基於支持向量機的船舶操縱運動建模研究

《基於支持向量機的船舶操縱運動建模研究》是依託上海交通大學，由鄒早建擔任項目負責人的面上項目。

基本介紹

• 中文名：基於支持向量機的船舶操縱運動建模研究
• 項目類別：面上項目
• 項目負責人：鄒早建
• 依託單位：上海交通大學

項目摘要

本項目將支持向量機（SVM）套用於船舶操縱運動建模研究。套用SVM，結合自航模試驗，對船舶操縱運動進行機理建模，辨識得到操縱運動數學模型中的水動力導數和干擾係數；結契約束模試驗，對水動力進行機理建模，套用辨識得到的參數模型進行水動力插值預報，用於指導約束模試驗設計；對機理建模中出現的參數漂移提出解決方案；對操縱運動水動力和操縱性進行黑箱建模研究，建立泛化性能良好的不依賴於數學表達式模型的黑箱模型，並開發SVM的線上學習功能，對操縱運動進行實時預報。通過本項目的研究，在基於SVM的船舶操縱運動建模研究方面取得國際領先的學術成果，可為船舶操縱運動建模和操縱性預報提供新的有效手段，為指導船舶操縱性相關自航模和約束模試驗的最佳化設計提供新的思路和方法。本項目的研究還可為今後將該建模方法套用於實船標準操縱試驗以分析尺度效應的影響、套用於其他船舶水動力學問題以及其他水面水下海洋運載器的運動建模奠定基礎。

結題摘要

套用ε-SVM分析仿真的Z形試驗數據，辨識了Abkowitz模型和回響模型的模型參數，並用所建模型預報了Z形試驗；通過將模型參數辨識結果及操縱運動預報結果和仿真試驗模型參數值及仿真試驗結果進行比較，驗證了ε-SVM套用於自航模試驗分析的可行性。 套用ε-SVM分析約束模試驗數據，回歸了Abkowitz模型中的水動力表達式，並套用回歸結果對水動力進行了預報，預報結果和約束模試驗結果的比較驗證了ε-SVM套用於約束模試驗分析的可行性。 套用小波分析對操縱性試驗數據進行消噪預處理，通過向Z形試驗仿真數據中添加隨機數序列，得到含有野值的數據並套用小波分析對其進行消噪；基於含有野值的數據和經過消噪的數據辨識了回響模型參數，並進行了Z形試驗預報；通過將模型參數辨識值及預報結果和仿真試驗模型參數值及仿真結果進行比較，驗證了小波消噪套用於操縱性試驗數據預處理的有效性。 開發了基於切比雪夫正交基的神經網路；以舵角和運動變數為輸入，以水動力為輸出，套用ε-SVM、經典BP神經網路和切比雪夫神經網路對Abkowitz模型中的非線性函式關係進行了辨識，對水動力進行了預報；預報結果的比較表明ε-SVM的學習性能最優。 在分析自航模試驗以對非線性模型辨識時，通過向訓練樣本對中添加隨機數序列，有效地抑制了參數漂移；在分析約束模試驗以對非線性模型的水動力表達式回歸時，通過對表達式進行等價變換，消除了變數之間的線性相關性，有效地避免了參數漂移。 套用ε-SVM對非線性水動力模型進行黑箱建模，以Z形試驗仿真數據為輸入，以計算的水動力為輸出，對模型中的映射關係進行辨識，並基於辨識結果對水動力進行了預報；同時，基於變Z形試驗，套用LS-SVM進行黑箱建模，利用所建模型對不同的變Z形試驗及迴轉試驗進行預報，通過預報和試驗結果的比較，驗證了SVM套用於操縱運動黑箱建模的有效性。 推導了LS-SVM的增量式算法並將其套用於船舶操縱運動線上建模。基於仿真試驗對水動力導數進行了線上辨識；基於自航模試驗對操縱性指數進行線上辨識，並利用辨識結果對自航模試驗進行了預報，通過預報和試驗結果的比較，證明了增量式LS-SVM套用於操縱運動線上建模的有效性。