RU2519315C2 - Method for automatic control of heading of ship and intelligent system for realising said method - Google Patents
Method for automatic control of heading of ship and intelligent system for realising said method Download PDFInfo
- Publication number
- RU2519315C2 RU2519315C2 RU2012132893/11A RU2012132893A RU2519315C2 RU 2519315 C2 RU2519315 C2 RU 2519315C2 RU 2012132893/11 A RU2012132893/11 A RU 2012132893/11A RU 2012132893 A RU2012132893 A RU 2012132893A RU 2519315 C2 RU2519315 C2 RU 2519315C2
- Authority
- RU
- Russia
- Prior art keywords
- data
- control
- neural network
- vessel
- heading
- Prior art date
Links
Images
Abstract
Description
Группа изобретений относится к способам и системам автоматического управления судном по курсу, а именно к способу и интеллектуальной системе управления судном по курсу, объединяющих в себе преимущества нейросетевых систем и систем управления на основе нечеткой логики.The group of inventions relates to methods and systems for automatic control of a vessel along the course, namely, to a method and intellectual system for controlling the vessel along the course, combining the advantages of neural network systems and control systems based on fuzzy logic.
Все существующие системы автоматического управления (САУ) судном по курсу, независимо от конструкции отдельных элементов, работают по принципу отклонения, т.е. в системе непрерывно сравниваются действительное и заданное значения курса, и вырабатывается сигнал управления. Под действием этого сигнала рулевой привод перекладывает руль и возвращает судно к заданному курсу. В общем виде САУ судном по курсу включает средства управления судном (т.е. рулевое устройство судна), регулятор (также называемый авторулевым), объект управления (т.е. судно) и внутренние и внешние обратные связи между этими элементами.All existing automatic control systems (ACS) of the vessel on the course, regardless of the design of individual elements, operate on the principle of deviation, i.e. in the system, the actual and set course values are continuously compared and a control signal is generated. Under the influence of this signal, the steering gear shifts the steering wheel and returns the vessel to the set course. In its general form, an ACS vessel at a course includes means for controlling the vessel (i.e., the steering device of the vessel), a regulator (also called autopilot), a control object (i.e., the vessel), and internal and external feedbacks between these elements.
В настоящее время широкое распространение получили адаптивные САУ судном по курсу, реализованные на базе пропорционально-дифференциальных (ПД) или пропорционально-интегрально-дифференциальных (ПИД) регуляторов. Примером такой системы является система авторулевого, включающая автоматический адаптивный регулятор в виде ПИД регулятора [патент RU 2282884 C2, опубл. 27.08.2006]. Однако эффективность управления курсом судна с помощью адаптивных систем на базе ПД и ПИД регуляторов зависит, главным образом, от принятой изначально математической модели закона управления, которая далеко не всегда может соответствовать реальным условиям плавания, поэтому такие системы не могут обеспечить оптимальный режим работы как при автоматической стабилизации судна на курсе, так и при маневрировании. Кроме того, такие системы имеют низкую помехозащищенность при работе в условиях волнения и не позволяют проведение адаптивных процедур в режиме реального времени.At present, adaptive self-propelled guns on board the course, implemented on the basis of proportional-differential (PD) or proportional-integral-differential (PID) controllers, are widely used. An example of such a system is a steering system, including an automatic adaptive controller in the form of a PID controller [patent RU 2282884 C2, publ. 08/27/2006]. However, the effectiveness of controlling the ship's heading using adaptive systems based on PD and PID controllers depends mainly on the initially accepted mathematical model of the control law, which by no means can always correspond to the actual navigation conditions, therefore such systems cannot provide the optimal operating mode as with automatic stabilization of the ship on course, and during maneuvering. In addition, such systems have low noise immunity when working in rough seas and do not allow adaptive procedures in real time.
В настоящее время на смену адаптивным САУ приходят интеллектуальные системы автоматического управления (ИСАУ) судном по курсу, которые имеют расширенные возможности выполнения более сложных задач в неопределенной среде при неполной информации, требуемой для решения задач управления судном по курсу. К ИСАУ судном по курсу относятся системы, использующие математический аппарат теории искусственных нейронных сетей (НС), на основе нечеткой логики, на основе экспертных систем, на основе генетических алгоритмов или их комбинации.At present, adaptive self-propelled guns are being replaced by intelligent automatic control systems (ISAU) for the course of the ship, which have advanced capabilities to perform more complex tasks in an uncertain environment with incomplete information required to solve the course control tasks of the ship. The ISAU vessel at the rate includes systems that use the mathematical apparatus of the theory of artificial neural networks (NS), based on fuzzy logic, based on expert systems, based on genetic algorithms, or a combination thereof.
Например, известен судовой авторулевой, включающий нейросетевой регулятор на базе программной среды MATLAB [патент US 6611737 B1, опубл. 26.08.2003]. Этот нейросетвой регулятор содержит информационно-аналитический блок для прогнозирования и выработки курса судна, связанный протоколами передачи данных с блоком сбора информации о курсе судна и блоком вывода обобщенного сигнала управления курсом судна. Здесь нейросетевой регулятор решает и другие задачи управления судном и содержит множество других блоков, не связанных напрямую с курсом судна, поэтому архитектура используемой НС не является оптимальной по времени обучения, простоте реализации и качеству аппроксимации для прикладных задач управления именно движением судна по курсу.For example, a ship autopilot is known, including a neural network controller based on the MATLAB software environment [patent US 6611737 B1, publ. 08/26/2003]. This neural network controller contains an information-analytical unit for predicting and generating the ship's heading, connected by data transfer protocols with a heading information gathering unit and a generalized heading control signal output unit. Here, the neural network controller solves other problems of controlling the ship and contains many other blocks that are not directly related to the course of the ship, so the architecture of the used NS is not optimal in terms of training time, ease of implementation and quality of approximation for applied tasks of controlling the course of the ship along the course.
Известна ИСАУ судном по курсу, выполненная на базе нейросетевого регулятора, включающего информационно-аналитический блок для обработки данных с целью прогнозирования и выработки курса судна, который связан протоколами передачи данных с блоком сбора данных для сбора информации о курсе судна и блоком вывода обработанных данных для вывода обобщенного сигнала управления курсом судна [патент RU 2359308 C2, опубл. 20.06.2009]. Нейросетевой регулятор этой системы дополнительно включает две или более вычислительных системы в виде независимых вычислительных алгоритмов, каждая из которых соединена с информационно-аналитическим блоком с помощью интерфейса и имеет возможность обработки данных, переданных информационно-аналитическим блоком, и базу знаний, соединенную с информационно-аналитическим блоком интерфейсом и предназначенную для хранения критериев выбора информационно-аналитическим блоком той или иной вычислительной системы. Каждая из вычислительных систем способна обрабатывать массивы данных на основе таких нейронных сетей, как реккурентная нейронная сеть Элмана, многослойная сеть прямого распространения или нейронная сеть на основе радиально-базисных функций. Здесь информационно-аналитический блок также включает интеллектуальный классификатор, соединенный интерфейсом с блоком сбора данных и блоком вывода обработанных данных и способный выбирать одну вычислительную систему или более для оптимальной обработки данных.ISAU is known for a vessel at a heading made on the basis of a neural network controller, including an information-analytical unit for processing data to predict and develop a ship's course, which is connected by data transfer protocols with a data collection unit to collect information about the ship's heading and a processed data output unit for output a generalized signal for controlling the course of a vessel [patent RU 2359308 C2, publ. 06/20/2009]. The neural network controller of this system additionally includes two or more computing systems in the form of independent computing algorithms, each of which is connected to the information-analytical unit via an interface and has the ability to process data transmitted by the information-analytical unit, and a knowledge base connected to the information-analytical block interface and designed to store selection criteria informational-analytical unit of a particular computing system. Each of the computing systems is capable of processing data arrays based on such neural networks as Elman's recurrent neural network, multilayer direct distribution network or neural network based on radial basis functions. Here, the information-analytical unit also includes an intelligent classifier connected by an interface to the data collection unit and the processed data output unit and capable of selecting one or more computing systems for optimal data processing.
Несмотря на наличие множества преимуществ вышеописанных ИСАУ судном по курсу с нейросетевым регулятором в контуре прямой связи системы, например таких как способность прогнозировать изменения входной информации, сохранение работоспособности при частичном выходе из строя элементов и связей, самообучаемость, гибкость, ассоциативность, абсолютная и быстрая сходимость к одному из устойчивых состояний под действием входного сигнала, попадающего в область притяжения этого состояния, все же такие системы имеют и недостатки, определяемые тем, что нейронные сети не являются универсальными, т.е. для перепрограммирования нейросетевого регулятора на решение новой задачи необходимо фактически заново создать внутреннюю архитектуру его нейронной сети. И хотя такой недостаток может быть преодолен с помощью соответствующего обучения нейронной сети, все же количество типов нейросетевых моделей динамики движения судна в составе ИСАУ по курсу ограничено производительностью вычислительной архитектуры всей системы в целом.Despite the many advantages of the ISAU described above, the vessel is heading with a neural network controller in the direct connection of the system, for example, the ability to predict changes in input information, maintaining operability with partial failure of elements and connections, self-learning, flexibility, associativity, absolute and fast convergence to one of the stable states under the action of an input signal falling into the region of attraction of this state, nevertheless, such systems also have disadvantages determined by m, that neural networks are not universal, ie, To reprogram the neural network controller to solve a new problem, it is necessary to virtually re-create the internal architecture of its neural network. And although such a drawback can be overcome with the help of appropriate training of a neural network, the number of types of neural network models of the dynamics of vessel motion in the ISAU at the heading is limited by the performance of the computing architecture of the whole system.
Между тем, вышеотмеченных недостатков лишены ИСАУ судном по курсу, использующие регуляторы на нечеткой логике, основными преимуществами которых являются повышенное быстродействие процессов управления и высокая эффективность фильтрации случайных возмущений при обработке информации. В настоящее время на судах гражданского флота уже применяются серийно выпускаемые ИСАУ судном по курсу, основанные на нечеткой логике, например, авторулевые модели «Navipilot AD II» фирмы Sperry Marine и «NAVpilot 500» фирмы Furuno.Meanwhile, the above-mentioned shortcomings are deprived by the ISAU vessel on the course, using fuzzy logic controllers, the main advantages of which are the increased speed of control processes and the high efficiency of filtering random disturbances in processing information. Currently, civilian vessels are already using serial-produced ISAU vessels at the heading, based on fuzzy logic, for example, autopilot models Navipilot AD II from Sperry Marine and NAVpilot 500 from Furuno.
В качестве прототипа выбрана одна из последних разработанных ИСАУ судном по курсу, использующая способ управления судном по курсу с помощью алгоритма нечеткой логики [заявка CN 102183957 A, опубл. 14.09.2011]. В этой системе выполняются следующие операции: задание значение курса судна, определение отклонения курса как разницы между действительным значением курса, полученным по данным обратной связи, и заданным значениями курса и определение степени изменения отклонения курса; настройка входных данных отклонения курса и отклонения степени изменения отклонения курса, генерирование нового отклонения курса и отклонения степени изменения отклонения курса, передача нового отклонения курса и отклонения степени изменения отклонения курса, служащих в качестве двух входных переменных для нечеткого управления переменными, получение нечеткого правила управления, требуемого для управления курсом в соответствии с правилами нечеткого управления, вывод сигнала управляющего воздействия в виде данных угла кладки пера руля и передача этих данных на рулевую машину; получение последовательности во времени данных значений действительного курса, углов кладки пера руля и степеней изменения отклонения курса в виде вектора входных данных для обучения сетевой структуры, построенной на методе опорных векторов, динамическая идентификация инверсной модели движения судна по курсу и генерация сигнала компенсации по прямой связи; а также отслеживание соответствия заданному курсу в соответствии с заданной точностью управления под управлением регулятора на нечеткой логике с помощью блока, реализующего метод опорных векторов. Однако, несмотря на присущие подобным системам повышенное быстродействие процессов управления и высокую эффективность фильтрации случайных возмущений, эта система существенно ограничена по приспособленности к конкретным условиям плавания, тем что нечеткие множества здесь задаются изначально, т.е. они не изменяются, а только используются для принятия системой решения, а используемые обучаемые сетевые структуры малопригодны к настройке регулятора на нечеткой логике при изменяющихся условиях плавания, т.к. выбираются с помощью метода опорных векторов, т.е. с помощью линейного классификатора. Из-за этого такая система достаточно трудно адаптируется к изменениям условий плавания, что в большинстве случаев представляет собой нелинейную задачу.As a prototype, one of the last course-designed vessels developed by ISAU was selected, using the course-control method for the vessel using the fuzzy logic algorithm [application CN 102183957 A, publ. September 14, 2011]. The following operations are performed in this system: setting the course value of the vessel, determining the course deviation as the difference between the actual course value obtained from the feedback data and the set course values and determining the degree of change in the course deviation; setting the input data of course deviation and deviation of the degree of change of course deviation, generating a new deviation of the course and deviation of the degree of change of course deviation, transferring a new course deviation and deviation of the degree of change of course deviation, serving as two input variables for fuzzy variable management, obtaining a fuzzy control rule, required to control the course in accordance with the rules of fuzzy control, the output of the control signal in the form of data of the angle of masonry pen p A and transfer these to the steering apparatus; obtaining a sequence of time data of the actual heading values, masonry angles of the rudder and the degree of change in the course deviation in the form of an input vector for training a network structure based on the support vector method, dynamic identification of the inverse model of the ship’s course heading and the generation of a compensation signal in direct connection; as well as tracking compliance with a given course in accordance with a given control accuracy under the control of the controller on fuzzy logic using a block that implements the support vector method. However, in spite of the increased speed of control processes and the high efficiency of filtering random disturbances inherent in such systems, this system is significantly limited in its adaptability to specific swimming conditions, so that fuzzy sets are set here initially, i.e. they do not change, but are only used to make a decision by the system, and the trained network structures used are of little use for tuning the controller to fuzzy logic under changing swimming conditions, because are selected using the support vector method, i.e. using a linear classifier. Because of this, such a system is rather difficult to adapt to changes in swimming conditions, which in most cases is a non-linear task.
Технической задачей настоящего изобретения является создание такой интеллектуальной системы управления судном по курсу и соответствующего способа, которые позволяли бы обеспечить одновременно как высокое быстродействие процессов управления и высокую эффективность фильтрации случайных возмущений, присущих системам на нечеткой логике, так и способность прогнозирования изменения входных данных, возможность сохранения работоспособности при частичном выходе из строя элементов и связей, самообучаемость и гибкость, присущих системам с нейронными сетями, для быстрой адаптации с высокой точностью к любым условиям плавания и, в частности, к резким изменениям условий плавания.The technical task of the present invention is the creation of such an intelligent ship control system along the course and the corresponding method, which would simultaneously provide both high speed control processes and high filtering efficiency of random disturbances inherent in fuzzy logic systems, as well as the ability to predict changes in input data, the ability to save performance with partial failure of elements and connections, self-learning and flexibility inherent in systems with neural networks, for quick adaptation with high accuracy to any swimming conditions and, in particular, to sharp changes in swimming conditions.
Для решения поставленной технической задачи, в соответствии с одним аспектом настоящего изобретения предлагается способ автоматического управления судном по курсу, согласно которому: задают значение курса судна как объекта управления, определяют по данным обратной связи с объектом управления данные ошибки управления как отклонение между действительным и заданным значениями курса; определяют управляющее воздействие в виде данных угла кладки пера руля судна по данным ошибки управления с использованием алгоритма нечеткой логики с набором нечетких правил; идентифицируют модель объекта управления на базе сетевой структуры по данным обратной связи; и корректируют управляющее воздействие в соответствии с идентифицированной моделью объекта управления. Новым является то, что используют модель объекта управления в виде нейросетевой модели объекта управления, а корректировку управляющего воздействия осуществляют за счет настройки настраиваемых параметров алгоритма нечеткой логики.To solve the technical problem, in accordance with one aspect of the present invention, there is provided a method for automatically controlling a vessel in accordance with a course, according to which: a course value of a vessel as a control object is set, control error data is determined from the feedback from the control object as a deviation between the actual and predetermined values course; determine the control effect in the form of data on the angle of masonry pen rudder according to the error control using the fuzzy logic algorithm with a set of fuzzy rules; identify the model of the control object based on the network structure according to the feedback data; and adjust the control action in accordance with the identified model of the control object. What is new is that they use the model of the control object in the form of a neural network model of the control object, and the adjustment of the control action is carried out by setting up customizable parameters of the fuzzy logic algorithm.
В данные обратной связи для обработки с использованием алгоритма нечеткой логики предпочтительно включать, по крайней мере, данные управляющих воздействий и данные действительного значения курса. В такие данные может быть дополнительно включено значение действительной линейной скорости судна.In the feedback data for processing using the fuzzy logic algorithm, it is preferable to include at least control data and actual heading data. In such data, the value of the actual linear speed of the vessel may be additionally included.
В данные обратной связи для обработки с использованием алгоритма нечеткой логики можно включать данные, выбираемые из группы: значение угла кладки руля, значение угла рыскания судна, скорость изменения угла рыскания судна, число перекладок руля и/или скорость изменения кладок пера руля.The feedback data for processing using the fuzzy logic algorithm can include data selected from the group: value of the rudder angle of the rudder, value of the yaw angle of the vessel, rate of change of the yaw angle of the vessel, number of rudder shifts and / or rate of change of the rudder feather masonry.
Для настройки настраиваемых параметров алгоритма нечеткой логики могут быть выполнены следующие операции: получают и идентифицируют данные движения судна по курсу и данные управляющих воздействий; идентифицируют данные движения судна по курсу и данные управляющих воздействий и определяют данные критериальных признаков движения судна по идентифицированным данным движения судна по курсу и данным управляющих воздействий с использованием базы знаний поведения судна по курсу; выбирают нейросетевую модель объекта управления на базе определенных данных критериальных признаков движения судна; определяют данные настраиваемых параметров алгоритма нечеткой логики в соответствии с выбранной нейросетевой моделью объекта управления.To configure the fuzzy logic algorithm's tunable parameters, the following operations can be performed: receive and identify vessel movement data at heading and control data; identify the vessel’s heading at the heading and the data of the control actions and determine the data of the criteria for the motion of the ship according to the identified heading information and the data of the control actions using the knowledge base of the ship’s course choose a neural network model of the control object on the basis of certain data of the criterial signs of the movement of the vessel; determine the data of the custom parameters of the fuzzy logic algorithm in accordance with the selected neural network model of the control object.
Здесь, идентификацию полученных данных движения судна по курсу и данных управляющих воздействий можно проводить с помощью анализа спектра этих данных с использованием дискретного преобразования Фурье.Here, the identification of the received heading data and the data of control actions can be carried out by analyzing the spectrum of these data using the discrete Fourier transform.
При этом, при анализе спектра данных движения судна по курсу и данных управляющих воздействий можно использовать от двух до восьми гармоник спектра.At the same time, when analyzing the spectrum of the data on the ship's heading and heading data, two to eight harmonics of the spectrum can be used.
Базу знаний поведения судна по курсу предпочтительно создавать и обучать с использованием нейронной сети с радиально-базисными функциями активации.It is preferable to create and train a knowledge base of vessel behavior along the course using a neural network with radial-base activation functions.
Нейросетевую модель объекта управления можно выбирать из нескольких нейросетевых моделей управления из группы: нейронные сети прямого распространения с алгоритмом обучения Левенберга-Марквардта, нейронная сеть прямого распространения с алгоритмом обучения Моллера, рекуррентные нейронные сети Элмана с алгоритмом обучения Левенберга-Марквардта и/или рекуррентная нейронная сеть Элмана с алгоритмом обучения Моллера. Здесь предпочтительным является использование нейронной сети прямого распространения с алгоритмом обучения Левенберга-Марквардта.The neural network model of the control object can be selected from several neural network control models from the group: direct distribution neural networks with Levenberg-Marquardt learning algorithm, direct distribution neural networks with Moller learning algorithm, Elman recurring neural networks with Levenberg-Marquardt learning algorithm and / or recurrent neural network Elman with Moller's learning algorithm. Here, it is preferable to use a direct distribution neural network with the Levenberg-Marquardt learning algorithm.
Данные настраиваемых параметров алгоритма нечеткой логики могут быть определены с помощью генетического алгоритма.The data of the adjustable parameters of the fuzzy logic algorithm can be determined using the genetic algorithm.
В способе может быть использован алгоритм нечеткой логики в виде набора лингвистических условных операторов, определяющих конкретные ситуации управления судном по курсу, которые предварительно определяют на основании экспертных суждений по двум нечетким переменным, в качестве которых используют данные ошибки управления и данные скорости изменения ошибки управления.The method can be used the algorithm of fuzzy logic in the form of a set of linguistic conditional operators that determine the specific situation of the vessel's control according to the course, which are preliminarily determined on the basis of expert judgments on two fuzzy variables, which use data of control errors and data of the rate of change of control errors.
При этом лингвистические условные операторы могут быть сформированы в матрицу с использованием функции Гаусса и сигмовидной функции принадлежности.In this case, linguistic conditional operators can be formed into a matrix using the Gaussian function and the sigmoid membership function.
В соответствии с другим аспектом настоящего изобретения предлагается интеллектуальная система автоматического управления судном по курсу, включающая: судно как объект управления; регулятор на нечеткой логике для определения управляющего воздействия на объект управления по ошибке управления, как отклонению между действительным и заданным значениями курса, установленный в прямом контуре системы; эмулятор для корректировки управляющего воздействия за счет идентификации модели объекта управления на базе сетевой структуры по данным обратной связи; и прямые и обратные связи между объектом управления, регулятором на нечеткой логике и эмулятором, входящие в прямой и обратный контуры системы, соответственно. Новым является то, что эмулятор установлен в обратном контуре системы и выполнен в виде нейросетевого эмулятора, в котором в качестве модели объекта управления использована нейросетевая модель управления, и который выполнен с возможностью корректировки управляющего воздействия за счет настройки настраиваемых параметров регулятора на нечеткой логике.In accordance with another aspect of the present invention, there is provided an intelligent automatic course control system for a ship, comprising: a ship as a control object; a fuzzy logic controller for determining the control action on the control object by a control error, as a deviation between the actual and set course values set in the direct circuit of the system; an emulator for adjusting the control action by identifying the model of the control object based on the network structure according to feedback data; and direct and feedback between the control object, the controller on fuzzy logic and the emulator, included in the direct and reverse circuits of the system, respectively. What is new is that the emulator is installed in the reverse circuit of the system and is made in the form of a neural network emulator, in which a neural network control model is used as a model of the control object, and which is made with the possibility of adjusting the control action by adjusting the controller's adjustable parameters to fuzzy logic.
Судно может быть оборудовано средством кладки пера руля, средством задания значения курса и средствами определения данных движения судна по курсу, при этом: один вход регулятора на нечеткой логике соединен с выходами средства задания значения курса и средств определения данных движения судна по курсу для получения данных ошибки управления; другой вход регулятора на нечеткой логике соединен с выходом нейросетевого эмулятора для получения данных настраиваемых параметров регулятора на нечеткой логике; выход регулятора на нечеткой логике соединен со входом средства кладки пера руля для передачи данных управляющего воздействия; один вход нейросетевого эмулятора соединен с выходом средств определения данных движения судна по курсу для получения данных движения судна по курсу; другой вход нейросетевого эмулятора соединен с выходом регулятора на нечеткой логике для получения данных управляющих воздействий.The vessel can be equipped with means for laying the rudder pen, means for setting the heading value and means for determining the vessel's motion data along the heading, while: one input of the controller on fuzzy logic is connected to the outputs of the means for setting the heading value and means for determining the vessel motion data for the heading for receiving error data management; the other input of the controller on fuzzy logic is connected to the output of the neural network emulator to obtain data on customizable parameters of the controller on fuzzy logic; the controller output on fuzzy logic is connected to the input of the masonry tool steering wheel for transmitting control data; one input of the neural network emulator is connected to the output of the means for determining the vessel’s motion at the heading for receiving the ship’s motion data at the heading; the other input of the neural network emulator is connected to the output of the controller on fuzzy logic to obtain control data.
Нейросетевой эмулятор может включать нейросетевой классификатор, блок нейросетевой модели объекта управления и блок оптимизации, при этом: вход нейросетевого классификатора является входом нейросетевого эмулятора для получения данных движения судна по курсу и данных управляющих воздействий от объекта управления и регулятора на нечеткой логике, соответственно; выход нейросетевого классификатора соединен со входом блока нейросетевой модели объекта управления для передачи данных критериальных признаков движения судна, определенных нейросетевым классификатором по данным движения судна по курсу и данным управляющих воздействий; выход блока нейросетевой модели объекта управления соединен со входом блока оптимизации для передачи данных параметров нейронной сети, соответствующих нейросетевой модели объекта управления, загруженной в блок нейросетевой модели объекта управления на базе данных критериальных признаков движения судна; выход блока оптимизации является выходом нейросетевого эмулятора для передачи на один из входов регулятора на нечеткой логике данных настраиваемых параметров регулятора на нечеткой логике, определенных блоком оптимизации по загруженной в него нейросетевой модели объекта управления.A neural network emulator can include a neural network classifier, a block of a neural network model of a control object and an optimization block, while: the input of a neural network classifier is an input of a neural network emulator for receiving vessel movement data along the course and data of control actions from a control object and controller on fuzzy logic, respectively; the output of the neural network classifier is connected to the input of the block of the neural network model of the control object for transmitting data of the criterion characteristics of the vessel’s movement, determined by the neural network classifier according to the vessel’s heading and heading data; the output of the block of the neural network model of the control object is connected to the input of the optimization block for transmitting data of the parameters of the neural network corresponding to the neural network model of the control object loaded into the block of the neural network model of the control object based on the criterion characteristics of the vessel; the output of the optimization block is the output of a neural network emulator for transmitting to one of the inputs of the controller on fuzzy logic the data of the controller's adjustable parameters on the fuzzy logic determined by the optimization unit according to the loaded neural network model of the control object.
Предпочтительно, когда нейросетевой классификатор содержит базу знаний поведения судна по курсу для определения критериальных признаков движения судна по данным движения судна по курсу и данным управляющих воздействий.Preferably, when the neural network classifier contains a course knowledge base of a ship’s course for determining the criteria for a ship’s motion according to the course of the ship’s course and control data.
Далее изобретение поясняется более подробно на примерах осуществления, сопровождающихся чертежами, на которых представлено:The invention is further explained in more detail with reference to the accompanying drawings, in which:
фиг. 1 - функциональная блок-схема интеллектуальной системы автоматического управления (ИСАУ) судном по курсу по варианту осуществления настоящего изобретения;FIG. 1 is a functional block diagram of an intelligent automatic control system (ISAU) of a vessel at the heading of an embodiment of the present invention;
фиг. 2 - график зависимости среднеквадратичной ошибки (СКО) управления от типа используемой нейронной сети;FIG. 2 is a graph of the root mean square error (RMS) of the control versus the type of neural network used;
фиг. 3 - график зависимости среднеквадратичной ошибки (СКО) обучения нейронных сетей от условий плавания для траулера;FIG. 3 is a graph of the root mean square error (RMS) of training neural networks on navigation conditions for a trawler;
фиг. 4 - график изменения точности управления в процессе обучения нейронных сетей для различных типов судов;FIG. 4 is a graph of changes in control accuracy during training of neural networks for various types of vessels;
фиг. 5 - график зависимости величины интегральной составляющей от количества гармоник для пассажирского судна прибрежного плавания для различных условий плавания;FIG. 5 is a graph of the dependence of the integral component on the number of harmonics for a coastal passenger passenger vessel for various sailing conditions;
фиг. 6 - график, иллюстрирующий адаптацию судна типа траулер на курсе 10 град при резком изменении скорости ветра и высоты волны с помощью ИСАУ судном по курсу, показанной на фиг. 1.FIG. 6 is a graph illustrating the adaptation of a trawler-type vessel at a 10 deg course with a sharp change in wind speed and wave height using an ISAU vessel at the heading shown in FIG. one.
Настоящее изобретение поясняется на примере варианта осуществления интеллектуальной системы автоматического управления (ИСАУ) судном по курсу.The present invention is illustrated by the example of the implementation of the intelligent automatic control system (ISAU) of the vessel at the rate.
Как показано на фиг. 1, ИСАУ судном по курсу в соответствии с вариантом осуществления настоящего изобретения в общем случае включает судно в качестве объекта управления (ОУ) 1, регулятор на нечеткой логике (РНЛ) 2 и нейросетевой эмулятор (НСЭ) 3.As shown in FIG. 1, an ISAU vessel at a heading rate in accordance with an embodiment of the present invention generally includes a vessel as a control object (OS) 1, a fuzzy logic controller (RNL) 2, and a neural network emulator (NSE) 3.
ОУ 1 в частности оборудован средством кладки пера руля для его кладки под углом α (например, рулевая машина), средством задания значения курса KЗ (например, задатчик курса) и средствами определения данных движения судна по курсу (например, гирокомпас, лаг), таких как действительное значение курса K и значение линейной скорости движения судна, которые включают в вектор данных действительного курса судна Vy.
РНЛ 2 служит для выработки управляющего воздействия (α) на средство кладки пера руля судна в соответствии с принятым алгоритмом управления, построенным на базе нечеткой логики, и заданным качеством управления на основе входных данных в виде ошибки управления e, и параметров РНЛ 2, настраиваемых с помощью НСЭ 3. Здесь, ошибку управления e определяют как отклонение между действительным значением курса K, полученным от средств определения данных движения судна по курсу, и заданным значением курса KЗ, полученным от средства задания значения курса.
НСЭ 3 служит для настройки настраиваемых параметров РНЛ 2 путем определения вектора настраиваемых параметров Vr на базе вектора данных управляющих воздействий Vα, полученных с выхода РНЛ 2, и вектора данных действительного курса судна Vy, полученных от средств определения данных движения судна по курсу.NSE 3 is used to configure customizable parameters of
В этом примере НСЭ 3 включает в себя следующие блоки: нейросетевой классификатор (НСК) 4, нейросетевую модель объекта управления (НСМ ОУ) 5 и блок оптимизации (БО) 6. Устройство и принцип действия блоков 3-6 будет пояснено ниже.In this example, NSE 3 includes the following blocks: neural network classifier (NSC) 4, neural network model of the control object (NSM OU) 5 and optimization block (BO) 6. The device and principle of operation of blocks 3-6 will be explained below.
Предлагаемая ИСАУ судном по курсу предусматривает последовательную реализацию следующих основных режимов: подготовки данных, обучения нейронных сетей НСЭ 3, функционирования.The ISAU-proposed vessel at the rate provides for the consistent implementation of the following main modes: data preparation, training of
Режим подготовки данныхData preparation mode
Режим подготовки данных о курсе судна состоит из трех связанных процессов: формирование исходных векторов данных, идентификация исходных векторов данных и создание рабочих массивов данных.The regime for preparing vessel course data consists of three related processes: generating source data vectors, identifying source data vectors, and creating working data arrays.
Формирование исходных векторов данных Vα и Vy происходит по следующей схеме: данные о курсе судна собираются с помощью входного интерфейса в исходные векторы, каждый из которых представляет собой совокупность данных движения судна по курсу, данных о скорости рыскания, кладках пера руля, скорости перекладок пера руля, средней скорости движения судна.The formation of the initial data vectors V α and V y takes place according to the following scheme: ship heading data is collected using the input interface into the source vectors, each of which is a collection of ship heading data, yaw rate, rudder masonry, rudder speed rudder feather, average ship speed.
Идентификация исходных векторов данных о характеристиках рыскания судна заключается в присвоении им идентификационных меток Pj. Идентификационные метки соответствуют уникальным свойствам этих векторов. Процесс идентификации векторов Vα и Vy заключается в осуществлении соответствующих вычислений над их элементами в блоке НСК 4. Здесь, физическими принципами идентификации исходных векторов данных являются анализ спектра данных, полученного с помощью дискретного преобразования Фурье, и измерение статистических характеристик сигнала с ОУ 1.The identification of the initial yaw characteristics data vectors of the vessel consists in assigning identification marks P j to them . Identification marks correspond to the unique properties of these vectors. The process of identifying the vectors V α and V y consists in performing the corresponding calculations on their elements in the
Процесс создания рабочих массивов данных о курсе судна состоит в постановке соответствия каждому сформированному в долговременной памяти базы знаний, которая обеспечена в НСК 4, исходному вектору данных действительного курса судна Yj вектора идентификационных меток Pj. В результате этого образуется рабочий массив данных о поведении судна по курсу {Y, P}j, после чего над ними производят дальнейшие операции, такие как обучение и/или обработку, в зависимости от режима работы ИСАУ судном по курсу. Массив представляет собой базу знаний, созданную для того, чтобы в будущем, при появлении таких же или близких по статистическим признакам характеристик поведения судна по курсу, по вектору идентификационных меток Pj выбирать готовую (т.е. обученную) НС в качестве нейросетевой модели судна в блоке НСМ ОУ 5 по полученному с помощью НСК 4 вектору критериальных признаков движения судна VA для дальнейшего определения с помощью БО 6 параметров, в виде вектора настраиваемых параметров регулятора Vr для настройки РНЛ 2, которые соответствуют выбранной нейросетевой модели судна.The process of creating working arrays of data on the ship's heading consists in establishing a correspondence to each knowledge base formed in long-term memory, which is provided in
Режим обученияTraining mode
В режиме обучения осуществляют изменение весовых коэффициентов матриц связей НС определенной архитектуры, сформированной заранее с функцией активации. Целью обучения является настройка нейронной сетью НСМ ОУ 5 весовых коэффициентов wjq своей матрицы связей W в виде вектора параметров нейронной сети (НС) между входным Xj и выходным Yj векторами данных НС для определяемого множества всех возможных комбинаций вектора меток Pj, что достигается путем поиска наилучших характеристик используемой архитектуры НС: алгоритма обучения данных, алгоритма обработки данных движения судна по курсу, числа слоев НС, числа нейронов в каждом слое НС.In the training mode, the weighting coefficients of the connection matrices of the NS of a certain architecture, formed in advance with the activation function, are changed. The purpose of the training is to configure the
После обучения НС, любой входной вектор Xj, принадлежащий множеству обучающих пар, но не совпадающий с его значениями, будет соответствовать выходному вектору Yj однозначно. Таким образом, обученные НС готовы для обработки данных движения судна по курсу.After training the NS, any input vector X j belonging to the set of training pairs, but not coinciding with its values, will correspond to the output vector Y j uniquely. Thus, trained NSs are ready to process heading data.
Режим функционированияFunctioning mode
При движении судна ИСАУ судном по курсу собирает данные векторов Vα и Vy, в частности по таким сигналам, как значения угла рыскания судна, скорость изменения этого угла, число перекладок руля, скорость изменения кладок пера руля. Затем происходит спектральный анализ этих векторов Vα и Vy с выделением нескольких гармоник для каждого из вышеуказанных сигналов, плюс к данным вектора Vy добавляют значение линейной скорости движения судна, полученных от средств определения данных движения судна по курсу, за счет чего получают данные движения судна по курсу при текущих внешних воздействиях F. Собранные данные в виде векторов Vα и Vy подают на вход НСК 4, который по данным этих векторов определяет, какая из имеющихся в НСМ ОУ 5 нейронных сетей по статистическим данным более всего подходит под эти данные, после чего загружает наиболее подходящую НС в НСМ ОУ 5 в качестве нейросетевой модели судна. По выбранной нейросетевой модели судна БО 6 загружает соответствующие этой модели оптимальные параметры РНЛ 2 в виде вектора Vr. Т.о. основной задачей БО 6 является настройка РНЛ 2 по нейросетевой модели судна НСМ ОУ 5, выбранной с помощью НСК 4, при текущих внешних воздействиях F, т.е. при конкретных эксплуатационных и погодных условиях движения судна по курсу.When the vessel moves, the ISAU vessel along the course collects the data of the vectors V α and V y , in particular from signals such as the yaw angle of the vessel, the rate of change of this angle, the number of rudders, the rate of change of the rudder feather masonry. Then there is a spectral analysis of these vectors V α and V y with the selection of several harmonics for each of the above signals, plus the value of the linear velocity of the vessel received from the means for determining the vessel's motion data at the heading is added to the data of the vector V y , whereby the motion data is obtained the vessel at the heading under current external influences F. The collected data in the form of vectors V α and V y are fed to the input of
Далее, принцип действия и принципы синтеза отдельных элементов ИСАУ судном по курсу будут пояснены более подробно с использованием примеров.Further, the operating principle and principles of synthesis of individual elements of the ISAU vessel at the course will be explained in more detail using examples.
РНЛ 2 функционально представляет собой набор лингвистических условных операторов или нечетких ассоциаций, определяющих конкретные ситуации управления судном по курсу. Здесь в РНЛ 2 используются следующие параметры: К - сигнал на выходе (фактический курс судна); КЗ - сигнал на входе (заданный курс судна); е - отклонение между заданным и фактическим судном по курсу; е? - скорость изменения ошибки e (скорость ухода судна с курса); u - выход регулятора.
Две нечеткие переменные e и е? представлены в виде девяти нечетких подмножеств: от нулевого значения ZE до высокого положительного значения PL и высокого отрицательного, как представлено в таблице 1.Two fuzzy variables e and e? are presented in the form of nine fuzzy subsets: from zero ZE to a high positive value of PL and a high negative value, as presented in table 1.
Таблица 1Table 1
Матрица нечетких ассоциаций управления курсом суднаMatrix of fuzzy ship heading control associations
Представленная в таблице 1 матрица нечетких ассоциаций (правил) для ИСАУ судном по курсу составлена на основании экспертных суждений, где каждая группа элементов в матрице дает одну нечеткую ассоциацию (правило), которая указывает, как следует изменить переменную управления u для наблюдаемых величин входных нечетких переменных е и е?.The matrix of fuzzy associations (rules) for the ISAU vessel presented in Table 1 is compiled based on expert judgment, where each group of elements in the matrix gives one fuzzy association (rule) that indicates how the control variable u should be changed for the observed values of the input fuzzy variables e and e ?.
В качестве примера приведем интерпретацию правила (PL, ZE, PL) на естественном языке. Если ошибка e между заданным и фактическим значениями курса КЗ и К является положительной и большой, а скорость изменения ошибки е? близка к нулю, то сигнал управления (управляющее воздействие) в рулевую машину должен быть максимальным.As an example, we give an interpretation of the rule (PL, ZE, PL) in natural language. If the error e between the set and actual values of the course K W and K is positive and large, and the rate of change of the error e? close to zero, the control signal (control action) to the steering machine should be maximum.
Здесь, для нечетких подмножеств матрицы нечетких ассоциаций двух нечетких переменных е и е? выбраны функция Гаусса и сигмовидная функция принадлежности.Here, for fuzzy subsets of the matrix of fuzzy associations of two fuzzy variables e and e? the Gauss function and the sigmoid membership function are selected.
Нечеткое подмножество нечетких переменных ZE (значения, близкие к нулю) выбирают более узкими, чем другие. Это позволяет повысить точность управления вблизи заданного значения курса КЗ и повысить робастность ИСАУ судном по курсу.A fuzzy subset of fuzzy variables ZE (values close to zero) are chosen narrower than others. This improves the accuracy of control near to the value of the course to the W and increase the robustness of the course ISAU ship.
Исходя из априори эвристических соображений, было принято, что непрерывные нечеткие подмножества в каждом из наборов перекрываются примерно на 20-30% процентов. При слишком большом перекрытии теряются различия между величинами, соответствующими разным подмножествам. При слишком малом перекрытии возникает тенденция к «двухзначному» управлению, что приводит к ухудшению качества процесса (неоднозначность решения, большое перерегулирование и т.д.). В реальных условиях перекрытия позволяют сглаживать переход от одного управляющего воздействия к другому в процессе работы ИСАУ судном по курсу.Based on a priori heuristic considerations, it was accepted that continuous fuzzy subsets in each of the sets overlap by about 20-30% percent. If the overlap is too large, differences between the values corresponding to different subsets are lost. With too little overlap, there is a tendency to “two-digit” control, which leads to a deterioration in the quality of the process (ambiguity of the solution, large overshoot, etc.). In real conditions, the overlap allows smoothing the transition from one control action to another in the course of the ISAU vessel operation at the heading.
Вычисление параметров функционирования РНЛ 2 можно представить в виде следующего алгоритма:The calculation of the functioning parameters of
- просчитать (измерить) выходную величину процесса у(t) (т.е. зависимость К от времени);- calculate (measure) the output value of the process y (t) (i.e., the dependence of K on time);
- вычислить ошибку e(t) и скорость изменения ошибки е?(t) для момента времени t;- calculate the error e (t) and the rate of change of the error e? (t) for time t;
- провести формирование соответствующих нечетких подмножеств путем квантования величин e(t) и е?(t);- conduct the formation of the corresponding fuzzy subsets by quantizing the quantities e (t) and e? (t);
- вычислить на основе сформированных функций принадлежности степени принадлежности ошибки и производной ошибки M(ei) и M(e?i);- calculate on the basis of the formed membership functions the degree of membership of the error and the derivative of the error M (e i ) and M (e? i );
- активизировать из матрицы правил заключения со степенями принадлежности , вычисляемыми по степеням принадлежности посылок M(ei) и M(e?i) с помощью нечеткой логической операции «И»;- activate from the matrix of rules of conclusion with degrees of affiliation calculated by the degrees of membership of the premises M (e i ) and M (e? i ) using the fuzzy logical operation "AND";
- «срезать» величину до величины методом кодирования по минимуму корреляции;- “cut off” the value up to coding method to minimize correlation;
- вычислить действительную выходную степень принадлежности путем выполнения нечеткой логической операции «ИЛИ» между значениями - всех активизированных заключений;- calculate the actual output degree of ownership by performing a fuzzy logical OR operation between values - all activated conclusions;
- определить выход нечеткого регулятора u дискретным аналогом центроидного метода.- determine the output of the fuzzy controller u by a discrete analogue of the centroid method.
Т.е. здесь может быть применен упрощенный алгоритм нечеткого вывода по следующей форме записи предикатных правил: Пi: если e есть ai1 и е? есть ai2, тогда с=zi, где zi - вещественные числа, aij - нечеткие числа из функций Гаусса и сигмоидальных функций.Those. here a simplified algorithm of fuzzy inference can be applied according to the following form of writing predicate rules: P i : if e is a i1 and e? is a i2 , then c = z i , where z i are real numbers, and a ij are fuzzy numbers from the Gauss functions and sigmoid functions.
При реализации РНЛ 2, в качестве алгоритма поиска оптимальных значений настраиваемых параметров, т.е. параметров предикатных правил, с помощью БО 6 предпочтительным является применение в БО 6 генетического алгоритма, который позволяет избежать остановку алгоритма на локальном экстремуме и не зависеть от размерности задачи. Оценку вышеуказанных параметров РНЛ 2 следует проводить по значению целевой функции, которая, как один из вариантов, может отражать минимум среднеквадратичной ошибки (СКО).When implementing
Ниже кратко приведен пример генетического алгоритма, реализуемого с помощью БО 6 и позволяющего определить данные вектора настраиваемых параметров Vr на базе данных вектора параметров нейронной сети W, полученных с помощью НСМ ОУ 5.Below is a brief example of a genetic algorithm implemented using
Операция 10. Генерирование случайным образом 54 настраиваемых параметров РНЛ 2 с 50% равномерным распределением относительно стартового значения для десяти возможных вариантов настройки.Step 10. Randomly generating 54
Операция 20. Определение критерия эффективности управления для каждого варианта настройки РНЛ 2 на нейросетевой модели судна по данным вектора W.Operation 20. Determination of the management effectiveness criterion for each
Операция 30. Усиление критериев вариантов настройки РНЛ, превышающих средний показатель критерия с помощью β>1; ослабление критериев вариантов настройки РНЛ 2, имеющих значение ниже среднего критерия, с помощью 0<β<1, с использованием следующих формул:Operation 30. Strengthening the criteria for RNL tuning options that exceed the average criterion with β> 1; weakening the criteria for the settings of
, где n=720; where n = 720;
Kср=;K av = ;
=Ki (Ki - Kcp)β, если Ki>Kcp; = K i (K i - K cp ) β if K i > K cp ;
=Ki (Ki · Kcp)β, если Ki<Kcp. = K i (K i · K cp ) β if K i <K cp .
Операция 40. Выбор случайным образом в зависимости от величины критериев десяти вариантов настройки РНЛ.Operation 40. Randomly choosing depending on the size of the criteria of ten RNL tuning options.
Операция 50. Смешивание случайным образом между собой соответствующих параметров выбранных вариантов настройки РНЛ 2. Повторение операций 20-40 до тех пор, пока все критерии не станут равными между собой или параметры РНЛ 2 для всех десяти вариантов не станут одинаковыми.Operation 50. Randomly mixing among themselves the corresponding parameters of the selected
Операция 60. Проведение процесса мутации, который заключается в стохастическом изменении части хромосом. При этом каждый ген строки, которая подвергается мутации, с некоторой малой вероятностью меняется на другой ген. При двоичном кодировании в процессе мутации значения отдельных битов меняются на противоположные.Operation 60. Carrying out the mutation process, which consists in a stochastic change in part of the chromosomes. Moreover, each gene of the line that undergoes a mutation, with some low probability, changes to another gene. In binary coding during mutation, the values of individual bits are reversed.
Операция 70. После получения квазиоптимального решения (выхода из операций 20-40), решение утоняется методом случайного поиска с использованием процедуры адаптации распределения шага поиска:Operation 70. After receiving a quasi-optimal solution (exit operations 20-40), the solution is thinned by the random search method using the adaptation procedure of the distribution of the search step:
- изменение направления поиска с учетом предыстории поиска по зависимости- changing the direction of the search, taking into account the history of the search for dependencies
, ,
где i= - количество параметров настройки, k - шаг итерации, - оптимальное значение вектора, , 0<B2<B1<1 - коэффициенты учета предыстории;where i = is the number of settings, k is the iteration step, is the optimal value of the vector, , 0 <B 2 <B 1 <1 - coefficients of accounting history;
- изменение величины случайного шага (процедура позволяет уменьшить величину случайного шага (дисперсию) по мере приближения к точке оптимума).- change in the value of the random step (the procedure allows us to reduce the value of the random step (variance) as we approach the optimum point).
В зависимости от информации, получаемой в процессе поиска на каждой итерации, определяется значение х0, минимизирующее целевую функцию:Depending on the information obtained during the search at each iteration, the value x 0 is determined that minimizes the objective function:
, ,
где генерируются случайные значения параметров настройки с учетом вероятностиwhere random settings are generated taking into account the probability
P(x)=exp[-(x-x0)/2σ2], гдеP (x) = exp [- (xx 0 ) / 2σ 2 ], where
, ,
где 0<g<1, g - параметр, определяющий уменьшение дисперсии при неудачном шаге.where 0 <g <1, g is a parameter that determines the decrease in variance at an unsuccessful step.
Таким образом, происходит локализация поиска в окрестности оптимальной точки. Условием окончания этапа является - отношение текущей дисперсии к первоначальной.Thus, the search is localized in the vicinity of the optimal point. The condition for the end of the stage is - the ratio of the current variance to the original.
Данные вектора параметров нейронной сети W в качестве входных данных для вышеописанного генетического алгоритма получают от блока НСМ ОУ 5 по нейросетевой модели судна, выбранной на базе данных вектора критериальных признаков движения судна VА, определенных с помощью НСК 4.The data of the vector of parameters of the neural network W as input for the above-described genetic algorithm is obtained from the
Используемые в НСМ ОУ 5 нейросетевые модели судна были получены с помощью имитатора ИС-2005 ЗАО «Инженерный центр информационных и управляющих систем». С помощью этого имитатора моделировалось шесть различных моделей судов (пассажирское судно прибрежного плавания (ПСПП), траулер, транспортный рефрижератор (ТР), автомобильно-пассажирское судно (АПП), танкер, супертанкер (СТ)), характеристики которых приведены в таблице 2.The vessel’s neural network models used in the
Таблица 2table 2
Характеристики судовVessel characteristics
В таблице 2 использованы следующие сокращения: ВФШ - гребной винт фиксированного шага; ВРШ - гребной винт регулируемого шага.The following abbreviations are used in table 2: VFSh - fixed pitch propeller; VRS - adjustable pitch propeller.
Для каждого из судов было проведено имитационное моделирование следующих условий плавания при скорости хода 8,0-15,6 узлов: №1 - скорость ветра 1-2 м/с, высота волны 3% обеспеченности 0,25 м; №2 - скорость ветра 2-5 м/с, высота волны 0,85 м; №3 - скорость ветра 5-8 м/с, высота волны 1,25 м; №4 - скорость ветра 8-10 м/с, высота волны 1,25. Для каждой из траекторий движения судна при различных эксплуатационных факторах было обучено 79 нейронных сетей, отличающихся типом, архитектурой и алгоритмом обучения.For each of the vessels, simulation of the following sailing conditions was carried out at a speed of 8.0-15.6 knots: No. 1 - wind speed of 1-2 m / s, wave height of 3% security 0.25 m; No. 2 - wind speed 2-5 m / s, wave height 0.85 m; No. 3 - wind speed 5-8 m / s, wave height 1.25 m; No. 4 - wind speed of 8-10 m / s, wave height of 1.25. For each of the trajectories of the vessel’s movement, for various operational factors, 79 neural networks were trained that differ in type, architecture, and learning algorithm.
По результатам оценки СКО были выбраны восемь НС, которые позволяют получать качественные нейросетевые модели судов для всех исследуемых эксплуатационных условий (см. фиг. 2). На фиг. 2 использованы следующие обозначения выбранных НС: I-III - нейронные сети прямого распространения с алгоритмом обучения Левенберга-Марквардта; IV - нейронная сеть прямого распространения с алгоритмом обучения Моллера (комбинация метода сопряженного градиента с квазиньютоновским подходом); V-VII - рекуррентные нейронные сети Элмана с алгоритмом обучения Левенберга-Марквардта, VIII - рекуррентная нейронная сеть Элмана с алгоритмом обучения Моллера. Для всех типов НС производилось 100, 500 и 1000 циклов обучения.Based on the results of the assessment of the standard deviation, eight NSs were selected, which make it possible to obtain high-quality neural network models of vessels for all studied operating conditions (see Fig. 2). In FIG. 2, the following notation of the selected NS is used: I-III - direct distribution neural networks with the Levenberg-Marquardt learning algorithm; IV - direct distribution neural network with the Moller learning algorithm (a combination of the conjugate gradient method with the quasi-Newtonian approach); V-VII - Elman recurrent neural networks with the Levenberg-Marquardt learning algorithm, VIII - Elman recurrent neural networks with the Moller learning algorithm. For all types of
Анализ результатов моделирования показал, что в качестве нейросетевой модели судна предпочтительнее использовать нейронную сеть прямого распространения с алгоритмом обучения Левенберга-Марквардта.Analysis of the simulation results showed that it is preferable to use a direct distribution neural network with the Levenberg-Marquardt learning algorithm as the vessel’s neural network model.
Также было проведено компьютерное моделирование для определения зависимости СКО обучения нейронных сетей от вышеприведенных условий плавания для различных судов, характеристики которых представлены выше в таблице 2. Анализ результатов моделирования показал, что СКО обучения нейронных сетей практически не изменяется. Например, как показано на фиг. 3, СКО обучения нейронных сетей для траулера при скорости хода 8, 12 и 15 узлов меняется незначительно. Это лишний раз подтверждает возможность использования теории нейронных сетей в качестве нейросетевой модели движения судна по курсу для блока НСМ ОУ 5. Анализ результатов моделирования показал, что в связи с ухудшением условий плавания (увеличение скорости ветра от 1-2 до 8-10 м/с, увеличение высоты волны с 0,25 м до 1,25 м) для ТР (15 узлов), танкера (15 узлов), ПСПП (8 узлов), АПП (15 узлов), СТ (15, 6 узлов) величины СКО обучения НС возрастают, однако остаются в целом незначительными.A computer simulation was also carried out to determine the dependence of the standard deviation of training of neural networks on the above navigation conditions for various vessels, the characteristics of which are presented above in table 2. Analysis of the simulation results showed that the standard deviation of training of neural networks is practically unchanged. For example, as shown in FIG. 3, the standard deviation of training neural networks for a trawler at a speed of 8, 12, and 15 knots varies slightly. This once again confirms the possibility of using the theory of neural networks as a neural network model of vessel movement at the heading for the
Дополнительно, было проведено компьютерное моделирование для определения зависимости СКО обучения нейронных сетей от типов судов, характеристики которых представлены в таблице 2. Анализ результатов моделирования показал, что СКО обучения НС, моделирующих движение судов по курсу, не имеют характерных зависимостей.Additionally, computer simulation was carried out to determine the dependence of the standard deviations of the training of neural networks on the types of vessels, the characteristics of which are presented in table 2. The analysis of the simulation results showed that the standard deviations of the training of the NS, simulating the movement of vessels along the course, have no characteristic dependencies.
Т.о. различные суда в различные условия плавания требуют различные нейросетевые модели, моделирующие движение судна по курсу.T.O. different vessels in different sailing conditions require different neural network models simulating the course of the vessel.
Для определения достаточного количества циклов обучения нейронных сетей, моделирующих движение судна по курсу, было проведено дополнительное исследование. Нейронные сети, из числа вышеописанных, выбирались наилучшие для конкретного судна в указанных условиях плавания. Например, на фиг. 4 приведен график снижения СКО обучения НС для шести судов, характеристики которых приведены в таблице 2.1, при условиях плавания №1, анализ которого показывает, что для всех шести судов значительное снижение СКО обучения происходит до 400 цикла обучения, затем происходит незначительная адаптация. Аналогично было определено, что значительными являются количество циклов обучения 450 (для судов при условиях №2), 350 (для судов при условиях №3) и 300 (для судов при условиях №4). Также, анализ результатов моделирования для различных судов в различных условиях плавания показал, что значительными являются количество циклов обучения 300 (для судов типа танкер и траулер), 350 (для судов типа АПП и ПСПП) и 450 (для судов типа СТ и ТР). Таким образом, анализ проведенных исследований показал, что для различных судов и разных условий плавания достаточно 450 циклов обучения нейронной сети любого типа.To determine the sufficient number of training cycles for neural networks simulating the course of the vessel, an additional study was conducted. Neural networks, from the above, were selected the best for a particular vessel in the indicated navigation conditions. For example, in FIG. Figure 4 shows a graph of the decrease in the standard deviation of the training for the NS for six vessels, the characteristics of which are given in table 2.1, under sailing conditions No. 1, the analysis of which shows that for all six vessels a significant decrease in the standard deviation of training occurs up to 400 training cycles, then there is a slight adaptation. Similarly, it was determined that the number of training cycles is significant 450 (for vessels under conditions No. 2), 350 (for vessels under conditions No. 3) and 300 (for vessels under conditions No. 4). Also, analysis of the simulation results for various vessels in different sailing conditions showed that the significant number of training cycles is 300 (for vessels of the tanker and trawler type), 350 (for vessels of the APP and PSPP type) and 450 (for vessels of the ST and TR type). Thus, the analysis of the studies showed that for various vessels and different navigation conditions 450 cycles of training of any type of neural network are sufficient.
Данные вектора критериальных признаков движения судна VА в качестве входных данных для выбора и загрузки оптимальной нейросетвой модели судна из нескольких моделей, например, вышеописанных моделей, в блок НСМ ОУ 5, получают от НСК 4 по данным обратной связи в виде вектора данных действительного курса судна Vy и вектора данных управляющих воздействий Vα.The vector data of the criteria for the motion of the vessel V A as input to select and load the optimal neural network model of the vessel from several models, for example, the above models, into the
Для выявления особенностей поведения судна по курсу (особенности влияния изменения кладок пера руля, погодных факторов и т.п.) в НСК 4 используется спектральный анализ кривой движения судна по курсу (вектор Vy) при соответствующей кривой команд изменения положения пера руля (вектор Vα). Для проведения спектрального анализа использовалось дискретное преобразование Фурье.To identify the course behavior of the vessel along the course (especially the effect of changes in the laying of the rudder feathers, weather factors, etc.),
Для исследования и выявления достаточного количества гармоник для спектрального анализа был разработан алгоритм специального модуля НСК 4 для восстановления кривой движения судна до восьми гармоник, и определяющего соответствующую им интегральную составляющую по остальным гармоникам. Для каждой модели судна, после проведения спектрального анализа и получения восьми максимальных гармоник, рассчитывается интегральный критерий I возможности использования меньшего количества гармоник для идентификации нейросетевой модели судна в базе знаний НСК 4. Здесь, основной сигнал Y1 состоит из суммы восьми составляющих, а сравниваемый сигнал Y2 состоит из суммы исследуемого количества составляющих:To study and identify a sufficient number of harmonics for spectral analysis, an algorithm was developed for the
; ;
; ;
, ,
где ; ω - наименьшая частота из заданных гармоник; N - количество введенных гармоник. В таблице 3 приведены значения интегральных составляющих относительно количества гармоник для всех типов судов, приведенных в таблице 2.Where ; ω is the lowest frequency of the given harmonics; N is the number of introduced harmonics. Table 3 shows the values of the integral components with respect to the number of harmonics for all types of vessels, shown in table 2.
Таблица 3Table 3
Значения интегральных составляющихThe values of the integral components
После проведения компьютерного моделировании на имитаторе ИС-2005 с моделями шести судов при четырех различных погодных условиях и проведения дискретного преобразования Фурье были получены векторы меток, характеризующие коэффициенты амплитуд восьми основных гармоник при изменении значений курса судна, угловой скорости рыскания, угла кладки руля и средней линейной скорости (всего 65 элементов для каждого вектора). Анализ полученных данных показал ярко выраженную зависимость интегральной составляющей ошибки I от количества гармоник при моделировании движения судна. Если для крупнотоннажных судов можно ограничиться двумя-тремя гармониками, то для судов малого водоизмещения необходимы восемь гармоник. Также из анализа полученных результатов был сделан вывод об изменении спектральной характеристики моделей судов при смене погодных условий, что особенно характерно для малотоннажных судов типа ПСПП и траулер. Например, на фиг. 5 представлен график зависимости величины интегральной составляющей I от количества гармоник для АПП для различных условий плавания (№1-4, описанные выше). Проведенные исследования для всех рассматриваемых моделей судов показали, что погрешность моделирования различных типов судов по-разному зависит от количества участвующих гармоник. Если у малотоннажных судов наблюдается почти линейная зависимость, то у более инерционных крупнотоннажных судов - нелинейная, поэтому возможно использование меньшего количества гармоник.After computer simulation on the IS-2005 simulator with six ship models under four different weather conditions and discrete Fourier transform, label vectors were obtained that characterize the amplitudes of the eight fundamental harmonics when the ship heading, yaw rate, rudder angle and average linear speed (65 elements in total for each vector). An analysis of the data showed a pronounced dependence of the integral component of the error I on the number of harmonics in modeling the movement of the vessel. If for large vessels it is possible to limit ourselves to two or three harmonics, then for vessels of small displacement eight harmonics are required. Also, from the analysis of the obtained results, it was concluded that the spectral characteristics of the models of ships change with changing weather conditions, which is especially typical for small tonnage vessels such as PSPP and trawler. For example, in FIG. 5 is a graph of the dependence of the value of the integral component I on the number of harmonics for the AMS for various swimming conditions (No. 1-4, described above). Studies for all considered ship models showed that the error in modeling various types of ships depends on the number of harmonics involved. If in small-tonnage vessels an almost linear dependence is observed, then in more inertial large-tonnage vessels it is non-linear, therefore it is possible to use fewer harmonics.
Для классификации кривых движения судов по критериальным признакам, таким как спектральные характеристики, предпочтительным является использование нейронных сетей с радиально-базисными функциями активации (РБФ).For the classification of ship motion curves by criteria, such as spectral characteristics, it is preferable to use neural networks with radial basis activation functions (RBF).
Для обучения НС РБФ были использованы 96 примеров. Данные считывались из файлов, масштабировались и заносились в массив.96 examples were used to teach RBF NS. Data was read from files, scaled and entered into an array.
Далее выполнялась кластеризация по методу «k-средних» каждого из классов на шесть кластеров с использование функции “kmeans”, т.о. в каждом кластере оказалось по 24 объекта. Векторы центроидов кластеров заносились в специальный массив. Следующим шагом было определение отклонений гауссовой функции для каждого центроида кластеров, для чего применяли наиболее точный и эффективный метод «k-ближайших соседей». Радиус колокола каждого ядра рассчитывали как средняя дистанция до k=3 (опытным путем было установлено, что ошибка сети наименьшая при k=3) ближайших соседних центроидов и записывался в массив. Результатом подобного обучения являются весовые коэффициенты - векторы центроидов и пороговые уровни слоя - отклонения из массива. В результате были получены отклики функций Гаусса для каждого из шести типов судов. Итогом проведенных экспериментов и обучения НСК 4 стала база знаний на 24 нейросетевые модели движения различных судов при различных условиях плавания.Next, clustering was performed according to the “k-means” method of each class into six clusters using the “kmeans” function, that is, in each cluster there were 24 objects. The vectors of the centroids of the clusters were recorded in a special array. The next step was to determine the deviations of the Gaussian function for each centroid of the clusters, for which the most accurate and effective method of “k-nearest neighbors” was used. The bell radius of each core was calculated as the average distance to k = 3 (it was experimentally established that the network error is the smallest at k = 3) of the nearest neighboring centroids and recorded in an array. The result of such training are weights - vectors of centroids and threshold layer levels - deviations from the array. As a result, the responses of the Gauss functions were obtained for each of the six types of ships. The result of the experiments and training of
Проверка работоспособности методов и алгоритмов, синтезированных по описанным выше принципам, проводилась в два этапа. Первый этап заключался в проведении компьютерного моделирования для наполнения базы знаний НСК 4 моделями судов при различных условиях плавания. Второй этап заключался в проведении имитационного моделирования с использованием имитатора ИС-2005 для модели судна определенного типа, при различных скоростях движения и изменении условий плавания с целью проверки процесса адаптации РНЛ 2.Functional testing of methods and algorithms synthesized according to the principles described above was carried out in two stages. The first stage consisted of computer simulation to fill the NSC knowledge base with 4 ship models under various sailing conditions. The second stage was to conduct simulation using an IS-2005 simulator for a model of a ship of a certain type, at different speeds and changing sailing conditions in order to verify the adaptation process of
Компьютерное моделирование проводились для четырех условий внешних воздействий, обозначенных выше как №1-4. Анализ результатов показал, что НСЭ 3 требует дополнительной настройки при плохих погодных условиях, что подтверждает обоснованность включения в его архитектуру НСК 4 с базой знаний НС с наилучшей идентификацией движения судна по курсу при различных условиях плавания (в частности, №1-4). Проведенная НСЭ 3 адаптация РНЛ 2 за счет настройки параметров последнего приводила к новым значения настраиваемых параметров РНЛ 2.Computer simulation was carried out for four conditions of external influences, indicated above as No. 1-4. An analysis of the results showed that
После проведения серии экспериментов моделирования в базе знаний НСК 4 были сохранены соответствующие различным условиям нейросетевые модели, например, было сохранено 12 нейросетевых моделей траулера для различных погодных условий и различной скорости движения. В качестве примера на фиг. 6 показан процесс адаптации для судна типа траулер при резком изменении погоды, в частности от условий плавания №1 до условий плавания №4, за счет выбора оптимальных из числа сохраненных нейросетевых моделей. Анализ данных адаптации показывает, что среднеквадратический интегральный критерий отклонения судна от курса уменьшился с 2,43 (за первые три минуты) до 0,16 (за последние 3 минуты), причем оптимизация этого критерия проходила при условии обеспечения работы рулевой машины не более 2/3 исследуемого периода, что значительно превосходит соответствующие показатели известных аналогов (например, по техническим решениям RU 2359308 C2 и CN 102183957 A, описанным выше).After a series of modeling experiments, the
При адаптации РНЛ 2 возможны и другие целевые функции, позволяющие минимизировать нагрузку на рулевую машину при соблюдении условия качественного удержания судна на курсе. Например, если ослабить требования времени работы до 1/2, то нагрузка на рулевую машину уменьшится, сократится время работы рулевой машины, но несколько ухудшится качество удержания судна на курсе, при этом интегральный критерий в этом случае составит 0,31, что все равно позволяет значительно превосходить характеристики известных аналогов.When adapting
Следует понимать, что приведенные выше примеры использованы только для целей иллюстрации возможности осуществления настоящего изобретения и ряда его преимуществ, и эти примеры не ограничивают объем правовой охраны, представленный в формуле изобретения, при этом специалист в этой области относительно просто способен осуществить и другие варианты изобретения без отхода от сущности изобретения в рамках объема правовой охраны.It should be understood that the above examples are used only to illustrate the feasibility of the present invention and a number of its advantages, and these examples do not limit the scope of legal protection presented in the claims, while a specialist in this field is relatively easy to implement other variants of the invention without departure from the essence of the invention within the scope of legal protection.
Claims (14)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2012132893/11A RU2519315C2 (en) | 2012-08-01 | 2012-08-01 | Method for automatic control of heading of ship and intelligent system for realising said method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2012132893/11A RU2519315C2 (en) | 2012-08-01 | 2012-08-01 | Method for automatic control of heading of ship and intelligent system for realising said method |
Publications (2)
Publication Number | Publication Date |
---|---|
RU2012132893A RU2012132893A (en) | 2014-02-20 |
RU2519315C2 true RU2519315C2 (en) | 2014-06-10 |
Family
ID=50113639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2012132893/11A RU2519315C2 (en) | 2012-08-01 | 2012-08-01 | Method for automatic control of heading of ship and intelligent system for realising said method |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2519315C2 (en) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2589367C1 (en) * | 2015-02-03 | 2016-07-10 | федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Санкт-Петербургский государственный морской технический университет" (СПбГМТУ) | Method of monitoring emergency situations in conditions of uncertainty of medium |
RU2672236C2 (en) * | 2017-01-31 | 2018-11-12 | Виталий Александрович Бондарев | Method of preventing marine vessels collision |
RU2678762C1 (en) * | 2018-02-13 | 2019-01-31 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Государственный морской университет имени адмирала Ф.Ф. Ушакова" | Method and system for control of vessel location by means of fuzzy logic |
RU2681740C2 (en) * | 2017-05-02 | 2019-03-12 | Акционерное общество "РОТЕК" (АО "РОТЕК") | Method of controlling a technical system by holding an optimum point of the system state on aggregated two-dimensional and three-dimensional groups of parameters |
RU2741669C1 (en) * | 2020-08-18 | 2021-01-28 | Акционерное общество "Кронштадт Технологии" | System for coordinated control of ship movement in modes of automatic and remote control |
RU2760823C1 (en) * | 2021-05-04 | 2021-11-30 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Государственный морской университет имени адмирала Ф.Ф. Ушакова" | Experimental marine modular complex |
RU2782035C2 (en) * | 2020-05-25 | 2022-10-21 | Федеральное государственное казенное военное образовательное учреждение высшего образования "Военная академия войсковой противовоздушной обороны Вооруженных Сил Российской Федерации имени Маршала Советского Союза А.М. Василевского" Министерства обороны Российской Федерации | Simulation model of system for control of air target based on unmanned aerial vehicle of target complex |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110101106B (en) * | 2019-05-31 | 2021-07-16 | 杭州安脉盛智能技术有限公司 | Moisture control method and system for dampening and humidifying process based on fuzzy feedforward feedback algorithm |
CN110703605B (en) * | 2019-10-29 | 2022-04-22 | 大连海事大学 | Self-adaptive fuzzy optimal control method and system for intelligent ship autopilot system |
CN111026116B (en) * | 2019-12-16 | 2023-05-26 | 上海船舶研究设计院(中国船舶工业集团公司第六0四研究院) | Ship manipulation control method and device and electronic equipment |
CN114840928B (en) * | 2022-05-07 | 2023-04-18 | 西北工业大学 | Underwater vehicle cluster motion simulation method based on deep learning |
CN114906292A (en) * | 2022-05-17 | 2022-08-16 | 武汉理工大学 | Ship navigation control device based on mechanical arm |
CN115145282A (en) * | 2022-07-18 | 2022-10-04 | 中国船舶重工集团公司第七0七研究所九江分部 | Automatic berthing robust self-adaptive control method for under-actuated ship |
CN116620492B (en) * | 2023-07-25 | 2023-10-24 | 自然资源部第一海洋研究所 | Deformable unmanned ship and deformation method |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6611737B1 (en) * | 1999-04-23 | 2003-08-26 | Canadian Space Agency | Advanced ship autopilot system |
RU2251721C2 (en) * | 2002-08-01 | 2005-05-10 | Соловьев Виктор Иванович | Intellectual control system |
RU2296355C2 (en) * | 2004-12-17 | 2007-03-27 | Государственное образовательное учреждение высшего профессионального образования "Комсомольский-на-Амуре государственный технический университет" (ГОУВПО "КнАГТУ") | Automatic control method and system for realization thereof |
RU2359308C2 (en) * | 2007-11-29 | 2009-06-20 | Нелли Алексеевна Седова | Neural network regulator for controlling ship heading |
CN102183957A (en) * | 2011-03-04 | 2011-09-14 | 哈尔滨工程大学 | Ship course variable universe fuzzy and least square support vector machine compound control method |
-
2012
- 2012-08-01 RU RU2012132893/11A patent/RU2519315C2/en not_active IP Right Cessation
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6611737B1 (en) * | 1999-04-23 | 2003-08-26 | Canadian Space Agency | Advanced ship autopilot system |
RU2251721C2 (en) * | 2002-08-01 | 2005-05-10 | Соловьев Виктор Иванович | Intellectual control system |
RU2296355C2 (en) * | 2004-12-17 | 2007-03-27 | Государственное образовательное учреждение высшего профессионального образования "Комсомольский-на-Амуре государственный технический университет" (ГОУВПО "КнАГТУ") | Automatic control method and system for realization thereof |
RU2359308C2 (en) * | 2007-11-29 | 2009-06-20 | Нелли Алексеевна Седова | Neural network regulator for controlling ship heading |
CN102183957A (en) * | 2011-03-04 | 2011-09-14 | 哈尔滨工程大学 | Ship course variable universe fuzzy and least square support vector machine compound control method |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2589367C1 (en) * | 2015-02-03 | 2016-07-10 | федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Санкт-Петербургский государственный морской технический университет" (СПбГМТУ) | Method of monitoring emergency situations in conditions of uncertainty of medium |
RU2672236C2 (en) * | 2017-01-31 | 2018-11-12 | Виталий Александрович Бондарев | Method of preventing marine vessels collision |
RU2681740C2 (en) * | 2017-05-02 | 2019-03-12 | Акционерное общество "РОТЕК" (АО "РОТЕК") | Method of controlling a technical system by holding an optimum point of the system state on aggregated two-dimensional and three-dimensional groups of parameters |
RU2678762C1 (en) * | 2018-02-13 | 2019-01-31 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Государственный морской университет имени адмирала Ф.Ф. Ушакова" | Method and system for control of vessel location by means of fuzzy logic |
RU2782035C2 (en) * | 2020-05-25 | 2022-10-21 | Федеральное государственное казенное военное образовательное учреждение высшего образования "Военная академия войсковой противовоздушной обороны Вооруженных Сил Российской Федерации имени Маршала Советского Союза А.М. Василевского" Министерства обороны Российской Федерации | Simulation model of system for control of air target based on unmanned aerial vehicle of target complex |
RU2741669C1 (en) * | 2020-08-18 | 2021-01-28 | Акционерное общество "Кронштадт Технологии" | System for coordinated control of ship movement in modes of automatic and remote control |
RU2760823C1 (en) * | 2021-05-04 | 2021-11-30 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Государственный морской университет имени адмирала Ф.Ф. Ушакова" | Experimental marine modular complex |
Also Published As
Publication number | Publication date |
---|---|
RU2012132893A (en) | 2014-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2519315C2 (en) | Method for automatic control of heading of ship and intelligent system for realising said method | |
US20220004191A1 (en) | Usv formation path-following method based on deep reinforcement learning | |
US10065680B2 (en) | Method of building smart and vehicle control model, and method and apparatus for controlling smart vehicle | |
CN103592849B (en) | Ship dynamic positioning control method | |
WO2011021044A1 (en) | Fuzzy inference apparatus and methods, systems and apparatuses using such inference apparatus | |
Al-Mahasneh et al. | Applications of general regression neural networks in dynamic systems | |
CN111880546A (en) | Virtual guide ship automatic berthing control method based on self-adaptive dynamic programming algorithm | |
CN112347923A (en) | Roadside end pedestrian track prediction algorithm based on confrontation generation network | |
Witt et al. | Recent technological advances in the control and guidance of ships | |
Zhang et al. | Multi-fault diagnosis for autonomous underwater vehicle based on fuzzy weighted support vector domain description | |
Langford et al. | Enhancing learning-enabled software systems to address environmental uncertainty | |
RU2359308C2 (en) | Neural network regulator for controlling ship heading | |
Sedova et al. | Neural network classifier for automatic course-keeping based on fuzzy logic | |
Rajagopalan et al. | Intelligent missile guidance using artificial neural networks | |
Richards et al. | Three-dimensional shape optimization utilizing a learning classifier system | |
CN114967431A (en) | Control device for controlling a technical system and method for configuring a control device | |
Vianna et al. | Neural Network Based Model Predictive Control for an Autonomous Vehicle | |
Jiang et al. | Aggregation of reinforcement learning algorithms | |
Ebada | Intelligent techniques-based approach for ship manoeuvring simulations and analysis: artificial neural networks application | |
Kohler et al. | PID tuning using cross-entropy deep learning: A Lyapunov stability analysis | |
Liu et al. | Tackling task allocation uncertainty via a combinatorial method | |
Zhang et al. | Star Identification Utilizing Neural Networks | |
Szymak | Comparison of fuzzy system with neural aggregation FSNA with classical TSK fuzzy system in anti-collision problem of USV | |
Shin et al. | Adversarial imitation learning via random search in lane change decision-making | |
Sutton et al. | Neuro-fuzzy techniques applied to a ship autopilot design |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20150802 |