一种耙吸式挖泥船操作参数的学习方法技术

本发明专利技术涉及一种耙吸式挖泥船操作参数的学习方法。其技术方案是：将m个有效数据组随机分为训练集、交叉验证集和测试集，建立4～8个多层感知器模型，通过调整5个超参数得到训练集的所有多层感知器模型的损失函数，在交叉验证集的所有多层感知器模型的损失函数中选择损失函数最小的模型为最优模型，即隐式模型；通过隐式模型和回归模型建立输入和输出的显式模型，采用蚁群算法解决产量率的期望值c

A learning method of operating parameters of trailing suction dredger

【技术实现步骤摘要】
一种耙吸式挖泥船操作参数的学习方法
本专利技术属于挖泥船操作参数学习的
具体涉及一种耙吸式挖泥船操作参数的学习方法。
技术介绍
耙吸式挖泥船的主要任务是在航行时从海底或河床挖掘沉积物，并将其运输至指定区域，耙吸式挖泥船的机动性和效率使耙吸式挖泥船成为大型土地复垦项目不可或缺的机器，提高耙吸式挖泥船疏浚效率和减少操作人员的工作量成为当前研究的热点问题。Braaksma等人(J.Braaksma，J.B.Klaassens，R.BabuskaandC.Keizer.Modelpredictivecontrolforoptimizingtheoverdredgingperformanceofatrailingsuctionhopperdredger.ProceedingsoftheEighteenthWorldDredgingCongress，pp.1263-1274，2007.)致力于通过模型控制的策略优化疏浚操作，这种建模方法模型复杂，参数多，并且受到不确定性因素的影响。Li等人(W.Li，F.LinandS.Zhang.本文档来自技高网...

【技术保护点】
1.一种耙吸式挖泥船操作参数的学习方法，其特征在于所述操作参数的学习方法的具体步骤是：/n步骤1、根据耙吸式挖泥船操作人员给出的耙吸式挖泥船的n个原始数据组，n为≥1000的自然数；确定每个原始数据组中的特征数据和量测数据，特征数据为对地航速v、补偿器压力F、主动耙头角度θ

【技术特征摘要】
1.一种耙吸式挖泥船操作参数的学习方法，其特征在于所述操作参数的学习方法的具体步骤是：
步骤1、根据耙吸式挖泥船操作人员给出的耙吸式挖泥船的n个原始数据组，n为≥1000的自然数；确定每个原始数据组中的特征数据和量测数据，特征数据为对地航速v、补偿器压力F、主动耙头角度θh和下耙管垂直角度θver四种参数，量测数据为混合物密度ρ和混合物流速Q两种参数；
步骤2、剔除所述原始数据组中混合物密度ρ＜1.025的数据组，得到混合物密度ρ≥1.025的m个有效数据组，m为≤n的自然数；每个有效数据组包含特征有效数据x和量测有效数据y，由m个特征有效数据x构成的数据集称为特征有效数据集X，由m个量测有效数据y构成的数据集称为量测有效数据集Y；
步骤3、将m个有效数据组随机分成训练集、交叉验证集和测试集，训练集、交叉验证集和测试集占m个有效数据组的百分量依次为60％、20％和20％，Xtrain、Xvalidation和Xtest依次表示训练集中的特征有效数据集、交叉验证集中的特征有效数据集和测试集中的特征有效数据集，Ytrain、Yvalidation和Ytest依次表示训练集中的量测有效数据集、交叉验证集中的量测有效数据集和测试集中的量测有效数据集；
步骤4、建立4～8个多层感知器模型，每个多层感知器模型的网络结构均由输入层、隐藏层和输出层构成，每个多层感知器模型均含有5种超参数：隐藏层层数、每层隐藏层的单元数、学习率、激活函数的类型和迭代次数；
步骤5、向第j个多层感知器模型输入训练集的特征有效数据集Xtrain，通过调整所述5种超参数得到训练集的第j个多层感知器模型的损失函数Lj(Wj；Xtrain)：



式(1)中：a表示训练集的有效数据组的个数，a为≤0.6m的自然数，
j表示第j个多层感知器模型，j为4～8的自然数，
Wj表示第j个多层感知器模型的权重，Wj是通过对第j个多层感知器模型的迭代优化得到，
Xtrain表示训练集中的特征有效数据集，
xtrain_i表示训练集中的第i个有效数据组的特征有效数据x，
ρtrain_i表示训练集中的量测有效数据集Ytrain的第i个量测有效数据y的混合物密度，t/m3，
Qtrain_i表示训练集中的量测有效数据集Ytrain的第i个量测有效数据y的混合物流速，m/s，
fi(Wj；xtrain_i)表示训练集中的量测有效数据集Ytrain的第i个量测有效数据y的混合物密度预测值，t/m3，
hi(Wj；xtrain_i)表示训练集中的量测有效数据集Ytrain的第i个量测有效数据y的混合物流速预测值，m/s，
i表示训练集中的量测有效数据集Ytrain的量测有效数据y的序数，i为1～0.6m的自然数；
利用自适应矩估计算法对训练集的第j个多层感知器模型的损失函数Lj(Wj；Xtrain)最小化；相应地，得到所有多层感知器模型最小化后的损失函数；
步骤6、向第j个多层感知器模型输入交叉验证集的特征有效数据集Xvalidation，得到交叉验证集的第j个多层感知器模型的损失函数Lj(Wj；Xvalidation)：



式(2)中：b表示交叉验证集的有效数据组的个数，b为≤0.2m的自然数，
j表示第j个多层感知器模型，j为4～8的自然数，
Wj表示第j个多层感知器...

【专利技术属性】
技术研发人员：唐慧，柴利，黄骏，杨君，
申请(专利权)人：武汉科技大学，
类型：发明
国别省市：湖北;42