神經網絡在自適應船舶操作系統中的應用

師慶林

(吉林廣播電視大學 白城分校，吉林 白城137000)

0 引 言

隨著經濟發展，海洋運輸的地位越來越重要，大型、高速、智能船舶是船舶運輸的發展趨勢。海運是一種經濟實惠的運輸方式，因此現在海上船舶的密度越來越大，提高對船舶的操控能力對減少海洋運輸的事故性具有現實意義。

神經網絡具有自學習、自適應的特點，被廣泛用于船舶操作系統中，并且取得了很多研究成果。Brown 等［1］在不直接使用船舶數學模型的情況下，利用模仿人工操作方式探索與普通自動舵操作的差異，并且為修正自動舵的問題建立了規范庫。Polkinghorne和Velagic［2-3］基于船舶自適應模糊控制自適應的調整模糊系統的參數，并且在復雜航道中控制船舶航行操作取得了較好的實驗效果。

本文首先在RBF-Elman神經網絡結構基礎上，設計帶輸出反饋RBF-Elman 遞歸神經網絡，通過實驗驗證該算法具有收斂速度快，自適應能力強，自學習能力及固有的非線性等特點。最后利用帶輸出反饋RBF-Elman 遞歸神經網絡作為分類器進行船舶運動狀態的辨別，實驗結果表明此算法高效、可行。

1 帶輸出反饋RBF-Elman 遞歸神經網絡

對于非線性函數而言，遞推RBF神經網絡能夠很好地逼近，并且對于一階系統實驗證明已經取得了很好的效果［4］，但當系統是高階的時候效果不明顯。在此基礎上，將Elman 網絡和RBF神經網絡相結合形成RBF-Elman神經網絡結構，并且設置反饋參數α，其網絡結構如圖1所示。

圖1 RBF-Elman神經網絡結構Fig.1 RBF-Elman neural network architecture

從圖1 可知，除了傳統神經網絡輸入層、隱層和輸出層外，還有一個包含反饋聯接層，RBF-Elman神經網絡的輸出是隱層的輸出和，表示如下:

式中:i=1，…，m;j=1，…，n;q=1，…，r;wij為隱層和輸出層的連接權;Yi為輸出層的輸出值，xj為隱層的輸出值;xCj為中間聯結層輸出;α 為聯接層的自反饋增益;I 為隱層總的輸入;k 為計算次數。

實驗表明，此種方式學習速度較慢，在自適應學習過程中目標函數的收斂有極值，且不穩定，難以達到預期的精確度。為了更好地進行自適應學習，本文考慮將輸出層的輸出信號、隱層的輸出信號和輸入層的信號共同作為神經網絡的輸入信號，即帶輸出反饋的RBF-Elman 遞歸神經網絡。

輸出為:

式中:β 為輸出層的自反饋增益。

在帶輸出反饋的RBF-Elman 遞歸神經網絡中，重點是隱層的中心點和隱層到輸出層的連接權值。輸入層和隱層直接輸送信號，則連接權值為1。

隱層中心的求法:

對能量E 求導得:

由e(k)=yd(k)- y(k)知:

隱層和輸出層之間W3由下式求得:

2 帶輸出反饋RBF-Elman 遞歸神經網絡對船舶操作系統的控制

帶輸出反饋RBF-Elman 遞歸神經網絡具有收斂速度快、自適應能力強、自學習能力及固有的非線性等特點，將其應用到艦船的操作系統中能很好地跟蹤控制艦船和辨識艦船的狀態［6］，其控制圖如圖2所示。

圖2 帶輸出反饋的RBF-Elman 遞歸神經網絡控制圖Fig.2 Control charts with tape output feedback RBF-Elman recurrent neural network

圖2 中:r 為輸出期望值;y 為實際輸出值;e 為二者的差;y^ 為神經網絡輸出值;u 為輸入信號。

在船舶操作系統中不僅考慮船舶的航向，還要考慮船舶操作過程中的損耗，減少操舵次數，故誤差指數函數可以描述為:

三層的控制參數為:

在利用帶輸出反饋RBF-Elman 遞歸神經網絡進行自適應船舶操作時，可以用替代，則:

在實際工程應用中，帶輸出反饋RBF- Elman遞歸神經網絡第1 部分的輸入為控制量與其延遲，第2 部分和第3 部分有神經網絡自學習生成。

3 實驗結果

3.1 帶輸出反饋RBF-Elman 遞歸神經網絡的動態辨識

利用帶輸出反饋RBF-Elman 遞歸神經網絡對5 000組訓練樣本進行學習并進行預測，預測值和實際值的對比情況如圖3和圖4所示。

圖3 前500 步遞歸算法的預測值與實際值的對比Fig.3 Compare predicted value and the actual value of the previous step 500

由圖3和圖4 可知，基于帶輸出反饋RBF-Elman 遞歸神經網絡算法在訓練初期和訓練后期都能精快準地反映系統變化，有很好的預測效果。

3.2 帶輸出反饋RBF-Elman 遞歸神經網絡在船舶操作系統中的應用

圖4 最后500 步遞歸算法的預測值與實際值的對比Fig.4 Compare predicted value and the actual value of the last step 500

利用帶輸出反饋RBF-Elman 遞歸神經網絡作為分類器進行船舶運動狀態的辨別，根據參考文獻［5］，利用Abkowitz 模型進行試驗。算法參數設置為隱層和輸出層自增益各為0.4，隱層的學習步長為0.1。每隔1 s 進行1 次采樣，總共1 600 s。3個輸入節點，15個輸入聯結層，1個輸出聯結層，15個隱層節點，1個輸出節點。對大風時船舶航向跟蹤控制進行仿真，仿真結果如圖5所示，傳統神經網絡控制跟蹤是航向角變化如圖6所以。

圖5 帶輸出反饋RBF-Elman 遞歸神經網絡控制跟蹤時航向角變化Fig.5 Heading angle change with tape output feedback RBF-Elman recurrent neural network

圖6 傳統神經網絡控制跟蹤時航向角變化Fig.6 Heading angle change with traditional neural network

從以上的試驗結果可知，帶輸出反饋RBF-Elman 遞歸神經網絡能夠精快準地反映船舶的運動狀態，具有自適應能力隨著風浪調節航向角、跟蹤效果良好及抗干擾能力強等優點，所以說帶輸出反饋RBF-Elman 遞歸神經網絡在進行船舶操作控制中具有很大的應用空間。

4 結 語

本文首先在RBF-Elman神經網絡結構的基礎上設計了帶輸出反饋RBF- Elman 遞歸神經網絡，并且通過實驗驗證了該算法具有收斂速度快、自適應能力強、自學習能力以及固有的非線性等特點。最后利用帶輸出反饋RBF-Elman 遞歸神經網絡作為分類器進行船舶運動狀態的辨別，實驗結果表明此算法高效、可行。

［1］BROWN W.Factors to consider in developing a knowledgebased autopilot expert system for ship maneuvering simulation［C］//Proc.14thShip Technology and Research(STAR)Symposium，SNAME，New Orleans，USA，1989(S)5-1-11.

［2］POLKINGHOME M N，ROBERTS G N，BURNS R S.Intelligent ship control with online leaming allility［J］.Computing and Control Engineering Joumal，1997:196-200.

［3］VELAGIC J，VUKIC Z，OMERDIC E.Adaptive fuzzy ship autopilot for track-keeping ［J］.Journal of Control Engineering Practice，2003(11):43-443.

［4］張乃堯，閻平凡.神經網絡與模糊控制［M］.北京:清華大學出版社，2000.

［5］賈欣樂，楊鹽生.船舶運動數學模型——機理建模與辨識建模［M］.大連:大連海事大學出版社，1999.

［6］詹月林.改進型PID 參數神經網絡自學習的船舶操縱控制器［J］.艦船科學技術，2004，26(3):21-25.ZHAN Yue-lin.The improved neural network controller of self- adjusted PID parameters for ship maneuvering［J］.Ship Science and Technology，2004，26(3):21-25.