基于RBF辨识的ICA‑CMAC神经网络的欠驱动无人艇航迹跟踪控制方法技术

本发明专利技术提供的是一种基于RBF辨识的ICA‑CMAC神经网络的欠驱动无人艇航迹跟踪控制方法。首先用位置参考系统、姿态参考系统测得USV位置信息和艏向姿态信息，对获取的USV姿态及位置信号进行滤波及时空对准，得到当前USV精确位置及姿态；然后采用ICA‑CMAC神经网络与积分分离式PID并行控制方法；ICA‑CMAC神经网络实现前馈控制，通过引入平衡学习常数进行可信度分配，根据调整指标和σ学习规则辨识USV逆模型，产生的输出作为USV输入的一部分；最后得到包括PID控制器和ICA‑CMAC神经网络的控制器总控制输出。本发明专利技术解决不确定外界干扰下USV航迹跟踪控制问题，所提方法降低对精确数学模型的依赖性，增强系统的自适应调整能力和抗干扰能力，提高算法的在线学习速度和航迹跟踪精度。

ICA CMAC RBF neural network identification of underactuated unmanned ship trajectory tracking control method based on

The invention provides a ICA CMAC RBF neural network identification of underactuated unmanned ship trajectory tracking control method based on. First position reference system, attitude reference system measured USV position information and heading attitude information, to obtain the USV attitude and position signal filtering and alignment of time and space, get the current USV precise position and attitude; then using ICA CMAC neural network with integral separation PID parallel control method; feedforward control to achieve ICA CMAC neural network, through the introduction of the balanced learning constant credibility distribution, according to the adjusted index and sigma learning rules identification inverse USV model, a part of the output as the input of USV; finally get the total control output includes a controller PID controller and ICA CMAC neural network. The invention solves the tracking control problem of uncertain external disturbance USV track, the proposed method reduces the dependence on the precise model, to enhance the ability of system adaptive and anti-jamming ability, improve the algorithm of online learning speed and tracking accuracy.

【技术实现步骤摘要】
基于RBF辨识的ICA-CMAC神经网络的欠驱动无人艇航迹跟踪控制方法
本专利技术涉及的是一种欠驱动无人艇航迹跟踪控制方法，具体地说是一种基于RBF辨识的ICA-CMAC神经网络的欠驱动无人艇航迹跟踪控制方法。
技术介绍
无人艇(USV)是一种能够在实际海洋环境下安全自主航行，完成各种任务的海上智能运动平台，可搭载传感器、通讯装置等，并且其具有操纵灵活、自动驾驶等特点，适合在各种恶劣环境下，执行诸如水域勘察、海洋资源探测、海岸防护、编队控制等不同任务，因此研究无人艇的航迹跟踪控制有重要的意义。欠驱动USV缺少横向驱动力，不受Brockett定理条件的约束，目前非完整系统发展起来的很多方法难以直接应用于USV的航迹跟踪控制问题。同时欠驱动USV动态还存在强非线性、强耦合性、参数摄动以及复杂外干扰等特性，因此欠驱动USV的航迹跟踪控制问题极具挑战性，研究欠驱动USV航迹跟踪控制方法更具有实际意义。近年来，神经网络以其强大的非线性映射能力、并行处理能力和自学习能力成为当今人工智能领域研究的热点之一。其中径向基函数(RadialBasisFunction，RBF)是局部逼近神经网络，所需调整的权值参数较少，可以在一个紧凑集和任意精度逼近任意非线性函数；小脑模型神经网络(CerebellarModelArticulationController，CMAC)是一种模拟小脑控制肢体功能的自适应神经网络，具有更好的非线性逼近能力，学习速度快，不会陷入局部极小值，硬件实现较为方便，适用于复杂环境下的非线性实时控制。此外实际USV航迹跟踪控制过程中存在不确定模型参数和未知外界干扰，难以建立精确的USV模型，同时控制系统的动态特性比较复杂，传统控制算法的鲁棒性和自适应性较差。
技术实现思路
本专利技术的目的在于提供一种能够实现不确定外界干扰下USV的航迹跟踪在线学习控制，可以降低对精确数学模型的依赖性，增强系统的自适应调整能力和抗干扰能力的基于RBF辨识的ICA-CMAC神经网络的欠驱动无人艇航迹跟踪控制方法。本专利技术的目的是这样实现的：(1)、初始化RBF和ICA-CMAC神经网络参数，包括：辨识器基宽向量B、学习速率λ，λ0、网络权值wj，wl、泛化参数c、平衡学习常数k0和PID控制参数初值；(2)采样得到期望输入信号r(k)和USV实际输出信号y(k)，计算艇体坐标系下的控制误差e(k)及e(1)，e(2)，e(3)；(3)、计算Jacobian辨识信息和RBF辨识网络的输出ym(k)；(4)、计算PID控制器的输出τp(k)，RBF性能指标函数E(k)，采用梯度下降法调整PID控制参数Δkp，Δki，Δkd；(5)、利用RBF辨识的PID控制器，由RBF网络来辨识USV模型，在线自适应的整定控制器参数，直到控制指标达到最好；(6)、ICA-CMAC神经网络在线进行学习，训练权值，计算ICA-CMAC输出τn(k)，网络调整的性能指标函数J(k)和ICA权值调整Δw(k)；(7)、USV的总控制输出τ(k)为PID控制器输出τp(k)和ICA-CMAC输出τn(k)之和；(8)、令k＝k+1，返回循环，满足条件时停止。本专利技术针对欠驱动USV航迹跟踪控制问题，将ICA-CMAC(ImprovedCreditAssignment-ICA)神经网络与积分分离式PID控制相结合，提出了一种基于RBF辨识的ICA-CMAC神经网络的控制方法，可以实现不确定外界干扰下USV的航迹跟踪在线学习控制。采用ICA-CMAC神经网络与PID并行控制方法；其中RBF网络用来辨识USV系统模型，在线自适应的整定控制参数，实现PID反馈控制；ICA-CMAC神经网络实现前馈控制，用以辨识被控对象的逆动态模型，实现在线学习控制；上述两种神经网络算法可以降低对精确数学模型的依赖性，增强系统的自适应调整能力和抗干扰能力，提高算法的在线学习速度和航迹跟踪精度。本专利技术提出的控制方法融合上述两种神经网络的优点。本专利技术的基于RBF辨识的ICA-CMAC神经网络的欠驱动无人艇航迹跟踪控制方法，实现不确定外界干扰下USV的航迹跟踪在线学习控制，同时可以降低对精确数学模型的依赖性，增强系统的自适应调整能力和抗干扰能力，提高算法的学习速度和航迹跟踪精度。本专利技术的基于RBF辨识的ICA-CMAC神经网络的欠驱动USV航迹跟踪控制方法的主要特征包括：一、获取USV的位置和姿态参数用位置参考系统测得USV的位置信息，用姿态参考系统测得USV的艏向姿态信息；对获取的USV的姿态及位置信号进行滤波及时空对准，得到当前USV精确位置及姿态。二、利用RBF辨识的自适应积分分离式PID控制RBF神经网络用于逼近被控对象，得到USV输出对输入的Jacobian辨识信息，进行PID控制参数的在线调整，参数整定后控制器的输出成为被控对象的输入，RBF调整的性能指标函数是辨识输出和实际输出差值的平方。三、ICA-CMAC神经网络与积分分离式PID的并行控制ICA-CMAC神经网络作为前馈控制，通过引入平衡学习常数改进可信度分配，提高在线学习速度，根据调整指标和σ学习规则辨识USV逆模型，产生的输出作为USV输入的一部分，在每个控制周期内，与USV的总控制输入进行比较，并通过网络权值的调整来减小两者之间的差值。本专利技术包括以下有益效果：1、本专利技术将位置及姿态传感器采集的数据，进行滤波及时空对准提高了数据的精度，对控制效果产生了较好的影响。2、本专利技术引入RBF辨识的自适应积分分离式PID进行USV航迹跟踪控制器的初步设计，实现控制器参数的在线自整定。3、本专利技术所述的ICA-CMAC神经网络控制算法，可以提高学习速度和航迹跟踪精度，用以取得响应迅速且输出平滑的控制效果。附图说明图1为本专利技术的系统结构图；图2为本专利技术的控制结构图；图3为RBF神经网络结构图；图4为ICA-CMAC神经网络结构图；图5为本专利技术的流程图。具体实施方式下面结合附图举例对本专利技术作进一步详细的说明。具体实施方式一、步骤一、获取USV的位置和姿态参数用位置参考系统测得USV的位置信息，用姿态参考系统测得USV的艏向姿态信息；对获取的USV姿态及位置信号进行滤波及时空对准，得到当前USV精确位置及姿态。步骤二、利用RBF辨识的自适应积分分离式PID控制RBF神经网络用于逼近被控对象，得到USV输出对输入的Jacobian辨识信息，进行PID控制参数的在线调整，参数整定后的控制器的输出成为被控对象的输入，RBF调整的性能指标函数是辨识输出和实际输出差值的平方。步骤三、ICA-CMAC神经网络与积分分离式PID的并行控制ICA-CMAC神经网络作为前馈控制，通过引入平衡学习常数改进可信度分配，提高在线学习速度，根据调整指标和σ学习规则辨识USV逆模型，产生的输出作为USV输入的一部分，在每个控制周期内，与USV的总控制输入进行比较，并通过网络权值的调整来减小两者之间的差值。本实施方式包括以下有益效果：1、本实施方式将位置及姿态传感器采集的数据，进行了滤波及时空对准提高了数据的精度，对控制效果产生了较好的影响。2、利用RBF辨识过程中提供的Jacobian信息在线调整控制器参数，同时PID控制器起到反馈控制作用，完成自动调节功能，抑本文档来自技高网...

【技术保护点】
一种基于RBF辨识的ICA‑CMAC神经网络的欠驱动无人艇航迹跟踪控制方法，其特征是：(1)、初始化RBF和ICA‑CMAC神经网络参数，包括：辨识器基宽向量B、学习速率λ，λ0、网络权值wj，wl、泛化参数c、平衡学习常数k0和PID控制参数初值；(2)采样得到期望输入信号r(k)和USV实际输出信号y(k)，计算艇体坐标系下的控制误差e(k)及PID的三项输入e(1)，e(2)，e(3)；(3)、计算Jacobian辨识信息和RBF辨识网络的输出ym(k)；(4)、计算PID控制器的输出τp(k)，RBF性能指标函数E(k)，采用梯度下降法调整PID控制参数Δkp，Δki，Δkd；(5)、利用RBF辨识的PID控制器，由RBF网络来辨识USV模型，在线自适应的整定控制器参数，直到控制指标达到最好；(6)、ICA‑CMAC神经网络在线进行学习，训练权值，计算ICA‑CMAC输出τn(k)，网络调整的性能指标函数J(k)和ICA权值调整Δw(k)；(7)、USV的总控制输出τ(k)为PID控制器输出τp(k)和ICA‑CMAC输出τn(k)之和；(8)、令k＝k+1，返回循环，满足条件时停止；USV代表无人艇。...

【技术特征摘要】
1.一种基于RBF辨识的ICA-CMAC神经网络的欠驱动无人艇航迹跟踪控制方法，其特征是：(1)、初始化RBF和ICA-CMAC神经网络参数，包括：辨识器基宽向量B、学习速率λ，λ0、网络权值wj，wl、泛化参数c、平衡学习常数k0和PID控制参数初值；(2)采样得到期望输入信号r(k)和USV实际输出信号y(k)，计算艇体坐标系下的控制误差e(k)及PID的三项输入e(1)，e(2)，e(3)；(3)、计算Jacobian辨识信息和RBF辨识网络的输出ym(k)；(4)、计算PID控制器的输出τp(k)，RBF性能指标函数E(k)，采用梯度下降法调整PID控制参数Δkp，Δki，Δkd；(5)、利用RBF辨识的PID控制器，由RBF网络来辨识USV模型，在线自适应的整定控制器参数，直到控制指标达到最好；(6)、ICA-CMAC神经网络在线进行学习，训练权值，计算ICA-CMAC输出τn(k)，网络调整的性能指标函数J(k)和ICA权值调整Δw(k)；(7)、USV的总控制输出τ(k)为PID控制器输出τp(k)和ICA-CMAC输出τn(k)之和；(8)、令k＝k+1，返回循环，满足条件时停止；USV代表无人艇。2.根据权利要求1所述的基于RBF辨识的ICA-CMAC神经网络的欠驱动无人艇航迹跟踪控制方法，其特征是所述采样得到期望输入信号r(k)和USV实际输出信号y(k)具体包括：位置参考系统及姿态参考系统由集成位姿传感器采集数据信息，采用卡尔曼滤波或无迹信息滤波方式来滤除所述数据信息中的野值及高频噪声，对获取的USV姿态及位置信号采用曲线拟合的方式进行时间对准，并对不同坐标系下的数据进行空间对准，得到当前USV精确位置及姿态。3.根据权利要求2所述的基于RBF辨识的ICA-CMAC神经网络的欠驱动无人艇航迹跟踪控制方法，其特征是艇体坐标系下的控制误差e(k)的误差方程的建立方法为：η＝[x，y，ψ]T、υ＝[u，v，r]T、τ＝[τu，0，τr]T分别表示北东坐标系下的位置、速度和推进力，x，y，ψ分别表示北向位置、东向位置和艏向角，u，v，r分别表示纵向速度、横向速度和艏摇角速度，τu，τr分别表示纵向力和转艏力矩，表示其一阶导数，d11＝-Xu-Xu|u||u|，d22＝-Yv-Yv|v||v|，d33＝-Nr-Nr|r||r|；Yv，Xu，Nr，Xu|u|，Yv|v|，Nr|r|均表示水动力参数，du，dv，dr表示不确定外界干扰；USV的期望航迹r(k)＝(xd，yd，ψd)T由虚拟USV产生，期望航向角艇体坐标系下的位置和艏向的跟踪误差e(k)＝[xe，ye，ψe]T：为转换矩阵，k为采样数。4.根据权利要求3所述的基于RBF辨识的ICA-CMAC神经网络的欠驱动无人艇航迹跟踪控制方法，其特征是利用RBF辨识的自适应积分分离式PID控制的具体过程为：USV的艏向和纵向各对应一组RBF辨识PID控制器，建立USV的辨识模型，设在RBF网络结构中，输入向量表示成X＝[x1，x2，x3]T，径向基向量函数表示成H＝[h1，h2，…，hj，…hm]T，hj为隐含层激励函数：其中，Cj＝[cj1，cj2，…，cji，…cjn]表示神经网络中第j个节点的中心矢量，i＝1，2，…，n，B＝[b1，b2，…，bm]T表示的是神经网络的基宽向量，bj表示的是大于零的基函数围绕中心点的宽度参数，m为隐含层节点个数；网络权向量：W＝[w1，w2，…，wj，…wm]T，权值和高斯基函数加权得辨识的输出为：ym(k)＝w1h1+w2h2+…+wmhmRBF网络权值及PID控制参数调整：取辨识性能指标函数为根据梯度下降法迭代出各个参数如下：wj(k)＝wj(k-1)+λ0(y(k)-ym(k))hj+α0(wj(k-1)-wj(k-2))bj(k)＝bj(k-1)+λ0Δbj+α0(bj(k-1)-bj(k-2))<...

【专利技术属性】
技术研发人员：付明玉，王莎莎，王元慧，庹玉龙，王泰琪，张放，周利，孙嘉霖，尚文飞，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江,23