基于神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)的氣墊船運(yùn)動參數(shù)濾波裝置及方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及的是一種氣墊船的數(shù)據(jù)濾波裝置及方法，特別是一種由神經(jīng)網(wǎng)絡(luò)預(yù)報(bào) 器和新息分析單元組成的氣墊船的運(yùn)動參數(shù)濾波方法。
【背景技術(shù)】
[0002] 氣墊船是一種能夠?qū)崿F(xiàn)高速航行的現(xiàn)代船舶。由于氣墊船不是靠水的浮力，而是 靠一定壓力的氣墊航行，因此它既能在水面上航行，可以貼近水面航行，又可以在陸地行 駛，還能夠在空中飛行，是一種特殊新型船體。由于航行時(shí)阻力小，航行速度可達(dá)200km/h。 航行過程中主要靠空氣流產(chǎn)生的向心力，該向心力一般都較小，因此，在風(fēng)浪影響下，如果 控制不恰當(dāng)，就容易造成氣墊泄氣而導(dǎo)致側(cè)漂或翻船。
[0003] 實(shí)際中當(dāng)氣墊船在海浪中航行時(shí)，由于海浪的擾動，運(yùn)行參數(shù)諸如縱傾、橫傾將會 有較大的波動，會嚴(yán)重干擾船體的運(yùn)行，甚至引發(fā)災(zāi)難。因此，需要對氣墊船運(yùn)行參數(shù)進(jìn)行 濾波，以降低海浪的干擾。（1)由于氣墊船的模型的復(fù)雜性，目前還沒有一種準(zhǔn)確的系統(tǒng)模 型。而傳統(tǒng)的濾波方法具有很強(qiáng)的模型依賴性，模型的不確定會使濾波效果大大降低甚至 發(fā)散。（2)傳感器直接測量得到的觀測數(shù)據(jù)往往有一定的滯后，不能滿足實(shí)時(shí)性的要求。針 對這兩個(gè)問題，目前還沒有一種能夠有效的應(yīng)用于氣墊船運(yùn)動參數(shù)的數(shù)據(jù)濾波的方法。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于提供一種能夠減少海浪造成的參數(shù)干擾，提高估計(jì)的實(shí)時(shí)性和 估計(jì)精度的基于神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)的氣墊船運(yùn)動參數(shù)濾波裝置。本發(fā)明的目的還在于提供一種 基于神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)的氣墊船運(yùn)動參數(shù)濾波方法。
[0005] 本發(fā)明的基于神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)的氣墊船運(yùn)動參數(shù)濾波裝置主要包括神經(jīng)網(wǎng)絡(luò)預(yù)報(bào) 單元、新息分析單元、狀態(tài)估計(jì)單元、狀態(tài)預(yù)測單元和權(quán)值調(diào)整單元，神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)單元實(shí) 現(xiàn)觀測變量的提前預(yù)報(bào)，新息分析單元產(chǎn)生估計(jì)值增益和預(yù)測值增益，狀態(tài)估計(jì)單元產(chǎn)生 當(dāng)前狀態(tài)估計(jì)值，狀態(tài)預(yù)測單元產(chǎn)生下一時(shí)刻預(yù)測值，權(quán)值調(diào)整單元用來對神經(jīng)網(wǎng)絡(luò)的權(quán) 值進(jìn)行更新。
[0006] 本發(fā)明的基于神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)的氣墊船運(yùn)動參數(shù)濾波方法包括如下步驟：
[0007] (1)建立在固定坐標(biāo)系下氣墊船六自由度運(yùn)動學(xué)方程；
[0008] (2)構(gòu)建小腦模型神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)單元，生成預(yù)報(bào)的觀測值；
[0009] (3)結(jié)合神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)值和狀態(tài)估計(jì)值得到狀態(tài)新息；
[0010] (4)基于新息分析法得到狀態(tài)變量的估計(jì)增益和預(yù)測增益；
[0011] (5)由新息和估計(jì)增益得到狀態(tài)估計(jì)值；
[0012] ⑻由新息和預(yù)測增益得到狀態(tài)預(yù)測值；
[0013] (7)使用狀態(tài)估計(jì)值更新小腦模型神經(jīng)網(wǎng)絡(luò)的權(quán)值，得到下一時(shí)刻的預(yù)報(bào)值。
[0014] 本發(fā)明的有益效果在于:基于神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)單元產(chǎn)生未來時(shí)刻的觀測數(shù)據(jù)，由于 其結(jié)構(gòu)的特殊性，因而具有更好的泛化能力，并且對學(xué)習(xí)數(shù)據(jù)出現(xiàn)的次數(shù)不敏感。因而采用 該網(wǎng)絡(luò)對觀測數(shù)據(jù)進(jìn)行預(yù)報(bào)，不僅能夠克服系統(tǒng)模型不準(zhǔn)確性帶來的影響，而且不受觀測 數(shù)據(jù)延時(shí)和數(shù)據(jù)無序到達(dá)的影響?；谛孪⒎治龅姆椒ǎ蒙窠?jīng)網(wǎng)絡(luò)預(yù)報(bào)值來產(chǎn)生未來 時(shí)刻的狀態(tài)估計(jì)增益和狀態(tài)預(yù)測增益，克服了實(shí)時(shí)測量數(shù)據(jù)受觀測噪聲影響較大以及具有 一定滯后的弊端。通過神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)，降低了海浪噪聲對觀測值的影響。同時(shí)使用最新的 估計(jì)值去更新神經(jīng)網(wǎng)絡(luò)權(quán)值的大小，克服了測量模型不準(zhǔn)確帶來的問題，從而能夠根據(jù)實(shí) 際情況對觀測值做到實(shí)時(shí)的預(yù)報(bào)，要比基于模型的觀測值具有更高的精度?；谏窠?jīng)網(wǎng)絡(luò) 預(yù)報(bào)的濾波能夠滿足氣墊船狀態(tài)參數(shù)的快速變化，克服傳統(tǒng)濾波帶來的時(shí)間滯后和觀測模 型不準(zhǔn)確問題，達(dá)到超前精確的濾波效果。
【附圖說明】
[0015] 圖1本發(fā)明的基于神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)的氣墊船運(yùn)動參數(shù)濾波裝置結(jié)構(gòu)框圖。
[0016] 圖2本發(fā)明的基于神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)的氣墊船運(yùn)動參數(shù)濾波方法結(jié)構(gòu)。
[0017] 圖3神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)單元結(jié)構(gòu)圖。
[0018] 圖4本發(fā)明的基于神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)的氣墊船運(yùn)動參數(shù)濾波方法流程圖。
【具體實(shí)施方式】
[0019] 下面結(jié)合附圖對本發(fā)明作進(jìn)一步的詳細(xì)描述。
[0020] 結(jié)合圖1，本發(fā)明的基于神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)的氣墊船運(yùn)動參數(shù)濾波裝置主要包括神經(jīng) 網(wǎng)絡(luò)預(yù)報(bào)單元、新息分析單元、狀態(tài)估計(jì)單元和狀態(tài)預(yù)測單元。神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)單元實(shí)現(xiàn)觀測 變量的提前預(yù)報(bào)，新息分析單元產(chǎn)生估計(jì)值增益和預(yù)測值增益，狀態(tài)估計(jì)單元產(chǎn)生當(dāng)前狀 態(tài)估計(jì)值，狀態(tài)預(yù)測單元產(chǎn)生下一時(shí)刻預(yù)測值，權(quán)值調(diào)整單元用來對神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行 更新。
[0021] 神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)單元，采用新息分析法根據(jù)預(yù)報(bào)的觀測變量進(jìn)行當(dāng)前時(shí)刻狀態(tài)的估 計(jì)和下一時(shí)刻狀態(tài)的預(yù)測。
[0022] 新息分析單元，新息分析單元的輸入為神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)的觀測值和前一時(shí)刻預(yù)測單 元預(yù)測的輸出值。
[0023]預(yù)報(bào)單元包含三層網(wǎng)絡(luò)結(jié)構(gòu)，分別是為輸入層，隱含層和輸出層。根據(jù)狀態(tài)變量來 對輸出變量進(jìn)行預(yù)測。
[0024] 單元的輸出為狀態(tài)估計(jì)增益和狀態(tài)預(yù)測增益。分別輸送給估計(jì)單元和預(yù)測單元， 進(jìn)而求得狀態(tài)的估計(jì)值和下一時(shí)刻預(yù)測值。
[0025] 結(jié)合圖4,本發(fā)明的基于神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)的氣墊船運(yùn)動參數(shù)濾波方法的下：
[0026] 1.以氣墊船六自由度位置參考系統(tǒng)為研究對象，氣墊船的運(yùn)動狀態(tài)模型是： ξ = ιι cos ψ cos θ -Η ι '(cos ψ sin θ^?ηφ- sin ψ cos φ) + r (cos ψ sin θ eos ^ + sin ψ^?ηφ) η = ιι sin ψ cos θ + v(sin ψ sin θ?ηφ f cos ψ cos φ) + r(sm^ sin ^ cos cos ^ sin ^>)
[0027] 4 · (1 ) ζ - -it sin θ + νοο^θ?πφ + r cos θοο^,φ ψ = ρ + f sin^tan^ + rcos^tan^ θ - i/ cosi^ -r sin φ ψ = §?πφ! eos：^ + r aos：^ / cos^
[0028] 其中Φ為艏向角，Θ為縱傾角，免為橫傾角。u、v、w為軸向速度。p、r、q為姿態(tài)角速度。 ξ，η，ζ表示轉(zhuǎn)化為固定坐標(biāo)系下的坐標(biāo)基底。
[0029 ]由系統(tǒng)微分方程式(1)可得尚散化系統(tǒng)方程：
[0030] x(t) = f (x(t~l) )+w(t~l) (2)
[0031] 其中，狀態(tài)變量\(1) = [<.\(人>^，^小系統(tǒng)過程噪聲￥(1：-1)是高斯白噪聲。
[0032] 觀測方程為：
[0033] z(t)=h(x(t))+v(t),t>0, (3)
[0034] 其中，觀測向量Z(t)，hi = I6x6,測量噪聲v(t)是高斯白噪聲序列。
[0035] 2.以小腦模型神經(jīng)網(wǎng)絡(luò)（CMAC-Cerebellar Model Articulation Controller)作 為預(yù)報(bào)單元，CMC是一種表格查詢式自適應(yīng)神經(jīng)網(wǎng)絡(luò)。能夠?qū)W習(xí)任意多維非線性映射，該算 法已經(jīng)被證明能夠有效的應(yīng)用于非線性函數(shù)的逼近。本發(fā)明采用如圖3所示的神經(jīng)網(wǎng)絡(luò)結(jié) 構(gòu)，采用該神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測時(shí)，狀態(tài)變量X作為神經(jīng)網(wǎng)絡(luò)的輸入空間，然后將每一個(gè)輸入X 進(jìn)行量化成為q個(gè)等級，這樣，對于具有P個(gè)分量的X空間就會現(xiàn)qp種可能的組合，然后基