師慶林

(吉林廣播電視大學(xué) 白城分校，吉林 白城137000)

0 引 言

隨著經(jīng)濟(jì)發(fā)展，海洋運(yùn)輸?shù)牡匚辉絹?lái)越重要，大型、高速、智能船舶是船舶運(yùn)輸?shù)陌l(fā)展趨勢(shì)。海運(yùn)是一種經(jīng)濟(jì)實(shí)惠的運(yùn)輸方式，因此現(xiàn)在海上船舶的密度越來(lái)越大，提高對(duì)船舶的操控能力對(duì)減少海洋運(yùn)輸?shù)氖鹿市跃哂鞋F(xiàn)實(shí)意義。

神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自適應(yīng)的特點(diǎn)，被廣泛用于船舶操作系統(tǒng)中，并且取得了很多研究成果。Brown 等［1］在不直接使用船舶數(shù)學(xué)模型的情況下，利用模仿人工操作方式探索與普通自動(dòng)舵操作的差異，并且為修正自動(dòng)舵的問(wèn)題建立了規(guī)范庫(kù)。Polkinghorne和Velagic［2-3］基于船舶自適應(yīng)模糊控制自適應(yīng)的調(diào)整模糊系統(tǒng)的參數(shù)，并且在復(fù)雜航道中控制船舶航行操作取得了較好的實(shí)驗(yàn)效果。

本文首先在RBF-Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上，設(shè)計(jì)帶輸出反饋RBF-Elman 遞歸神經(jīng)網(wǎng)絡(luò)，通過(guò)實(shí)驗(yàn)驗(yàn)證該算法具有收斂速度快，自適應(yīng)能力強(qiáng)，自學(xué)習(xí)能力及固有的非線性等特點(diǎn)。最后利用帶輸出反饋RBF-Elman 遞歸神經(jīng)網(wǎng)絡(luò)作為分類(lèi)器進(jìn)行船舶運(yùn)動(dòng)狀態(tài)的辨別，實(shí)驗(yàn)結(jié)果表明此算法高效、可行。

1 帶輸出反饋RBF-Elman 遞歸神經(jīng)網(wǎng)絡(luò)

對(duì)于非線性函數(shù)而言，遞推RBF神經(jīng)網(wǎng)絡(luò)能夠很好地逼近，并且對(duì)于一階系統(tǒng)實(shí)驗(yàn)證明已經(jīng)取得了很好的效果［4］，但當(dāng)系統(tǒng)是高階的時(shí)候效果不明顯。在此基礎(chǔ)上，將Elman 網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合形成RBF-Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并且設(shè)置反饋參數(shù)α，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 RBF-Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 RBF-Elman neural network architecture

從圖1 可知，除了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)輸入層、隱層和輸出層外，還有一個(gè)包含反饋聯(lián)接層，RBF-Elman神經(jīng)網(wǎng)絡(luò)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(quán);Yi為輸出層的輸出值，xj為隱層的輸出值;xCj為中間聯(lián)結(jié)層輸出;α 為聯(lián)接層的自反饋增益;I 為隱層總的輸入;k 為計(jì)算次數(shù)。

實(shí)驗(yàn)表明，此種方式學(xué)習(xí)速度較慢，在自適應(yīng)學(xué)習(xí)過(guò)程中目標(biāo)函數(shù)的收斂有極值，且不穩(wěn)定，難以達(dá)到預(yù)期的精確度。為了更好地進(jìn)行自適應(yīng)學(xué)習(xí)，本文考慮將輸出層的輸出信號(hào)、隱層的輸出信號(hào)和輸入層的信號(hào)共同作為神經(jīng)網(wǎng)絡(luò)的輸入信號(hào)，即帶輸出反饋的RBF-Elman 遞歸神經(jīng)網(wǎng)絡(luò)。

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(jīng)網(wǎng)絡(luò)中，重點(diǎn)是隱層的中心點(diǎn)和隱層到輸出層的連接權(quán)值。輸入層和隱層直接輸送信號(hào)，則連接權(quán)值為1。

隱層中心的求法:

對(duì)能量E 求導(dǎo)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(jīng)網(wǎng)絡(luò)對(duì)船舶操作系統(tǒng)的控制

帶輸出反饋RBF-Elman 遞歸神經(jīng)網(wǎng)絡(luò)具有收斂速度快、自適應(yīng)能力強(qiáng)、自學(xué)習(xí)能力及固有的非線性等特點(diǎn)，將其應(yīng)用到艦船的操作系統(tǒng)中能很好地跟蹤控制艦船和辨識(shí)艦船的狀態(tài)［6］，其控制圖如圖2所示。

圖2 帶輸出反饋的RBF-Elman 遞歸神經(jīng)網(wǎng)絡(luò)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(shí)際輸出值;e 為二者的差;y^ 為神經(jīng)網(wǎng)絡(luò)輸出值;u 為輸入信號(hào)。

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

三層的控制參數(shù)為:

在利用帶輸出反饋RBF-Elman 遞歸神經(jīng)網(wǎng)絡(luò)進(jìn)行自適應(yīng)船舶操作時(shí)，可以用替代，則:

在實(shí)際工程應(yīng)用中，帶輸出反饋RBF- Elman遞歸神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)自學(xué)習(xí)生成。

3 實(shí)驗(yàn)結(jié)果

3.1 帶輸出反饋RBF-Elman 遞歸神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)辨識(shí)

利用帶輸出反饋RBF-Elman 遞歸神經(jīng)網(wǎng)絡(luò)對(duì)5 000組訓(xùn)練樣本進(jìn)行學(xué)習(xí)并進(jìn)行預(yù)測(cè)，預(yù)測(cè)值和實(shí)際值的對(duì)比情況如圖3和圖4所示。

圖3 前500 步遞歸算法的預(yù)測(cè)值與實(shí)際值的對(duì)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(jīng)網(wǎng)絡(luò)算法在訓(xùn)練初期和訓(xùn)練后期都能精快準(zhǔn)地反映系統(tǒng)變化，有很好的預(yù)測(cè)效果。

3.2 帶輸出反饋RBF-Elman 遞歸神經(jīng)網(wǎng)絡(luò)在船舶操作系統(tǒng)中的應(yīng)用

圖4 最后500 步遞歸算法的預(yù)測(cè)值與實(shí)際值的對(duì)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(jīng)網(wǎng)絡(luò)作為分類(lèi)器進(jìn)行船舶運(yùn)動(dòng)狀態(tài)的辨別，根據(jù)參考文獻(xiàn)［5］，利用Abkowitz 模型進(jìn)行試驗(yàn)。算法參數(shù)設(shè)置為隱層和輸出層自增益各為0.4，隱層的學(xué)習(xí)步長(zhǎng)為0.1。每隔1 s 進(jìn)行1 次采樣，總共1 600 s。3個(gè)輸入節(jié)點(diǎn)，15個(gè)輸入聯(lián)結(jié)層，1個(gè)輸出聯(lián)結(jié)層，15個(gè)隱層節(jié)點(diǎn)，1個(gè)輸出節(jié)點(diǎn)。對(duì)大風(fēng)時(shí)船舶航向跟蹤控制進(jìn)行仿真，仿真結(jié)果如圖5所示，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)控制跟蹤時(shí)航向角變化Fig.5 Heading angle change with tape output feedback RBF-Elman recurrent neural network

圖6 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)控制跟蹤時(shí)航向角變化Fig.6 Heading angle change with traditional neural network

從以上的試驗(yàn)結(jié)果可知，帶輸出反饋RBF-Elman 遞歸神經(jīng)網(wǎng)絡(luò)能夠精快準(zhǔn)地反映船舶的運(yùn)動(dòng)狀態(tài)，具有自適應(yīng)能力隨著風(fēng)浪調(diào)節(jié)航向角、跟蹤效果良好及抗干擾能力強(qiáng)等優(yōu)點(diǎn)，所以說(shuō)帶輸出反饋RBF-Elman 遞歸神經(jīng)網(wǎng)絡(luò)在進(jìn)行船舶操作控制中具有很大的應(yīng)用空間。

4 結(jié) 語(yǔ)

本文首先在RBF-Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上設(shè)計(jì)了帶輸出反饋RBF- Elman 遞歸神經(jīng)網(wǎng)絡(luò)，并且通過(guò)實(shí)驗(yàn)驗(yàn)證了該算法具有收斂速度快、自適應(yīng)能力強(qiáng)、自學(xué)習(xí)能力以及固有的非線性等特點(diǎn)。最后利用帶輸出反饋RBF-Elman 遞歸神經(jīng)網(wǎng)絡(luò)作為分類(lèi)器進(jìn)行船舶運(yùn)動(dòng)狀態(tài)的辨別，實(shí)驗(yàn)結(jié)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(jīng)網(wǎng)絡(luò)與模糊控制［M］.北京:清華大學(xué)出版社，2000.

［5］賈欣樂(lè)，楊鹽生.船舶運(yùn)動(dòng)數(shù)學(xué)模型——機(jī)理建模與辨識(shí)建模［M］.大連:大連海事大學(xué)出版社，1999.

［6］詹月林.改進(jìn)型PID 參數(shù)神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)的船舶操縱控制器［J］.艦船科學(xué)技術(shù)，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.