一种基于SDN-HP模型的智能船舶操纵运动预报方法技术

本发明专利技术一种基于SDN

【技术实现步骤摘要】
一种基于SDN
‑
HP模型的智能船舶操纵运动预报方法


[0001]本专利技术属于船舶与海洋工程技术、船舶运动预报领域，具体涉及一种基于数据驱动自组织分层剪枝神经网络(self
‑
organizing data
‑
driven network with hierarchical pruning，SDN
‑
HP)模型的智能船舶操纵运动预报方法。

技术介绍

[0002]对于船舶运动状态的实时预测是船舶航行安全性与高效性的关键保障，同时也能够为智能船舶的研发提供潜在方案。船舶操纵运动模型的建立是实现其运动预报的基础与前提，目前主要分为基于数理方程和数据驱动两种方法。数理方法通过对船舶运动过程中的力学机理进行分析来建立参数化模型，其物理意义明确但无法准确获取所有的水动力导数，因而具有一定的局限性；而数据驱动的方法则可以完全利用自航模试验或全尺寸试验等船舶航行数据建立其黑箱运动模型，具有良好的实用性。
[0003]目前，基于数据驱动方法的船舶运动建模是唯一可行的在线建模方法，对船舶的智能航行具有重要意义。然而，数据驱动的预测模型仍然存在一些不足和问题。首先，为保证预测结果的精度与鲁棒性，传统的数据驱动方法需要人为进行复杂的参数调整，导致其智能性不足；其次，传统方法在处理大量含有噪声的航行数据时存在困难且不够灵活，难以保证预测结果的准确性和可靠性；此外还存在模型结构复杂、训练时间长、泛化能力差等问题。

技术实现思路

[0004]为了解决现有技术中存在的问题：首先，为保证预测结果的精度与鲁棒性，传统的数据驱动方法需要人为进行复杂的参数调整，导致其智能性不足；其次，传统方法在处理大量含有噪声的航行数据时存在困难且不够灵活，难以保证预测结果的准确性和可靠性；此外还存在模型结构复杂、训练时间长、泛化能力差等问题。
[0005]本专利技术提供本专利技术采用的技术方案是：
[0006]一种基于SDN
‑
HP模型的智能船舶操纵运动预报方法，包括以下步骤：
[0007]对船舶的航行数据进行采集；
[0008]对采集到的船舶航行数据进行小波包阈值去噪处理；
[0009]基于处理后的船舶航行数据，建立数据驱动自组织分层剪枝神经网络模型，并对数据驱动自组织分层剪枝神经网络模型进行训练；
[0010]根据船舶历史航行数据输入到训练好的数据驱动自组织分层剪枝神经网络模型中，实现对船舶运动方向的在线预测。
[0011]进一步地：所述对采集到的船舶航行数据进行小波包阈值去噪处理的过程如下：
[0012]将采集到的航行数据统一表示如下：
[0013]x＝[x1，x2，
…
，x
s
]T
ꢀꢀꢀꢀ
(1)
[0014]对船舶运动状态中的各分量分解为空间基函数系b
λ
(t)的线性叠加并对其进行投
影可表示如下：
[0015]x
i
(t)＝∑
λ∈Λ
η
λ
b
λ
(t)，i＝1，2，...，s
ꢀꢀꢀꢀ
(2)
[0016]式中，η
λ
为处理系数。
[0017]进一步地：所述基于处理后的船舶航行数据，建立数据驱动自组织分层剪枝神经网络模型的过程如下：
[0018]建立模糊神经网络结构：
[0019]根据Takagi
‑
Sugeno
‑
Kang模糊系统构建模糊神经网络的整体结构，其模糊规则表示如下：
[0020]Rule j：IF x
1 is A
1j
and and x
s is
[0021][0022]式中，A
ij
表示第i个输入向量x
i
的第j条模糊规则，s、q分别是输入变量和输出变量的个数，模糊规则的个数表示为m；
[0023]隶属度函数层采用动态宽度的高斯函数，模糊集A
ij
所对应的隶属度函数μ
ij
表示如下：
[0024][0025]式中，c
ij
(i＝1，2，...，s；j＝1，2，...，m)是对应模糊集的中心，表示第i个输入变量x
i
中的第j个模糊集的中心，σ
ij
(x
i
)表示如下：
[0026][0027]式中，分别对应的模糊集左宽度和右宽度；
[0028]每个GEBF神经元相当于模糊规则里条件的一部分，根据乘积推理计算每条模糊规则的激励强度，将第j条规则R
j
的输出表示如下：
[0029][0030]式中，X＝[x1，x2，...x
s
]T
，C
j
＝[c
1j
，c
2j
，
…
，c
sj
]T
，∑
j
＝[σ
1j
(x1)，σ
2j
(x2)，
…
，σ
sj
(x
s
)]T
分别为第j个GEBF神经元的输入向量、中心向量和动态宽度向量；
[0031]根据下式对传入信号进行加权和去模糊化操作并输出：
[0032][0033]式中，w
ji
是第j条规则的第l个输出向量的连接权值，即第j条模糊规则里的结论部分，可用下式表示：
[0034][0035]式中，为第j个模糊规则的第l个输入变量的权值，
[0036]设定模糊神经网络学习策略
[0037]神经元生成原则：
[0038]GBEF神经元生成的过程中，采用误差准则来表征网络的泛化性能，如第K组训练数据对(X
K
，T
K
)的神经网络系统误差由下式计算得出：
[0039]||e
k
||＝||T
k
‑
Y
k
||，k＝1，2，3
…
n
ꢀꢀꢀꢀ
(9)
[0040]式中，分别为第k组期望输出向量与实际输出向量；
[0041]将系统误差阈值用下式表示：
[0042]k
e
＝max{e
max
β
k
‑1，e
min
}
ꢀꢀꢀꢀ
(10)
[0043]式中e
max
是最大误差，e
min
是网络的期望输出精度，β∈(0，1)为收敛常数；
[0044]采用马氏距离准则度量模糊规则的ε
‑
完备性，将K组训练数据的输入向与第j个GEBF隐层神经元的中心C
j本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SDN
‑
HP模型的智能船舶操纵运动预报方法，其特征在于：包括以下步骤：对船舶的航行数据进行采集；对采集到的船舶航行数据进行小波包阈值去噪处理；基于处理后的船舶航行数据，建立数据驱动自组织分层剪枝神经网络模型，并对数据驱动自组织分层剪枝神经网络模型进行训练；根据船舶历史航行数据输入到训练好的数据驱动自组织分层剪枝神经网络模型中，实现对船舶运动方向的在线预测。2.根据权利要求1所述的一种基于SDN
‑
HP模型的智能船舶操纵运动预报方法，其特征在于：所述对采集到的船舶航行数据进行小波包阈值去噪处理的过程如下：将采集到的航行数据统一表示如下：x＝[x1，x2，
…
，x
s
]
T
ꢀꢀꢀꢀ
(1)对船舶运动状态中的各分量分解为空间基函数系b
λ
(t)的线性叠加并对其进行投影可表示如下：x
i
(t)＝∑
λ∈Λ
η
λ
b
λ
(t)，i＝1，2，...，s
ꢀꢀꢀꢀ
(2)式中，η
λ
为处理系数。3.根据权利要求1所述的一种基于SDN
‑
HP模型的智能船舶操纵运动预报方法，其特征在于：所述基于处理后的船舶航行数据，建立数据驱动自组织分层剪枝神经网络模型的过程如下：建立模糊神经网络结构：根据Takagi
‑
Sugeno
‑
Kang模糊系统构建模糊神经网络的整体结构，其模糊规则表示如下：Rule j：IF x
1 is A
1j and and x
s is A
sj
式中，A
ij
表示第i个输入向量x
i
的第j条模糊规则，s、q分别是输入变量和输出变量的个数，模糊规则的个数表示为m；隶属度函数层采用动态宽度的高斯函数，模糊集A
ij
所对应的隶属度函数μ
ij
表示如下：式中，c
ij
(i＝1，2，...，s；j＝1，2，...，m)是对应模糊集的中心，表示第i个输入变量x
i
中的第j个模糊集的中心，σ
ij
(x
i
)表示如下：式中，分别对应的模糊集左宽度和右宽度；每个GEBF神经元相当于模糊规则里条件的一部分，根据乘积推理计算每条模糊规则的
激励强度，将第j条规则R
j
的输出表示如下：式中，x＝[x1，x2，
…
，x
s
]
T
，C
j
＝[c
1j
，c
2j
，
…
，c
sj
]
T
，∑
j
＝[σ
1j
(x1)，σ
2j
(x2)，
…
，σ
sj
(x
s
)]
T
分别为第j个GEBF神经元的输入向量、中心向量和动态宽度向量；根据下式对传入信号进行加权和去模糊化操作并输出：式中，w
ji
是第j条规则的第l个输出向量的连接权值，即第j条模糊规则里的结论部分，可用下式表示：式中，为第j个模糊规则的第l个输入变量的权值，设定模糊神经网络学习策略神经元生成原则：GBEF神经元生成的过程中，采用误差准则来表征网络的泛化性能，如第K组训练数据对(X
K
，T
K
)的神经网络系统误差由下式计算得出：||e
k
||＝||T
k
‑
Y
k
||，k＝1，2，3
…
n
ꢀꢀꢀꢀ
(9)式中，分别为第k组期望输出向量与实际输出向量；将系统误差阈值用下式表示：k
e
＝max{e
max
β
k
‑1，e
min
}
ꢀꢀꢀ
(10)式中：e
max
是最大误差，e
min
是网络的期望输出精度，β∈(0，1)为收敛常数；采用马氏距离准则度量模糊规则的ε
‑
完备性，将K组训练数据的输入向与第j个GEBF隐层神经元的中心C
j
＝[c
1j
，c
2j
，
…
，c
sj
]
T
之间的距离测度用下式表示：式中，S
j
为第k组训练数据对的第j个GEBF神经元中第i维的相应动态宽度；通过计算最小距离测度，找到离x
k
最近的GEBF神经元J，用下式表示：定义距离阈值如下式：k
d
＝max{d
max
γ
k
‑1，d
min
}
ꢀꢀꢀꢀ
(13)式中，d
max
和d
min
分别是距离的最大值和最小值，γ为收敛常数。根据ε
‑
完备性，d
max
和d
min
可用下式表示：式中，ε
max
和ε
min
分别为ε的最大值和最小值；若最小距离测度较大，则表明现有模糊规则不能有效覆盖当前观测数据，在SDN
‑
HP中，只有当误差准则和ε
‑
完备性准则都被不满足时，才需要创建一个新的GE...

【专利技术属性】
技术研发人员：王宁，张宇航，宋佳麟，董琪，郝立柱，韩冰，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：