據的RBF節點以及更新結果參數；

—定義誤差下降率：

運用線性回歸方程T＝ΨA+E及QR分解Ψ＝PQ，其中T：期望輸出向量；A：權向量；Ψ：回歸矩陣；E誤差向量；P：正交矩陣，P∈R^n*v；Q：上三角矩陣，Q∈R^v*v；

err∈R^1*(r+1)v；將err轉換為：ERR＝[ρ₁,ρ₂,…ρ_u],ERR∈R^(r+1)*u；

定義并計算每條規則的靈敏性：

判斷：若sig_j>k_s，則刪除第j條規則，其中k_s為預定義參數，為判斷靈敏度的參數；

—反復訓練，直到網絡輸出誤差達到要求，結束訓練，當有障礙物或者其他船舶進入到所得到的船舶安全領域時，船舶駕駛員可以根據得到的數據來判斷本船新的航行軌跡，避免發生碰撞。

3.根據權利要求2所述的一種基于在線自組織模糊神經網絡的船舶領域模型的辨識方法，其特征還在于：訓練得到動態模糊神經網絡后，使用檢驗數據集檢驗動態神經網絡的性能：分別對R_bf、R_ba和S_b作均方根誤差，表示本動態模糊神經網絡的性能。