CN109615063B - 一种基于bp神经网络的潜艇抗沉辅助决策系统 - Google Patents
一种基于bp神经网络的潜艇抗沉辅助决策系统 Download PDFInfo
- Publication number
- CN109615063B CN109615063B CN201811474077.7A CN201811474077A CN109615063B CN 109615063 B CN109615063 B CN 109615063B CN 201811474077 A CN201811474077 A CN 201811474077A CN 109615063 B CN109615063 B CN 109615063B
- Authority
- CN
- China
- Prior art keywords
- submarine
- neural network
- data
- decision
- function
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 54
- 230000006870 function Effects 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000004088 simulation Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000007664 blowing Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 37
- 238000010606 normalization Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000002474 experimental method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 2
- 230000036544 posture Effects 0.000 abstract 2
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012216 screening Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computer Security & Cryptography (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种基于BP神经网络的潜艇抗沉辅助决策系统,选定运用该系统的潜艇,建立潜艇姿态仿真实验平台;构建BP神经网络;利用仿真试验平台获取的数据,对BP神经网络进行离线学习,初步得到BP神经网络程序;辅助决策;将S4中实现辅助决策方案的数据在线收集,形成在线学习样本,使其进入BP神经网络进行学习,使潜艇抗沉辅助决策系统在使用过程中不断学习,最后重复S4,S5;本发明提出了一种基于BP神经网络的潜艇抗沉辅助决策系统,当潜艇出现非正常运行工况,姿态失衡时,该系统能够在很短的时间内给出高压气吹除方案,调整潜艇的姿态,使其在一定程度上能够正常运行,实现辅助决策的功能。
Description
技术领域
本发明涉及一种潜艇抗沉辅助决策系统,尤其涉及一种基于BP神经网络的潜艇抗沉辅助决策系统,属于潜艇抗沉辅助决策领域。
背景技术
21世纪是海洋的世纪,随着陆地资源的过度开发和使用,人类不得不将目光转移到占地球表面积约5/7的海洋中。海洋的地位在人类的生存和发展中变得越来越重要,海洋资源的开发和探索已经上升到海洋资源国家的战略发展高度。我国的国土面积为1260万平方公里,其中海洋面积为299.7万平方公里,由东海、南海、黄海和渤海组成,是当之无愧的海洋大国。
潜艇抗沉性是指潜艇抵抗海损事故危害的防沉和抗沉能力,是组成潜艇生命力的重要部分,也是潜艇能够在事故中存活下来的必要条件。潜艇的抗沉性体现在潜艇的生命力上,总的来说包括两个方面,从广义角度来说包括损害前的规避能力以及发生损害后的抗损性等,从狭义角度说是潜艇抵制安全事故,最大限度的保持潜艇航行性能的能力。大多数潜艇事故都是人为造成的,在潜艇遭遇紧急情况时,指挥人员的决策能力较正常情况下是有限的,而且潜艇的最佳自救时间很短,如不采取措施,或者采取错误的措施,可能在几十秒甚至几秒内就倾覆。在这种情况下,操作人员根本无暇顾及数值分析结果,最终决策主要取决于自身的经验和主观臆断。
发明内容
本发明的目的是为了解决指挥人员在紧急情况下决策失误的影响而提供一种基于BP神经网络的潜艇抗沉辅助决策系统。
本发明的目的是这样实现的:
一种基于BP神经网络的潜艇抗沉辅助决策系统,包括如下步骤:
S1、选定运用该系统的潜艇,建立潜艇姿态仿真实验平台;
S2、构建BP神经网络;
S3、利用仿真试验平台获取的数据,对BP神经网络进行离线学习,初步得到BP神经网络程序;
S4、辅助决策:通过程序应用,得出未知姿态下高压气吹除方案来进行姿态调整,使潜艇正常运行实现辅助决策的功能;
S5、将S4中实现辅助决策方案的数据在线收集,形成在线学习样本,使其进入BP神经网络进行学习,使潜艇抗沉辅助决策系统在使用过程中不断学习,最后重复S4,S5。
本发明还包括这样一些特征:
1.所述步骤S1具体为:
S11、选定预搭载抗沉辅助决策系统的潜艇,固定坐标系E-ξηζ固定在地面,指向北、东和地面方向,为固定坐标系;随体坐标系O-xyz的原点与潜艇重心一致,随潜艇移动,为随体坐标系,以潜艇的前进方向为x轴,平移方向为y轴,下潜方向为z轴,纵倾方向q绕y轴,横滚方向p绕x轴,首摇方向r绕z轴;
S12、将潜艇各个舱室进行编号,左舷艏部第一个舱室标号为-1,从艏到艉依次减一,右舷艏部第一个舱室编号为1,从艏到艉依次加一,依此类推;
S13、在50米水深范围内,模拟潜艇1舱室进水,通过传感器记录潜艇在破损1秒后的横倾角、纵倾角、纵坐标变化值、深度以及进水量,然后用高压气吹除对应舱室压载水,使其恢复平衡,记录高压气的吹除方案,然后依次测定不同舱室进水的情况,记录相关数据,将得到的各组数据进行保存;
S14、每间隔50米的水深重复以上实验,记录相关数据;
S15、将得到的各组数据进行保存,剔除潜艇倾覆状况下的数据,得到了潜艇的BP神经网络训练数据;
2.所述步骤S2采用具有监督学习的方式来完成算法模型的构建,在建立算法模型的时候,建立一个学习过程,学习数据的内在结构以便得到期望的方案;
3.所述步骤S3具体为:
S31、对数据进行归一化处理,将所得数据进行归一化处理,映射到一个较小的区间,例如[0,1]、防止神经网络因为输入数据的范围不一致而导致收敛速度受到影响;
S32、选择各个函数,首先选择激活函数,本次神经网络模型在隐藏层传输函数用S型激活函数,输出层的传输函数选用线性激活函数,然后对训练函数的选择应用动量—自适应学习速率函数traingdx;
S33、是选择网络层数和隐藏节点数,在保证一定精度的前提下,优先考虑采用尽可能少的隐藏层节点数;
S34、进行模型初始化和仿真;
4.所述步骤S31具体为:采用极值化方法:
xi表示某一物理量的数值;
max表示某一物理量的数值中的最大值;
min表示某一物理量的数值中的最小值;
即每一个变量与变量最小值之差除以该变量取值的全距,标准化后各变量的取值范围限于[0,1]。
与现有技术相比,本发明的有益效果是:
本发明提出了一种基于BP神经网络的潜艇抗沉辅助决策系统,当潜艇出现非正常运行工况,姿态失衡时,该系统能够在很短的时间内给出高压气吹除方案,调整潜艇的姿态,使其在一定程度上能够正常运行,实现辅助决策的功能;
对于潜艇指挥员来说,通过仪器获取潜艇任意航行过程中的横倾角,纵倾角,纵坐标变化值,进水量,水深等信息,自动输入潜艇抗沉辅助决策系统,就得到了高压气的使用方案,自动快速的调整潜艇的姿态,使其正常运行,达到辅助决策的目的;
BP神经网络结构与所测得的潜艇姿态实验的变量应该相匹配,所述的检测量有五个,故神经网络结构的输入量应为五个,分别是横倾角,纵倾角,纵坐标变化值,进水量,水深,输出量为两个,分别是高压气的使用量以及作用位置,两个隐藏层;
采取潜艇舱室编号的方法是将潜艇划分为一个一个小的单元,便于实验时数据的采集,也更有利于输出时高压气方案的表示,提高的系统的运行速度和抗沉辅助决策方案的表示清晰度;
对数据进行归一化处理的目的是消除数据不同量纲和范围之间的差别,提高神经网络收敛的速度以及神经网络训练的精度;
本发明特别适用于紧急情况下的抗沉处理。在潜艇遭遇安全事故的紧急情况下,潜艇上的指挥人员很难保持正常情况下的理性状态做出准确地决策,而且此时需要考虑的因素既多且杂,本发明将潜艇失事时的状态量化为五个可以通过设备测得的量,然后通过潜艇抗沉辅助决策系统来输出高压气的作用部位和作用量来进行姿态调整,使潜艇在短时间内达到平衡,实现辅助决策的功能。
附图说明
图1是本发明的整体流程图;
图2是本发明所用的坐标系图;
图3是本发明的潜艇舱室编号图;
图4是本发明的BP神经网络训练算法流程图;
图5是本发明的BP神经网络结构图;
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
结合图1-5:本发明所述的一种基于BP神经网络的潜艇抗沉辅助决策系统,该系统基于建立的BP神经网络学习模型,通过对潜艇姿态的分析,判断潜艇是否处于正常工况中,进而调整潜艇的姿态,实现辅助决策的功能。
如图1所示,所述的方法具体包括如下步骤,
S1,选定运用该系统的潜艇,建立潜艇姿态仿真实验平台,结合该仿真实验平台,收集潜艇姿态变化时的横倾角,纵倾角,纵坐标变化值,进水量,水深以及调整姿态时所用高压气的具体使用方案,对其进行整合和筛选,使其可进入模型;
S2,构建BP神经网络,采用具有监督学习的方式构建算法模型;
S3,利用仿真试验平台获取的数据,对BP神经网络进行离线学习,初步得到BP神经网络程序;
S4,辅助决策,通过程序应用,得出未知姿态下高压气吹除方案来进行姿态调整,使潜艇正常运行实现辅助决策的功能;
S5,在线学习,在线收集S5中实现辅助决策方案的数据,形成在线学习样本,使其进入BP神经网络进行学习,也即在线学习,使潜艇抗沉辅助决策系统在使用过程中不断学习,更加符合实际使用工况,最后重复S4,S5。
步骤S1又分别包括以下具体步骤,
S11,选定预搭载抗沉辅助决策系统的潜艇,如图2所示,固定坐标系E-ξηζ固定在地面,指向北、东和地面方向,为固定坐标系。随体坐标系O-xyz的原点与潜艇重心一致,随潜艇移动,为随体坐标系。以潜艇的前进方向为x轴,平移方向为y轴,下潜方向为z轴。纵倾方向q绕y轴,横滚方向p绕x轴,首摇方向r绕z轴;
S12,将潜艇各个舱室进行编号,例如左舷艏部第一个舱室标号为-1,从艏到艉依次减一,右舷艏部第一个舱室编号为1,从艏到艉依次加一,依此类推;
S13,在一定水深范围内(以50米为标准),模拟潜艇1舱室进水,通过传感器记录潜艇在破损1秒后的横倾角,纵倾角,纵坐标变化值,深度以及进水量,然后用高压气吹除对应舱室压载水,使其恢复平衡,记录高压气的吹除方案,然后依次测定不同舱室进水的情况,记录相关数据,将得到的各组数据进行保存;
S14,在不同水深情况下(以50米为间隔),重复以上实验,记录相关数据;
S15,将得到的各组数据进行保存,剔除潜艇倾覆状况下的数据,得到了潜艇的BP神经网络训练数据。
具体实施例中,潜艇舱室的编号如图3所示,,分为左舷,右舷,艏,艉四个部分,分别编号为-1,-2,-3,-4,-5,-6,1,2,3,4,5,6,采取潜艇舱室编号方法是将了潜艇简化为一个一个小的单元,便于实验时数据的采集,也更有利于输出时高压气方案的表示,提高的系统的运行速度和方案的表示清晰度。
步骤S2采用具有监督学习的方式来完成算法模型的构建,在建立算法模型的时候,建立一个离线学习与在线学习相结合的学习过程,通过离线学习初步确定神经网络中的各项参数,完成基本训练,在实际应用过程中通过在线学习,不断调整内部参数,使其更加适应于实际工况中的应用,,学习数据的内在结构以便得到期望的方案;
BP神经网络算法由信号的正向传播和误差的反向传播两个过程组成。正向传播时,传播方向为输入层到隐层到输出层,每层神经元的状态只影响下一层神经元。若在输出层得不到期望的方案,则转向误差信号的反向传播流程,经过信号的正向传播和误差的反向传播,权值和阈值反复进行调整,一直进行到预先设定的学习训练次数或输出误差减小到允许的程度。具体的BP神经网络算法流程图如图4所示。
由于S1测得的潜艇的未知量是五个,S4高压气的使用方案中控制量为两个,神经网络的结构与未知量和控制量应该一一对应,故在本实施例中输入量应为五个,分别是横倾角,纵倾角,纵坐标变化值,进水量,水深,输出量为两个,分别是高压气的使用量以及作用位置,两个隐藏层,具体如图5所示。
步骤S3可进一步具体为,
S31,对数据进行归一化处理,将所得数据进行归一化处理,映射到一个较小的区间,例如[0,1]。防止神经网络因为输入数据的范围不一致而导致收敛速度受到影响;
S32,,选择各个函数,首先选择激活函数,本次神经网络模型在隐藏层传输函数用S型激活函数,输出层的传输函数选用线性激活函数,然后对训练函数的选择应用动量—自适应学习速率函数traingdx;
S33,选择网络层数和隐藏节点数,在保证一定精度的前提下,优先考虑采用尽可能少的隐藏层节点数;
S34,进行模型初始化和仿真。
在上述步骤完成后,采集一组包括潜艇破损舱室位置标号,横倾角,纵倾角,进水量,深度的信息用于潜艇辅助决策系统,输出决策结果,即高压气的作用舱室位置以及使用量,采取此套方案后,查看潜艇的姿态情况,确定BP神经网络学习后的精确性,如若与期望输出差别较大,则重复S3进行离线学习。
对上述步骤中对数据进行归一化因为每组数据都是表征不同的物理量,单位各不相同,故采用的是去量纲归一化,本发明由于样本足够多,故采用极值化方法:
xi表示某一物理量的数值;
max表示某一物理量的数值中的最大值;
min表示某一物理量的数值中的最小值。
即每一个变量与变量最小值之差除以该变量取值的全距,标准化后各变量的取值范围限于[0,1]。
在本具体实施例中,保存每次测量所得的五个未知数据(五个数据的排列顺序固定不变),保存的数据格式是txt。在实施例中对每组数据进行归一化,如测得一组数据横倾角,纵倾角,纵坐标变化值,编号,水深分别为(Π/30,Π/20,1,2,500),而在整个样本中其最大值分别为(Π/6,Π/12,4,6,5000),最小值分别为(0,0,0,-6,0),故按照极值化方法对该组数据进行归一化为(1/5,3/5,1/4,2/3,1/10),依次类推,其他组数据都按照相同方法进行处理,处理完成后将其存在EXCEL中进行存储。这样处理的目的是消除数据不同量纲和范围之间的差别,提高神经网络收敛的速度以及神经网络训练的精度。
当S3完成后,使潜艇搭载一种基于BP神经网络的潜艇抗沉辅助决策系统,当潜艇遭遇紧急情况时,该系统能够做出快速反应(理论时间是1秒),当人处于危险的情况当中,人的动作,思维都会变得迟缓,很难保持正常情况下的理性状态做出准确地决策,而且此时需要考虑的因素既多且杂,此时通过该系统可以考虑到各种因素,快速给出此时最合适的高压气使用方案,调整潜艇姿态,达到辅助决策的目的。
当上述步骤完成后,得到了一组潜艇在线学习的样本数据,使其进入神经网络进行训练,在线调整神经网络中的权值,使其更加贴合实际工况,输出的方案更加合理,最后重复S4,S5。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
综上所述:发明涉及一种基于BP神经网络的潜艇抗沉辅助决策系统,该系统选定坐标系后,通过横倾角,纵倾角,纵坐标变化值,进水量,水深,对潜艇运行工况进行分析,若潜艇工作异常,则通过BP神经网络模型制定高压气吹除方案,实现辅助决策的功能。实现该系统的具体步骤包括:S1,选定运用该系统的潜艇,建立潜艇姿态仿真实验平台,结合该平台,收集潜艇姿态变化时的横倾角,纵倾角,纵坐标变化值,进水量,水深以及调整姿态时所用高压气的具体使用方案,对其进行整合和筛选,使其可进入模型;S2,构建BP神经网络,采用具有监督学习的方式构建算法模型;S3,利用仿真试验平台获取的数据,对BP神经网络进行离线学习,初步得到BP神经网络程序;S4,辅助决策,通过程序应用,得出未知姿态下高压气吹除方案来进行姿态调整,使潜艇正常运行实现辅助决策的功能;S5,在线学习,将S5中实现辅助决策方案的数据在线收集,形成学习样本,使其进入BP神经网络进行学习,也即在线学习,使潜艇抗沉辅助决策系统在使用过程中不断学习,更加适用于实际工况,最后重复S4,S5。本发明不仅适用于潜艇在紧急情况下的快速决策,还适用于各类水下机器人。
Claims (7)
1.一种基于BP神经网络的潜艇抗沉辅助决策系统,其特征是,包括如下步骤:
S1、选定运用该系统的潜艇,建立潜艇姿态仿真实验平台;所述仿真实验平台的输入量应为五个,分别是横倾角,纵倾角,纵坐标变化值,进水量,水深;
S2、构建BP神经网络;
S3、利用仿真试验平台获取的数据,对BP神经网络进行离线学习,初步得到BP神经网络程序;
S4、辅助决策:通过程序应用,得出未知姿态下高压气吹除方案来进行姿态调整,使潜艇正常运行实现辅助决策的功能;所述未知姿态下高压气吹除方案中控制量有两个,分别为高压气的使用量以及作用位置;
S5、将S4中实现辅助决策方案的数据在线收集,形成在线学习样本,使其进入BP神经网络进行学习,使潜艇抗沉辅助决策系统在使用过程中不断学习,最后重复S4,S5。
2.根据权利要求1所述的基于BP神经网络的潜艇抗沉辅助决策系统,其特征是,所述步骤S1具体为:
S11、选定预搭载抗沉辅助决策系统的潜艇,固定坐标系E-ξηζ固定在地面,指向北、东和地面方向,为固定坐标系;随体坐标系O-xyz的原点与潜艇重心一致,随潜艇移动,为随体坐标系,以潜艇的前进方向为x轴,平移方向为y轴,下潜方向为z轴,纵倾方向q绕y轴,横滚方向p绕x轴,首摇方向r绕z轴;
S12、将潜艇各个舱室进行编号,左舷艏部第一个舱室标号为-1,从艏到艉依次减一,右舷艏部第一个舱室编号为1,从艏到艉依次加一,依此类推;
S13、在50米水深范围内,模拟潜艇1舱室进水,通过传感器记录潜艇在破损1秒后的横倾角、纵倾角、纵坐标变化值、深度以及进水量,然后用高压气吹除对应舱室压载水,使其恢复平衡,记录高压气的吹除方案,然后依次测定不同舱室进水的情况,记录相关数据,将得到的各组数据进行保存;
S14、每间隔50米的水深重复以上实验,记录相关数据;
S15、将得到的各组数据进行保存,剔除潜艇倾覆状况下的数据,得到了潜艇的BP神经网络训练数据。
3.根据权利要求1或2所述的基于BP神经网络的潜艇抗沉辅助决策系统,其特征是,所述步骤S2采用具有监督学习的方式来完成算法模型的构建,在建立算法模型的时候,建立一个学习过程,学习数据的内在结构以便得到期望的方案。
4.根据权利要求1或2所述的一种基于BP神经网络的潜艇抗沉辅助决策系统,其特征是,所述步骤S3具体为:
S31、对数据进行归一化处理,将所得数据进行归一化处理,映射到一个较小的区间,所述较小的区间为[0,1];
S32、选择各个函数,首先选择激活函数,本次神经网络模型在隐藏层传输函数用S型激活函数,输出层的传输函数选用线性激活函数,然后对训练函数的选择应用动量—自适应学习速率函数traingdx;
S33、是选择网络层数和隐藏节点数,在保证一定精度的前提下,优先考虑采用尽可能少的隐藏层节点数;
S34、进行模型初始化和仿真。
5.根据权利要求3所述的一种基于BP神经网络的潜艇抗沉辅助决策系统,其特征是,所述步骤S3具体为:
S31、对数据进行归一化处理,将所得数据进行归一化处理,映射到一个较小的区间,所述较小的区间为[0,1];
S32、选择各个函数,首先选择激活函数,本次神经网络模型在隐藏层传输函数用S型激活函数,输出层的传输函数选用线性激活函数,然后对训练函数的选择应用动量—自适应学习速率函数traingdx;
S33、是选择网络层数和隐藏节点数,在保证一定精度的前提下,优先考虑采用尽可能少的隐藏层节点数;
S34、进行模型初始化和仿真。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811474077.7A CN109615063B (zh) | 2018-12-04 | 2018-12-04 | 一种基于bp神经网络的潜艇抗沉辅助决策系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811474077.7A CN109615063B (zh) | 2018-12-04 | 2018-12-04 | 一种基于bp神经网络的潜艇抗沉辅助决策系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109615063A CN109615063A (zh) | 2019-04-12 |
CN109615063B true CN109615063B (zh) | 2022-08-23 |
Family
ID=66005331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811474077.7A Active CN109615063B (zh) | 2018-12-04 | 2018-12-04 | 一种基于bp神经网络的潜艇抗沉辅助决策系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109615063B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111142170B (zh) * | 2020-02-25 | 2021-07-02 | 中国地质大学(北京) | 一种基于重力梯度极值点的潜艇位置探测方法 |
CN114973061B (zh) * | 2022-04-24 | 2023-06-23 | 哈尔滨工程大学 | 基于深度学习方法的辅助抗沉决策模型生成方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013120358A1 (zh) * | 2012-02-17 | 2013-08-22 | Sun Lei | 轮船防沉装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104925237B (zh) * | 2015-06-17 | 2017-02-22 | 中国人民解放军海军工程大学 | 一种基于舰船倾斜原因分类的船体扶正方法 |
-
2018
- 2018-12-04 CN CN201811474077.7A patent/CN109615063B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013120358A1 (zh) * | 2012-02-17 | 2013-08-22 | Sun Lei | 轮船防沉装置 |
Non-Patent Citations (1)
Title |
---|
The Influence of Different Factors on the Dynamic Anti-sinking Capacity of Submarines;Rui Luo et al.;《Paper presented at the The Twenty-fourth International Ocean and Polar Engineering Conference》;20140615;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109615063A (zh) | 2019-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104268625B (zh) | 一种基于海洋环境信息的自主式水下潜器航迹预测方法 | |
CN108319293B (zh) | 一种基于lstm网络的uuv实时避碰规划方法 | |
CN108334677B (zh) | 一种基于gru网络的uuv实时避碰规划方法 | |
CN108711312B (zh) | 基于bp神经网络的船舶与静态物标碰撞风险预判方法 | |
CN109540151A (zh) | 一种基于强化学习的auv三维路径规划方法 | |
CN112034711B (zh) | 一种基于深度强化学习的无人艇抗海浪干扰控制方法 | |
CN109345875B (zh) | 一种提高船舶自动识别系统测量精度的估计方法 | |
CN107255923A (zh) | 基于rbf辨识的ica‑cmac神经网络的欠驱动无人艇航迹跟踪控制方法 | |
CN109615063B (zh) | 一种基于bp神经网络的潜艇抗沉辅助决策系统 | |
CN105446821A (zh) | 一种基于改进神经网络的智能水下机器人推进器故障诊断方法 | |
Sutton et al. | Adaptive navigation systems for an unmanned surface vehicle | |
Moreira et al. | Recursive neural network model of catamaran manoeuvring | |
CN110646574B (zh) | 基于无人船的水质电导率自主检测系统及方法 | |
CN106295503A (zh) | 区域卷积神经网络的高分辨率遥感影像舰船目标提取方法 | |
CN104392138B (zh) | 一种船舶破舱进水应急决策辅助方法 | |
CN104316025A (zh) | 一种基于船体姿态信息估计海浪浪高的系统 | |
CN110937076B (zh) | 一种基于双通道参数的模型预测设计的船舶舒适度控制系统及其控制方法 | |
CN104787260A (zh) | 一种基于融合滤波器的水翼双体船纵向姿态估计方法 | |
CN110320805A (zh) | 一种船舶自动靠泊非线性神经网络控制方法及系统 | |
CN115265532A (zh) | 一种用于船用组合导航中的辅助滤波方法 | |
CN110487275A (zh) | 一种基于最小上限滤波的gps/ins组合导航定位方法 | |
CN109618288A (zh) | 基于深度卷积神经网络的无线传感网距离测量系统及方法 | |
CN115258093B (zh) | 一种欠驱商船自主靠离泊测试方法及系统 | |
CN113501114B (zh) | 一种基于深潜器无动力下潜实时信息的深海海流计算方法 | |
CN112199792B (zh) | 一种微小型水下机器人多学科优化设计方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |