一种基于在线快速自组织模糊神经网络的船舶领域模型的辨识方法技术

本发明专利技术提出了一种基于在线快速自组织模糊神经网络的船舶领域模型的辨识方法，具有如下步骤：选定船舶安全区域模型，确定该模型的函数、输入变量和期望输出值；建立包含输入层、隶属函数层、T-范数层和输出层的动态模糊神经网络；使用包含所述模型的输入变量和输出值的训练数据集，对所述动态模糊神经网络进行训练直至达到精度要求；将两艘对应船舶的航行参数，作为输入变量输入训练完毕后的船舶安全区域模型，得到两艘船舶的船舶安全区域。由于采用了上述技术方案，相对与传统的船舶领域模型，经过本发明专利技术修正的安全模型，具有更好的精度，安全性也更高。

【技术实现步骤摘要】
一种基于在线快速自组织模糊神经网络的船舶领域模型的辨识方法
本专利技术涉及一种船舶领域模型的修正方法，尤其涉及一种基于广义自组织神经网络的船舶领域模型的修正方法。
技术介绍
海上智能交通交通作为我国科技发展战略的重要组成部分，已逐渐成为船舶交通和信息科学有效融合的新兴交叉研究热点。而对于海上交通系统的个体船舶行为的研究，则显得尤为重要。20世纪六七十年代，日本的加藤[1]提出船舶航行安全领域的概念至今，文献[2][3][4][5]中可知，研究者提出了各种不同形状、大小的船舶航行安全领域模型。在现代船舶领域中有着广泛的应用。但是，始终无法形成一个统一的模型，造成上述问题的主要原因有：（1）不同的航行环境的因素导致产生不同形状、大小的模型；（2）大多数的模型都按照统计数据或模拟实验的方法形成；（3）现有的模型都易于理解，但却很难被应用到实际中去。文献[3][4]提出了一种复杂的六边形船舶领域模型，用船速和船舶回旋参数确定各边尺寸，该模型使得避碰情况下的船舶便于采用进化算法对其航迹进行优化，但其复杂程度较高，物理意思较含糊，不便于理解和实际应用。[5]结合船舶转向性能等因素给出几种情况下船舶领域边界的量化方法，船舶的操纵性能在该方法中得到体现，但模型尺寸与影响因素之间的函数关系是人为给定的一种粗略的估算公式。值得注意的是[2]提出的“横截面积”模型是由前后两个半椭圆拼合而成，由船舶操纵参数和航行速度等决定，是经典模型之一。另一方面，模糊系统、神经网络和模糊神经网络快速发展，并因其具有非常好的逼近、泛化能力，迅速应用于工业领域中。设计模糊系统、神经网络和模糊神经网络时，都必须先确定规则数活隐节点数，同时应用误差反向传播的方式学习算法进行训练。众所周知，该方法学习速度慢，容易陷入局部极小点。因此，迫切需要找到一个针对实时应用的快速学习方法。为解决上述问题，研究者提出了动态神经网络。但D-FNN存在以下缺点：动态模糊神经网络（DFNN）在输入空间划分是用标准高斯函数，其规则中输入变量的所有高斯函数的宽度都是相同，这一点与现实通常不相符合，特别是当输入变量具有很不一样的工作区间时。动态模糊神经网络（DFNN）不管其隶属函数是如何分布的，其隶属函数与模糊规则的数量都相同。这导致一些隶属函数严重重叠，抽取出的模糊规则难以理解。动态模糊神经网络（DFNN）中第一条模糊规则的高斯函数宽度为随机选取的。动态模糊神经网络（DFNN）中存在太多预先设定的参数，且这些参数都缺乏物理意义，从而在选择这些特定参数时比较困难。对于动态模糊神经网络（DFNN）输入量必须进行归一化和输出量的反归一化，这样将加大计算量，达到较好的逼近效果的时间长。因此，本专利技术则基于“横截面积”模型和自组织模糊神经网络提出一个新的智能船舶领域的模型。
技术实现思路
本专利技术针对以上问题的提出，而研制的一种基于快速在线自组织神经网络的船舶领域模型的辨识方法，具有如下步骤：—选定船舶安全区域模型，确定该模型的函数、输入变量和期望输出值；—建立包含输入层、隶属函数层、T-范数层和输出层的动态模糊神经网络；—使用包含所述模型的输入变量和输出值的训练数据集，对所述动态模糊神经网络进行训练直至达到精度要求；—将两艘对应船舶的航行参数，作为输入变量输入训练完毕后的船舶安全区域模型，得到两艘船舶的船舶安全区域。所述船舶安全区域模型为横截面积模型：该模型近似由前后两个半椭圆拼合而成，该模型的函数如下式所示：其中，Rbf、Rba和Sb分别代表区域的前、后椭圆的半径和横截半径，T90为船舶转向90度所需的时间、DT为回转直径、s与t为环境参数；输入变量为：Pk=[Lk，Bk，U1k，U2k，αk]，期望输出为：k=1，2.....n，U2k代表目标船船速；αk代表两船夹角。所述的动态模糊神经网络具体包括：输入层：具有多个节点，每个节点代表一个输入的语言变量；隶属函数层：具有多个节点，每个节点代表一个隶属函数，所述隶属函数使用高斯函数表述如下：其中，i=1,2......r，j=1,2.....u，其中μij为xi的第j个隶属函数，cij是xi的第j个高斯函数的中心，σjL,σjR分别代表xi的第j个隶属函数的左右宽度，r是输入变量数，u是系统总的规则数，x代表一个输入的语言变量，x=[x1,x2,........xi]，xi表示x在第i维上的数值；T-范数层：具有多个节点，每个节点代表一个可能的模糊规则的IF-部分，第j个规则的输出为：j=1,2，.....，u，其中：输出层：至少具有一个节点，该层中的每个节点分别表示一个输出变量，该输出是所有输入信号的叠加：y是输出变量，ωj是THEN-部分，对于TSK模型：ωj＝α0j+α1jx1+α2jx2,.....,+αrjxr，j=1,2，.....，u。针对横截面积模型的三个变量构建三个独立的广义自组织神经网络：所述动态模糊神经网络训练包含如下步骤：—用非对称高斯函数计算数据对各个中心的隶属度，期望精度ke与可容纳有效半径kd，ke＝max{emaxβk-1,emin}，kd＝max{dmaxγk-1,dmin}；—用非对称高斯函数计算数据对各个高斯中心的隶属度，期望精度ke与可容纳有效半径kd，ke＝max{emaxβk-1,emin}，kd＝max{dmaxγk-1,dmin}；—计算系统误差：||ek||＝||tk-yk||；计算欧式距离：djk＝||Xk-Cj||，并找到最小欧式距离，使dk,dim＝mindjk，—定义误差下降率：运用线性回归方程T＝ΨA+E及QR分解Ψ＝PQ，其中T：期望输出向量；A：权向量；Ψ：回归矩阵；E误差向量；P：正交矩阵，P∈Rn*v；Q：上三角矩阵，Q∈Rv*v；解得i=1,2，.....，u。,i=1,2，.....，u。定义泛化因子GF：判断公式：||ek||＞ke、dk,dim＞kd和GF＜kGF是否同时满足；若满足，则：生产一条新规则,新规则的满足：其中：Λu+1＝[α0,u+1,α1,u+1,...,αr,u+1]，参数更新：矩阵Pk按更新；根据EKF方法更新各子函数的宽度：用最小二乘法确定输出权值A*：A*＝(ΨTΨ)-1ΨTT；若不满足，只需调整系统参数，不增加模糊规则；—反复训练，直到网本文档来自技高网...

【技术保护点】
一种基于在线快速自组织模糊神经网络的船舶领域模型的辨识方法，具有如下步骤：—选定船舶安全区域模型，确定该模型的函数、输入变量和期望输出值；—建立包含输入层、隶属函数层、T?范数层和输出层的动态模糊神经网络；—使用包含所述模型的输入变量和输出值的训练数据集，对所述动态模糊神经网络进行训练直至达到精度要求；—将本船的航行参数，作为输入变量输入训练完毕后的船舶安全区域模型，得到本船的船舶安全区域。

【技术特征摘要】
1.一种基于在线快速自组织模糊神经网络的船舶领域模型的辨识方法，具有如下步骤：—选定船舶安全区域模型，确定该模型的函数、输入变量和期望输出值；—建立包含输入层、隶属函数层、T-范数层和输出层的动态模糊神经网络；—使用包含所述模型的输入变量和输出值的训练数据集，对所述动态模糊神经网络进行训练直至达到精度要求；—将本船的航行参数，作为输入变量输入训练完毕后的船舶安全区域模型，得到本船的船舶安全区域；所述船舶安全区域模型为横截面积模型：该模型近似由前后两个半椭圆拼合而成，该模型的函数如下式所示：其中，Rbf、Rba和Sb分别代表区域的前、后椭圆的半径和横截半径，T90为船舶转向90度所需的时间、DT为回转直径、s与t为环境参数；输入变量为：Pk＝[Lk，Bk，U1k，U2k，αk]，期望输出为：k＝1，2.....n，U2k代表目标船船速；αk代表两船夹角；L、B、U分别代表船舶的长、宽和速度，U1k代表本船舶的船速；所述的动态模糊神经网络具体包括：输入层：具有多个节点，每个节点代表一个输入的语言变量；隶属函数层：具有多个节点，每个节点代表一个隶属函数，所述隶属函数使用高斯函数表述如下：其中，i＝1,2......r，j＝1,2.....u，其中μij为xi的第j个隶属函数，cij是xi的第j个高斯函数的中心，σjL,σjR分别代表xi的第j个隶属函数的左右宽度，r是输入变量数，u是系统总的规则数，x代表一个输入的语言变量，x＝[x1,x2,........xi]，xi表示x在第i维上的数值；T-范数层：具有多个节点，每个节点代表一个可能的模糊规则的IF-部分，第j个规则的输出为：其中

【专利技术属性】
技术研发人员：王宁，董诺，刘刚健，孟凡超，孙树蕾，汪旭明，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：