[發(fā)明專利]一種基于在線自組織神經(jīng)網(wǎng)絡(luò)的船舶領(lǐng)域模型的辨識方法

有效

• 申請?zhí)枺?/td>: 201310116653.1
• 申請日: 2013-04-03
• 公開（公告）號: CN103177290B
• 公開（公告）日: 2017-05-03
• 發(fā)明（設(shè)計(jì)）人: 王寧;劉剛健;董諾;汪旭明;孟凡超;孫樹蕾
• 申請（專利權(quán)）人: 大連海事大學(xué)
• 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(zé)任公司21212
• 代理人: 李馨,李洪福

技術(shù)領(lǐng)域

本發(fā)明涉及一種船舶領(lǐng)域模型的修正方法，尤其涉及一種基于在線自組織神經(jīng)網(wǎng)絡(luò)的船舶領(lǐng)域模型的辨識方法。

背景技術(shù)

海上智能交通交通作為我國科技發(fā)展戰(zhàn)略的重要組成部分，已逐漸成為船舶交通和信息科學(xué)有效融合的新興交叉研究熱點(diǎn)。而對于海上交通系統(tǒng)的個(gè)體船舶行為的研究，則顯得尤為重要。20世紀(jì)六七十年代，日本的加藤[1]提出船舶航行安全領(lǐng)域的概念至今，文獻(xiàn)[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(lǐng)域模型。在現(xiàn)代船舶領(lǐng)域中有著廣泛的應(yīng)用。但是，始終無法形成一個(gè)統(tǒng)一的模型，造成上述問題的主要原因有：（1）不同的航行環(huán)境的因素導(dǎo)致產(chǎn)生不同形狀、大小的模型；（2）大多數(shù)的模型都按照統(tǒng)計(jì)數(shù)據(jù)或模擬實(shí)驗(yàn)的方法形成；（3）現(xiàn)有的模型都易于理解，但卻很難被應(yīng)用到實(shí)際中去。文獻(xiàn)[3][4]提出了一種復(fù)雜的六邊形船舶領(lǐng)域模型，用船速和船舶回旋參數(shù)確定各邊尺寸，該模型使得避碰情況下的船舶便于采用進(jìn)化算法對其航跡進(jìn)行優(yōu)化，但其復(fù)雜程度較高，物理意思較含糊，不便于理解和實(shí)際應(yīng)用。[5]結(jié)合船舶轉(zhuǎn)向性能等因素給出幾種情況下船舶領(lǐng)域邊界的量化方法，船舶的操縱性能在該方法中得到體現(xiàn)，但模型尺寸與影響因素之間的函數(shù)關(guān)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(gè)半橢圓拼合而成，由船舶操縱參數(shù)和航行速度等決定，是經(jīng)典模型之一。

另一方面，模糊系統(tǒng)、神經(jīng)網(wǎng)絡(luò)和模糊神經(jīng)網(wǎng)絡(luò)快速發(fā)展，并因其具有非常好的逼近、泛化能力，迅速應(yīng)用于工業(yè)領(lǐng)域中。設(shè)計(jì)模糊系統(tǒng)、神經(jīng)網(wǎng)絡(luò)和模糊神經(jīng)網(wǎng)絡(luò)時(shí)，都必須先確定規(guī)則數(shù)活隱節(jié)點(diǎn)數(shù)，同時(shí)應(yīng)用誤差反向傳播的方式學(xué)習(xí)算法進(jìn)行訓(xùn)練。眾所周知，該方法學(xué)習(xí)速度慢，容易陷入局部極小點(diǎn)。因此，迫切需要找到一個(gè)針對實(shí)時(shí)應(yīng)用的快速學(xué)習(xí)方法。為解決上述問題，研究者提出了動態(tài)神經(jīng)網(wǎng)絡(luò)。但D-FNN存在以下缺點(diǎn)：

動態(tài)模糊神經(jīng)網(wǎng)絡(luò)（DFNN）在輸入空間劃分是用標(biāo)準(zhǔn)高斯函數(shù)，其規(guī)則中 輸入變量的所有高斯函數(shù)的寬度都是相同，這一點(diǎn)與現(xiàn)實(shí)通常不相符合，特別是當(dāng)輸入變量具有很不一樣的工作區(qū)間時(shí)。

動態(tài)模糊神經(jīng)網(wǎng)絡(luò)（DFNN）不管其隸屬函數(shù)是如何分布的，其隸屬函數(shù)與模糊規(guī)則的數(shù)量都相同。這導(dǎo)致一些隸屬函數(shù)嚴(yán)重重疊，抽取出的模糊規(guī)則難以理解。

動態(tài)模糊神經(jīng)網(wǎng)絡(luò)（DFNN）中第一條模糊規(guī)則的高斯函數(shù)寬度為隨機(jī)選取的。

動態(tài)模糊神經(jīng)網(wǎng)絡(luò)（DFNN）中存在太多預(yù)先設(shè)定的參數(shù)，且這些參數(shù)都缺乏物理意義，從而在選擇這些特定參數(shù)時(shí)比較困難。對于動態(tài)模糊神經(jīng)網(wǎng)絡(luò)（DFNN）輸入量必須進(jìn)行歸一化和輸出量的反歸一化，這樣將加大計(jì)算量，達(dá)到較好的逼近效果的時(shí)間長。

因此，本發(fā)明則基于“橫截面積”模型和自組織模糊神經(jīng)網(wǎng)絡(luò)提出一個(gè)新型智能船舶領(lǐng)域的模型。

發(fā)明內(nèi)容

本發(fā)明針對以上問題的提出，而研制的一種基于在線自組織神經(jīng)網(wǎng)絡(luò)的船舶領(lǐng)域模型的辨識方法，具有如下步驟：

—選定船舶安全區(qū)域模型，確定該模型的函數(shù)、輸入變量和期望輸出值；

—建立包含輸入層、隸屬函數(shù)層、T-范數(shù)層和輸出層的動態(tài)模糊神經(jīng)網(wǎng)絡(luò)；

—使用包含所述模型的輸入變量和輸出值的訓(xùn)練數(shù)據(jù)集，對所述動態(tài)模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練直至達(dá)到精度要求；

—將兩艘對應(yīng)船舶的航行參數(shù)，作為輸入變量輸入訓(xùn)練完畢后的船舶安全區(qū)域模型，得到兩艘船舶的船舶安全區(qū)域。

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

其中，R_bf、R_ba和S_b分別代表區(qū)域的前、后橢圓的半徑和橫截半徑，T₉₀為船舶轉(zhuǎn)向90度所需的時(shí)間、D_T為回轉(zhuǎn)直徑、s與t為環(huán)境參數(shù)；

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(biāo)船船速；α^k代表兩船夾角。

所述的動態(tài)模糊神經(jīng)網(wǎng)絡(luò)具體包括：

輸入層：具有多個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)代表一個(gè)輸入的語言變量；

隸屬函數(shù)層：具有多個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)代表一個(gè)隸屬函數(shù)，所述隸屬函數(shù)使用高斯函數(shù)表述如下：