基于深度置信网络的船舶自动舵制造技术

本发明专利技术涉及基于深度置信网络(DBN)的船舶自动舵，包括：微处理器模块、存储器模块、通信模块及人机接口模块；微处理器模块的输入输出端与存储器模块的输出输入端相连；微处理器模块与通信模块的输出输入端相连；微处理器模块与人机接口模块的输出端相连，微处理器模块接收人机接口模块的船员考试数据信息，并根据船员考试数据信息建立深度置信网络模型，再将深度置信网络模型转换成普通神经网络模型，通信模块接收船舶航行环境信息，并将船舶航行环境信息发送到微处理器模块，微处理器模块通过普通神经网络模型对船舶航行环境信息进行计算获得舵角数据。该船舶自动舵能在不同环境下对船舶进行自动驾驶，减轻船员工作量，促进航运业发展。

Ship autopilot based on deep confidence network

The present invention relates to a deep belief network (DBN) based on autopilot, including microprocessor module, memory module, communication module and man-machine interface module; the output input input output end of the microprocessor module and memory module is connected with the input output; the microprocessor module and the communication module is connected with the output; the microprocessor module and man-machine interface module. End, the crew test data information microprocessor module receives the man-machine interface module, and according to the test data to establish crew deep belief network model, then the deep belief network model into a common neural network model, the communication module receives the navigation environment information, and the navigation environment information is sent to the microprocessor module, microprocessor module calculation agreed the common neural network model of ship navigation environment information Get the rudder angle data. The ship autopilot can drive the ship automatically in different environments, lighten the crew's workload and promote the development of the shipping industry.

【技术实现步骤摘要】
基于深度置信网络的船舶自动舵
本专利技术涉及船舶自动控制
，特别涉及基于深度置信网络的船舶自动舵。
技术介绍
船舶借助螺旋桨的推力和舵的舵力来改变和保持航速或航向，实现从出发港到目的港的航行计划。随着科技的发展，未来船舶必会朝着结构复杂化，操作自动化的方向发展。而船舶操舵系统是非常重要的控制系统，是用来控制船舶航向的设备，它能克服使船舶偏离预定航向的各种影响，使船舶自动地稳定在预定的航向上运行，因此舵的自动化是实现船舶自动化的关键，其性能直接影响着船舶航行的操纵性、经济性和安全性，因此自动舵技术一直是被当作具有较高经济价值和社会效益的科学技术，自1922年自动舵问世以来，一代又一代的工程技术人员对如何改善该系统的性能不断进行探索和研究。实践表明，将优良的控制算法应用于船舶自动舵上，可以大幅提高船舶的操纵性能和船舶的反应能力，同时能够有效节省船舶航行所消耗的能源，降低污染物的排放，降低船员工作量，促进航运业的发展。现有技术中自动舵精度低、适应能力较弱。
技术实现思路
本专利技术提供了一种基于深度置信网络的船舶自动舵，解决了或部分解决了现有技术中自动舵精度低、适应能力较弱的技术问题。本专利技术提供的基于深度置信网络的船舶自动舵，包括：微处理器模块、存储器模块、通信模块及人机接口模块；所述微处理器模块的输入输出端与所述存储器模块的输出输入端相连；所述微处理器模块与所述通信模块的输出输入端相连；所述微处理器模块与所述人机接口模块的输出端相连；所述微处理器模块接收所述人机接口模块的船员考试数据信息，并根据所述船员考试数据信息建立深度置信网络模型，再将所述深度置信网络模型转换成普通神经网络模型；所述存储器模块存储所述普通神经网络模型；所述通信模块接收船舶航行环境信息，并将所述船舶航行环境信息发送到所述微处理器模块，所述微处理器模块通过所述普通神经网络模型对所述船舶航行环境信息进行计算获得舵角数据。作为优选，所述深度置信网络模型包括：一层输入层、四层隐藏层以及一层输出层；所述输入层的节点数量为70个；第一层所述隐藏层的节点数量为所述输入层的节点数量的1/3～2/3；第二层所述隐藏层的节点数量为第一层所述隐藏层的节点数量的1/3～2/3；第三层所述隐藏层的节点数量等于第二层所述隐藏层的节点数量，第三层所述隐藏层的输出节点数量为7个；第四层所述隐藏层的节点数量等于第一层所述隐藏层的节点数量，第四层所述隐藏层的输出节点数量为7个。作为优选，所述船员考试数据信息为高级船员/引航员考试培训系统的信息；所述船员考试数据信息包括：船舶航行的外部环境、船速和舵角，所述船舶航行的外部环境至少包括：风、浪、流及天气。作为优选，根据所述船员考试数据信息建立深度置信网络模型，再将所述深度置信网络模型转换成普通神经网络模型，包括：采用对比散度算法对组成所述深度置信网络模型的受限波尔兹曼机进行逐层训练，得到所述深度置信网络模型的初始数据；将所述深度置信网络模型转换为所述普通神经网络模型；利用反向传播算法，并结合所述船员考试数据信息中操船成绩较好的历史数据，对所述普通神经网络模型进行微调。作为优选，所述船舶航行环境信息至少包括：风、流、浪以及天气。作为优选，所述微处理器模块获得所述舵角数据后，将所述舵角数据发送至船舶主控机，所述船舶主控机操作船舶舵机工作。作为优选，所述微处理器模块为嵌入式微处理器或移动式桌面微处理器。作为优选，所述通信模块包括但不限于：串行RS232接口、422/485接口、USB接口以及网络接口。本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：由于采用了由微处理器模块、存储器模块、通信模块及人机接口模块组成的船舶自动舵，微处理器模块接收人机接口模块的船员考试数据信息，并根据船员考试数据信息建立深度置信网络模型，再将深度置信网络模型转换成普通神经网络模型；存储器模块存储普通神经网络模型；通信模块接收船舶航行环境信息，并将船舶航行环境信息发送到微处理器模块，微处理器模块通过普通神经网络模型对船舶航行环境信息进行计算获得舵角数据；将深度置信网络应用于船舶自动舵中，能够更加真实的模拟人脑的工作原理，实现对船位更为精确的控制，并且能够提高自动舵的学习能力以及对于环境的自适应能力。这样，有效解决了现有技术中自动舵精度低、适应能力较弱的技术问题，实现了在不同环境下对船舶进行自动驾驶，在一定程度上减轻船员工作量，促进航运业发展的技术效果。附图说明图1为本专利技术提供的基于深度置信网络的船舶自动舵的信息通讯示意图。具体实施方式本申请实施例提供的基于深度置信网络的船舶自动舵，解决了或部分解决了现有技术中自动舵精度低、适应能力较弱的技术问题，通过设置由微处理器模块、存储器模块、通信模块及人机接口模块组成的船舶自动舵，微处理器模块接收人机接口模块的船员考试数据信息，并根据船员考试数据信息建立深度置信网络模型，再将深度置信网络模型转换成普通神经网络模型，微处理器模块通过普通神经网络模型对船舶航行环境信息进行计算获得舵角数据；实现了在不同环境下对船舶进行自动驾驶，在一定程度上减轻船员工作量，促进航运业发展的技术效果。本专利技术提供的基于深度置信网络的船舶自动舵，包括：微处理器模块、存储器模块、通信模块及人机接口模块；微处理器模块的输入输出端与存储器模块的输出输入端相连；微处理器模块与通信模块的输出输入端相连；微处理器模块与人机接口模块的输出端相连。微处理器模块接收人机接口模块的船员考试数据信息，并根据船员考试数据信息建立深度置信网络模型，再将深度置信网络模型转换成普通神经网络模型。存储器模块存储普通神经网络模型。通信模块接收船舶航行环境信息，并将船舶航行环境信息发送到微处理器模块，微处理器模块通过普通神经网络模型对船舶航行环境信息进行计算获得舵角数据。其中，船舶航行环境信息至少包括：风、流、浪以及天气。进一步的，深度置信网络模型包括：一层输入层、四层隐藏层以及一层输出层；输入层的节点数量为70个；第一层隐藏层的节点数量为输入层的节点数量的1/3～2/3；第二层隐藏层的节点数量为第一层隐藏层的节点数量的1/3～2/3；第三层隐藏层的节点数量等于第二层隐藏层的节点数量，第三层隐藏层的输出节点数量为7个；第四层隐藏层的节点数量等于第一层隐藏层的节点数量，第四层隐藏层的输出节点数量为7个。进一步的，船员考试数据信息为高级船员/引航员考试培训系统的信息；船员考试数据信息包括：船舶航行的外部环境、船速和舵角，船舶航行的外部环境至少包括：风、浪、流及天气。进一步的，根据船员考试数据信息建立深度置信网络模型，再将深度置信网络模型转换成普通神经网络模型，包括：采用对比散度算法对组成深度置信网络模型的受限波尔兹曼机进行逐层训练，得到深度置信网络模型的初始数据；将深度置信网络模型转换为普通神经网络模型；利用反向传播算法，并结合船员考试数据信息中操船成绩较好的历史数据，对普通神经网络模型进行微调。进一步的，微处理器模块获得舵角数据后，将舵角数据发送至船舶主控机，船舶主控机操作船舶舵机工作。微处理器模块为嵌入式微处理器或移动式桌面微处理器。通信模块包括但不限于：串行RS232接口、422/485接口、USB接口以及网络接口。下面通过具体实施例对本申请的基于深度置信网络本文档来自技高网...

【技术保护点】
一种基于深度置信网络的船舶自动舵，其特征在于，包括：微处理器模块、存储器模块、通信模块及人机接口模块；所述微处理器模块的输入输出端与所述存储器模块的输出输入端相连；所述微处理器模块与所述通信模块的输出输入端相连；所述微处理器模块与所述人机接口模块的输出端相连；所述微处理器模块接收所述人机接口模块的船员考试数据信息，并根据所述船员考试数据信息建立深度置信网络模型，再将所述深度置信网络模型转换成普通神经网络模型；所述存储器模块存储所述普通神经网络模型；所述通信模块接收船舶航行环境信息，并将所述船舶航行环境信息发送到所述微处理器模块，所述微处理器模块通过所述普通神经网络模型对所述船舶航行环境信息进行计算获得舵角数据。

【技术特征摘要】
1.一种基于深度置信网络的船舶自动舵，其特征在于，包括：微处理器模块、存储器模块、通信模块及人机接口模块；所述微处理器模块的输入输出端与所述存储器模块的输出输入端相连；所述微处理器模块与所述通信模块的输出输入端相连；所述微处理器模块与所述人机接口模块的输出端相连；所述微处理器模块接收所述人机接口模块的船员考试数据信息，并根据所述船员考试数据信息建立深度置信网络模型，再将所述深度置信网络模型转换成普通神经网络模型；所述存储器模块存储所述普通神经网络模型；所述通信模块接收船舶航行环境信息，并将所述船舶航行环境信息发送到所述微处理器模块，所述微处理器模块通过所述普通神经网络模型对所述船舶航行环境信息进行计算获得舵角数据。2.如权利要求1所述的基于深度置信网络的船舶自动舵，其特征在于，所述深度置信网络模型包括：一层输入层、四层隐藏层以及一层输出层；所述输入层的节点数量为70个；第一层所述隐藏层的节点数量为所述输入层的节点数量的1/3～2/3；第二层所述隐藏层的节点数量为第一层所述隐藏层的节点数量的1/3～2/3；第三层所述隐藏层的节点数量等于第二层所述隐藏层的节点数量，第三层所述隐藏层的输出节点数量为7个；第四层所述隐藏层的节点数量等于第一层所述隐藏层的节点数量，第四层所述隐藏层的输出节点数量为7个。3.如权利要求1所述的基于深度置信网络的船舶自...

【专利技术属性】
技术研发人员：李少伟，
申请(专利权)人：江汉大学，
类型：发明
国别省市：湖北,42