CN107145072A - 船舶舵减横摇自适应控制系统 - Google Patents
船舶舵减横摇自适应控制系统 Download PDFInfo
- Publication number
- CN107145072A CN107145072A CN201710398873.6A CN201710398873A CN107145072A CN 107145072 A CN107145072 A CN 107145072A CN 201710398873 A CN201710398873 A CN 201710398873A CN 107145072 A CN107145072 A CN 107145072A
- Authority
- CN
- China
- Prior art keywords
- rudder
- ship
- roll damping
- control system
- rolling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种船舶舵减横摇自适应控制系统。该系统包括:横摇检测装置、基于神经网络的舵减横摇控制器,舵伺服系统。相较于现有技术,本发明基于横摇运动与艏摇运动耦合的非线性、大干扰随机性、水动力参数摄动时变性等特性,采用基于神经网络的舵减横摇控制器可以有效模拟非线性动力学系统,从而针对横摇检测装置检测的横摇数据生成更加有效地船舵控制信号,进而在不添装减摇装置与系统条件下,有效减小船舶横摇运动、并克服水动力参数变化对减摇系统性能的影响,以及提高控制系统性能的稳定性和鲁棒性。
Description
技术领域
本发明涉及的是船舶控制工程技术领域,具体涉及一种船舶舵减横摇自适应控制系 统。
背景技术
目前工程上使用的船舶自动舵控制系统大多是用来校正控制航向的,并且是基于不 考虑与横摇、横荡之间的非线性耦合影响的单输入、单输出系统设计的控制器。船舶动力学、运动学研究结果发现,舵叶在转动中除了产生校正航向(艏摇)控制力(矩)外, 在舵叶上还会产生非常可观的横摇扶正控制力(矩),这使得在设计自动舵航向控制系 统的同时,很有可能性地利用舵效来设计和实现舵减横摇控制系统。另一方面,船舶在 海上航行时,由于风浪流随机干扰的复杂性,导致船舶六自由度运动姿态随机变化的复 杂性,及水动力参数非线性摄动及时变性,加之螺旋桨等对舵叶上水流流速的影响,使 得基于线性系统理论设计的控制器难以保证控制系统的控制效果和系统性能的稳定性。
鉴于上述问题,目前迫切需要提供一种对船舶控制的稳定性及鲁棒性更好的船舶控 制系统。
发明内容
针对现有技术中的缺陷,本发明提供一种船舶舵减横摇自适应控制系统,以在不添 装减摇装置与系统条件下,有效减小船舶横摇运动、并克服水动力参数变化对减摇系统性能的影响,以及提高控制系统性能的稳定性和鲁棒性。
第一方面,本发明提供的一种船舶舵减横摇自适应控制系统,包括:横摇检测装置、 基于神经网络的舵减横摇控制器,舵伺服系统;其中
其中,所述横摇检测装置检测船舶在运动过程中产生的横摇数据,并将所述横摇数 据发送至所述基于神经网络的舵减横摇控制器;
所述基于神经网络的舵减横摇控制器根据所述横摇数据生成船舵控制信号,并将所 述船舵控制信号发送至所述舵伺服系统;
所述舵伺服系统根据所述船舵控制信号控制船舵的运动,以通过所述船舵实现对船 舶的控制。
可选的,所述横摇数据包括船舶的横摇角,所述船舵控制信号包括船舵的舵角。
可选的,所述基于神经网络的舵减横摇控制器,包括:神经网络辨识器和神经网络控制器;
所述神经网络辨识器根据历史横摇数据和历史船舵控制信号,计算预测横摇数据;
所述神经网络控制器根据所述预测横摇数据、历史横摇数据、历史船舵控制信号和 目标横摇数据生成船舵控制信号。
可选的,所述神经网络辨识器和所述神经网络控制器均包括采用反向传播神经网络 的神经网络辨识器。
可选的,所述神经网络辨识器和所述神经网络控制器均包括采用三层结构反向传播 神经网络的神经网络辨识器。
可选的,所述神经网络辨识器的输入层包括4个节点,隐含层包括9个节点、输出层包括1个节点;
所述神经网络控制器的输入层包括3个节点,隐含层包括7个节点、输出层包括1个节点。
可选的,所述神经网络辨识器的性能指标函数为实际横摇角与输出横摇角的均方差, 所述神经网络控制器的性能指标函数为实际横摇角均方差。
可选的,所述神经网络辨识器和所述神经网络控制器均采用负梯度最速下降法修正 网络权值。
可选的,所述神经网络辨识器和所述神经网络控制器均包括采用列文伯格-马夸尔 特优化算法的神经网络的神经网络辨识器。
可选的,所述神经网络辨识器采用最优梯队下降法或高斯牛顿法优化网络权值。
由上述技术方案可知,本发明提供的一种船舶舵减横摇自适应控制系统,包括:横摇检测装置、基于神经网络的舵减横摇控制器,舵伺服系统。相较于现有技术,本发明 基于横摇运动与艏摇运动耦合的非线性、大干扰随机性、水动力参数摄动时变性等特性, 采用基于神经网络的舵减横摇控制器可以有效模拟非线性动力学系统,从而针对横摇检 测装置检测的横摇数据生成更加有效地船舵控制信号,进而在不添装减摇装置与系统条 件下,有效减小船舶横摇运动、并克服水动力参数变化对减摇系统性能的影响,以及提 高控制系统性能的稳定性和鲁棒性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实 施方式或现有技术描述中所需要使用的附图作简单地介绍。
图1示出了本发明第一实施例所提供的一种船舶舵减横摇自适应控制系统的示意图;
图2示出了本发明第二实施例所提供的一种船舶舵减横摇自适应控制系统结构原理 图;
图3示出了本发明第二实施例所提供的一种船舶舵减横摇自适应控制系统中神经网 络辨识器NNI的示意图;
图4示出了本发明第二实施例所提供的一种船舶舵减横摇自适应控制系统中神经网 络控制器NNC的示意图;
图5示出了本发明第二实施例所提供的一种L-M算法的流程图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更 加清楚地说明本发明的技术方案,因此只是作为示例,而不能以此来限制本发明的保护范围。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明 所属领域技术人员所理解的通常意义。
神经网络是近年来发展起来的智能算法,是一种模拟人脑神经网络结构和功能的技 术系统,可用来有效模拟非线性多变量动力学系统,且具有信息分布存储、并行处理及自学习能力等优点。
借鉴于神经网络技术,本发明提供了一种船舶舵减横摇神经网络控制技术,给出了 舵减横摇神经网络控制器,从而能有效解决系统非线性、参数摄动及建模误差对舵减横摇系统控制器设计时面临的难题,并提高控制系统性能。
本发明针对船舶航行时,基于舵在产生艏摇力(矩)同时,还会产生非常可观的横摇力(矩),加之船舶艏摇、横摇运动对舵效响应具有分频特性,即艏摇运动响应对舵 的低频运动敏感,随着频率的增加而迅速减弱,横摇运动响应频率相对艏摇运动响应频 率而言为高频响应,且在其固有谐摇频率附近会出现响应峰值,相对而言对舵的高频运 动响应比较敏感。从而针对横摇运动与艏摇运动耦合非线性、大干扰随机性、水动力参 数摄动时变性,利用神经网络能有效模拟非线性动力学系统、并行计算和自学习能力等 优点,设计船舶舵减横摇自适应控制系统。
具体的,本发明提供一种船舶舵减横摇自适应控制系统。下面结合附图对本发明的 实施例进行说明。
图1示出了本发明第一实施例所提供的一种船舶舵减横摇自适应控制系统的示意图。 如图1所示,本发明第一实施例提供的一种船舶舵减横摇自适应控制系统,包括:横摇检测装置101、基于神经网络的舵减横摇控制器102,舵伺服系统103;其中
其中,所述横摇检测装置101检测船舶在运动过程中产生的横摇数据,并将所述横摇数据发送至所述基于神经网络的舵减横摇控制器102;
所述基于神经网络的舵减横摇控制器102根据所述横摇数据生成船舵控制信号,并 将所述船舵控制信号发送至所述舵伺服系统103;
所述舵伺服系统103根据所述船舵控制信号控制船舵4的运动,以通过所述船舵4实现对船舶的控制。
在上述第一实施例的一个变更实施方式中,所述横摇数据包括船舶的横摇角,所述 船舵控制信号包括船舵的舵角。
在上述第一实施例的又一个变更实施方式中,所述基于神经网络的舵减横摇控制器 102,包括:神经网络辨识器1021和神经网络控制器1022;
所述神经网络辨识器1021根据历史横摇数据和历史船舵控制信号,计算预测横摇数据;
所述神经网络控制器1022根据所述预测横摇数据、历史横摇数据、历史船舵控制信号和目标横摇数据生成船舵控制信号。
具体而言,舵减横摇控制器102的核心由神经网络控制器1022(NNC)和神经网络辨识器1021(NNI)构成。神经网络辨识器1021在进行系统辨识的同时,还为神经网络控制 器1022提供一个辨识误差反向传播通道,神经网络控制器1022学习时将神经网络辨识 器1021看作输出层,调节权值所需的梯度信号由神经网络辨识器1021反传提供。根据 参数辨识精度和减摇效果反馈值,自动调节神经网络控制器1022参数(通道权值),从 而提高舵减横摇效果和系统抗参数及外部干扰的鲁棒性。
其中,训练NNC的误差信号是给定输入和NNI输出之差,有利于提高NNC的收敛速度。
在上述第一实施例的又一个变更实施方式中,所述神经网络辨识器1021和所述神经网络控制器1022均包括采用反向传播神经网络的神经网络辨识器1021。
在上述第一实施例的又一个变更实施方式中,所述神经网络辨识器1021和所述神经网络控制器1022均包括采用三层结构反向传播神经网络的神经网络辨识器1021。
在上述第一实施例的又一个变更实施方式中,所述神经网络辨识器1021的输入层包括4个节点,隐含层包括9个节点、输出层包括1个节点;
所述神经网络控制器1022的输入层包括3个节点,隐含层包括7个节点、输出层 包括1个节点。
在上述第一实施例的又一个变更实施方式中,所述神经网络辨识器1021的性能指标函数为实际横摇角与输出横摇角的均方差,所述神经网络控制器1022的性能指标函 数为实际横摇角均方差。
在上述第一实施例的又一个变更实施方式中,所述神经网络辨识器1021和所述神经网络控制器1022均采用负梯度最速下降法修正网络权值。
在上述第一实施例的又一个变更实施方式中,所述神经网络辨识器1021和所述神经网络控制器1022均包括采用列文伯格-马夸尔特优化算法的神经网络的神经网络辨识器1021。
在上述第一实施例的又一个变更实施方式中,所述神经网络辨识器1021采用最优梯队下降法或高斯牛顿法优化网络权值。
相较于现有技术,本发明基于横摇运动与艏摇运动耦合的非线性、大干扰随机性、水动力参数摄动时变性等特性,采用基于神经网络的舵减横摇控制器102可以有效模拟 非线性动力学系统,从而针对横摇检测装置101检测的横摇数据生成更加有效地船舵控 制信号,进而在不添装减摇装置与系统条件下,有效减小船舶横摇运动、并克服水动力 参数变化对减摇系统性能的影响,以及提高控制系统性能的稳定性和鲁棒性。
本发明第二实施例提供了一种船舶舵减横摇自适应控制系统的具体实施例,请结合 上述第一实施例进行理解,请参考图2,其为本发明第二实施例所提供的一种船舶舵减横摇自适应控制系统结构原理图,该船舶舵减横摇自适应控制系统的动作顺序为:
(1)测量系统输出φ(k);
(2)计算NNI序列预测输出φm(k+1);
(3)根据φg(k+1)和φm(k+1)之差训练NNC,根据φ(k+1)和φm(k+1)训练NNI;
(4)计算NNC输出的控制信号δg(k+1)。
该船舶舵减横摇自适应控制系统能够在系统参数摄动或存在建模误差情况下,根据 在线观测所积累的系统信息,修正控制器和辨识器的权值、阈值,对系统实施有效控制,保证舵减横摇控制系统的运行性能。
请结合图3,其为本发明第二实施例所提供的一种船舶舵减横摇自适应控制系统中 神经网络辨识器NNI的示意图,所述神经网络辨识器利用前馈反向传播神经网络(“反向传播”的英文叫做Back-Propagation,所以这个算法也常常被学者简称为BP算法, 可在一个紧集上以期望的精度逼近任意函数),具体的,可以选用三层结构前馈神经网 络,输入层为4个节点,隐含层为9个节点,输出层为1个节点。
其中,输入层构成为:
隐含层构成为:
式中,为输入层与隐含层各节点间连接权值;为隐含层节点阈值;为隐含层输出;gi()为隐含层激励函数。
输出层构成为:
式中,为网络输出;为隐含层与输出层各节点连接权值;为输出节点阈值;fi()为输出层激励函数,本专利取为Sigmoid函数。
选取性能指标函数:
采用反向传播BP算法对网络权值修正时的算法为:
式中,η和α分别为学习率和惯性系数,k为迭代步数。
请结合图4,其为本发明第二实施例所提供的一种船舶舵减横摇自适应控制系统中 神经网络控制器NNC的示意图,利用反向传播BP神经网络设计神经网络控制器。输入 层节点数为3,隐含层节点数为7,输出层节点数为1。
输入层结构为:
隐含层结构为:
式中,为输入层与隐含层各节点间连接权值;为隐含层节点阈值;为隐含层输出;fc()为隐含层激励函数,本专利取为Sigmoid函数。
输出层构成为:
式中,u(k)=δg(k)为控制器输出;为隐含层与输出层各节点间连接权值;为输出层节点的阈值;gc()为输出层的激励函数。
选取性能指标函数为:
采用负梯度最速下降法修正网络权值,并添加一个使收敛到极小值的惯性项。
隐含层连接节点权值为:
式中,η和α分别为学习率和惯性系数,k为迭代步数。
请结合图5,其为本发明第二实施例所提供的一种L-M算法的流程图, L-M(Levenberg-Merquardt)优化算法的基本思想是每次迭代不只是沿着单一的负梯度 方向,而是允许误差恶化的方向进行搜索,同时利用最优梯队下降法和高斯牛顿法优化 网络权值,可大大提高收敛速度和泛化能力。
L-M方法(Levenberg—Marquardt)是通过在Hessian矩阵上加一个正定矩阵来进行 分析评估的方法。Levenberg-Marquardt算法是最优化算法中的一种。最优化是寻找使得函数值最小的参数向量。中文为列文伯格-马夸尔特法。是利用梯度求最大(小)值 的算法
定义Merquardt敏感度函数:
敏感性的传递关系为:
可见,敏感性可由最后一层通过网络被反响传播到第一层。
计算雅克比矩阵各元素:
由Δw=(JτJ+uI)-1Jτe求出Δw,用w+Δw重复计算E(k),若新值小于上步中的值,则用u除以θ(θ>1),并有w=w+Δw,转回第一步,否则,用u乘以θ,转回第4步。 当指标函数(误差平方和)减小到期望的某一精度时,则认为收敛,寻优结束。
L-M算法较传统BP算法迭代次数少,收敛速度快,寻优精度高,仿真结果表明,本专利采用L-M算法迭代次数为BP算法的迭代次数八分之一,效果显著。
在本发明提供的一个具体的实施例中,基于上述第一实施例和第二实施例说明,利 用本发明提供的船舶舵减横摇自适应控制系统进行了某船舶在航速30节,海浪有义波高为3m、4m,浪向角为30°、60°、90°、120°、150°航行工况下的仿真验证,结 果表明,利用该船舶舵减横摇自适应控制系统,其减摇率可达百分之五十以上,效果极 其可观。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体 示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材 料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示 意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或 者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的 情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例 或示例的特征进行结合和组合。
需要说明的是,附图中的流程图和框图显示了根据本发明的多个实施例的系统、方 法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一 部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为 替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如, 两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依 所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流 程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现, 或者可以用专用硬件与计算机指令的组合来实现。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划 分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元 或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点, 所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置 或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示 的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是 各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存 储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以 是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部 分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、 随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代 码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其 依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特 征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施 例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种船舶舵减横摇自适应控制系统,其特征在于,包括:横摇检测装置、基于神经网络的舵减横摇控制器,舵伺服系统;其中
其中,所述横摇检测装置检测船舶在运动过程中产生的横摇数据,并将所述横摇数据发送至所述基于神经网络的舵减横摇控制器;
所述基于神经网络的舵减横摇控制器根据所述横摇数据生成船舵控制信号,并将所述船舵控制信号发送至所述舵伺服系统;
所述舵伺服系统根据所述船舵控制信号控制船舵的运动,以通过所述船舵实现对船舶的控制。
2.根据权利要求1所述的船舶舵减横摇自适应控制系统,其特征在于,所述横摇数据包括船舶的横摇角,所述船舵控制信号包括船舵的舵角。
3.根据权利要求1所述的船舶舵减横摇自适应控制系统,其特征在于,所述基于神经网络的舵减横摇控制器,包括:神经网络辨识器和神经网络控制器;
所述神经网络辨识器根据历史横摇数据和历史船舵控制信号,计算预测横摇数据;
所述神经网络控制器根据所述预测横摇数据、历史横摇数据、历史船舵控制信号和目标横摇数据生成船舵控制信号。
4.根据权利要求3所述的船舶舵减横摇自适应控制系统,其特征在于,所述神经网络辨识器和所述神经网络控制器均包括采用反向传播神经网络的神经网络辨识器。
5.根据权利要求4所述的船舶舵减横摇自适应控制系统,其特征在于,所述神经网络辨识器和所述神经网络控制器均包括采用三层结构反向传播神经网络的神经网络辨识器。
6.根据权利要求5所述的船舶舵减横摇自适应控制系统,其特征在于,所述神经网络辨识器的输入层包括4个节点,隐含层包括9个节点、输出层包括1个节点;
所述神经网络控制器的输入层包括3个节点,隐含层包括7个节点、输出层包括1个节点。
7.根据权利要求6所述的船舶舵减横摇自适应控制系统,其特征在于,所述神经网络辨识器的性能指标函数为实际横摇角与输出横摇角的均方差,所述神经网络控制器的性能指标函数为实际横摇角均方差。
8.根据权利要求6所述的船舶舵减横摇自适应控制系统,其特征在于,所述神经网络辨识器和所述神经网络控制器均采用负梯度最速下降法修正网络权值。
9.根据权利要求3所述的船舶舵减横摇自适应控制系统,其特征在于,所述神经网络辨识器和所述神经网络控制器均包括采用列文伯格-马夸尔特优化算法的神经网络的神经网络辨识器。
10.根据权利要求9所述的船舶舵减横摇自适应控制系统,其特征在于,所述神经网络辨识器采用最优梯队下降法或高斯牛顿法优化网络权值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710398873.6A CN107145072A (zh) | 2017-05-31 | 2017-05-31 | 船舶舵减横摇自适应控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710398873.6A CN107145072A (zh) | 2017-05-31 | 2017-05-31 | 船舶舵减横摇自适应控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107145072A true CN107145072A (zh) | 2017-09-08 |
Family
ID=59780337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710398873.6A Pending CN107145072A (zh) | 2017-05-31 | 2017-05-31 | 船舶舵减横摇自适应控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107145072A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107918393A (zh) * | 2017-11-29 | 2018-04-17 | 江汉大学 | 基于深度置信网络的船舶自动舵 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102749849A (zh) * | 2012-07-03 | 2012-10-24 | 西安交通大学 | 一种壳体结构表面变频率特性的主动控制方法 |
CN103901775A (zh) * | 2014-03-06 | 2014-07-02 | 哈尔滨工程大学 | 一种基于t-s模型带有输入约束的舵减横摇模糊控制器及其控制方法 |
CN103895814A (zh) * | 2014-03-28 | 2014-07-02 | 哈尔滨工程大学 | 一种船舶舵减横摇的控制方法 |
CN104238367A (zh) * | 2014-10-11 | 2014-12-24 | 西安交通大学 | 一种基于神经网络的壳体结构表面振动一致性控制方法 |
CN104376388A (zh) * | 2014-12-08 | 2015-02-25 | 国家电网公司 | 一种基于风速因子控制模型的风电超短期功率预测方法 |
CN104527943A (zh) * | 2014-11-17 | 2015-04-22 | 哈尔滨工程大学 | 一种基于能量优化的综合减摇装置双重神经网络自整定pid控制方法 |
CN104538999A (zh) * | 2014-12-03 | 2015-04-22 | 广州市香港科大霍英东研究院 | 一种光伏发电储能系统及其能量调度方法 |
CN105023070A (zh) * | 2015-08-12 | 2015-11-04 | 河海大学常州校区 | 一种光伏系统输出功率预测方法 |
-
2017
- 2017-05-31 CN CN201710398873.6A patent/CN107145072A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102749849A (zh) * | 2012-07-03 | 2012-10-24 | 西安交通大学 | 一种壳体结构表面变频率特性的主动控制方法 |
CN103901775A (zh) * | 2014-03-06 | 2014-07-02 | 哈尔滨工程大学 | 一种基于t-s模型带有输入约束的舵减横摇模糊控制器及其控制方法 |
CN103895814A (zh) * | 2014-03-28 | 2014-07-02 | 哈尔滨工程大学 | 一种船舶舵减横摇的控制方法 |
CN104238367A (zh) * | 2014-10-11 | 2014-12-24 | 西安交通大学 | 一种基于神经网络的壳体结构表面振动一致性控制方法 |
CN104527943A (zh) * | 2014-11-17 | 2015-04-22 | 哈尔滨工程大学 | 一种基于能量优化的综合减摇装置双重神经网络自整定pid控制方法 |
CN104538999A (zh) * | 2014-12-03 | 2015-04-22 | 广州市香港科大霍英东研究院 | 一种光伏发电储能系统及其能量调度方法 |
CN104376388A (zh) * | 2014-12-08 | 2015-02-25 | 国家电网公司 | 一种基于风速因子控制模型的风电超短期功率预测方法 |
CN105023070A (zh) * | 2015-08-12 | 2015-11-04 | 河海大学常州校区 | 一种光伏系统输出功率预测方法 |
Non-Patent Citations (1)
Title |
---|
王瑞: "《船舶动力定位的预测控制研究及其三维仿真平台开发》", 《中国优秀硕士学位论文全文数据库(电子期刊) 工程科技II辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107918393A (zh) * | 2017-11-29 | 2018-04-17 | 江汉大学 | 基于深度置信网络的船舶自动舵 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
El-Keib et al. | Application of artificial neural networks in voltage stability assessment | |
Song et al. | New chaotic PSO-based neural network predictive control for nonlinear process | |
Sivanandam et al. | Introduction to artificial neural networks | |
Huang et al. | Orthogonal least squares algorithm for training cascade neural networks | |
Wang et al. | Simulation with RBF neural network model for reservoir operation rules | |
Yilmaz et al. | A deep learning approach to an airfoil inverse design problem | |
Yedavalli et al. | Sign-stability concept of ecology for control design with aerospace applications | |
Ni et al. | Reinforcement learning control based on multi-goal representation using hierarchical heuristic dynamic programming | |
Zahedi et al. | A review of neuro-fuzzy systems based on intelligent control | |
Rayyes et al. | Learning inverse statics models efficiently with symmetry-based exploration | |
Dai et al. | Hydrodynamic coefficients identification of pitch and heave using multi-objective evolutionary algorithm | |
CN107145072A (zh) | 船舶舵减横摇自适应控制系统 | |
Jorgensen | Direct adaptive aircraft control using dynamic cell structure neural networks | |
CN108448594A (zh) | 微电网频率自适应学习控制方法 | |
Razmi et al. | Neural network based on a genetic algorithm for power system loading margin estimation | |
Cheng et al. | Application of GA-based neural network for attitude control of a satellite | |
Takahashi et al. | Remarks on quaternion neural network-based controller trained by feedback error learning | |
Guan et al. | Robust adaptive recurrent cerebellar model neural network for non-linear system based on GPSO | |
CN109507989A (zh) | 一种无人机传感器故障诊断的方法 | |
Fernández et al. | GMDH algorithm implemented in the intelligent identification of a bioprocess | |
Dadios et al. | Application of neural networks to the flexible pole-cart balancing problem | |
Babri et al. | Deep feedforward networks: application to pattern recognition | |
Timchenko et al. | New Methods of Network Modelling Using Parallel-Hierarchical Networks for Processing Data and Reducing Erroneous Calculation Risk. | |
Al-Mawsawi et al. | Neural network model predictive control (NNMPC) design for UPFC | |
Tairidis et al. | Fuzzy and neuro-fuzzy control for smart structures |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170908 |
|
RJ01 | Rejection of invention patent application after publication |