大型舰船甲板运动态势预测方法研究

发布时间：2017-09-22 16:20

  本文关键词：大型舰船甲板运动态势预测方法研究

  更多相关文章： 舰船甲板运动 灰色预测 神经网络 BP PSO-OS-ELM

【摘要】：复杂的海况下,舰船在海浪、海风及其他干扰因素的作用下,将会产生复杂的六自由度摇荡运动,这对舰载机起降、武器控制以及舰员、设备等都会带来不利的影响,在无法有效抑制舰船六自由度运动时,研究舰船极短期预报技术具有重要的现实意义。舰船极短期预报就是利用包括当前数据在内的舰船历史运动数据对未来十几秒或几十秒的甲板运动态势进行预测。常用的舰船极短期预报方法有统计预报法、卷积法、周期图法、功率谱自相关法、卡尔曼(Kalman)滤波法等。上述方法一般需要准确的力学模型以及统计参数,在实时应用中存在一定的困难。本文先后引入基于灰色理论、BP神经网络以及基于粒子群优化的在线序贯极限学习机的预测方法对舰船甲板运动态势进行预测,以实时精确的解决大型舰船甲板态势预测问题。本论文的主要工作有：首先,介绍了舰船甲板运动模型的研究现状以及基于多个正弦波叠加大型舰船甲板运动模型的甲板运动数据生成方法；分析了甲板的六自由度摇荡运动对舰载飞机起降的影响；阐述了甲板摇荡与杆臂效应的耦合过程,以及舰载机起降点处运动数据的生成方法；分析了用于甲板态势预测模型训练的样本准备与序贯更替过程。其次,引入灰色预测方法对甲板运动态势进行预测。分析了经典灰色预测模型GM(1,1)的建模过程,针对GM(1,1)模型自身的固有缺陷,引入了离散灰色预测模型DGM及其改进算法NDGM。基于NDGM预测模型的仿真结果表明,该方法可对标准正弦波进行有效预测,但对基于多个正弦波叠加的甲板运动态势数据预测效果欠佳。接下来,引入神经网络预测方法对甲板运动态势进行预测。介绍了神经网络独特的特点及其在预测领域的发展,分析了最具代表性的前馈神经网络BP模型的算法原理及其改进办法,并详细阐述了基于遗传算法(GA)优化的BP改进模型GA-BP。基于GA-BP预测模型的仿真结果表明,该模型可对本文的舰船甲板运动数据做出满意的预测,但存在训练时间冗长的不足,很难满足甲板态势预测的实时性需求。最后,针对传统神经网络训练时间长的不足,进一步引入了在线极限学习机(ELM)的相关算法对甲板运动态势进行预测。分析了ELM产生的背景、意义及其优势。介绍了传统ELM模型的算法原理,针对传统的ELM无法实现实时数据的分批训练问题,给出了改进算法OS-ELM。针对OS-ELM模型中的参数难以选择问题,引入了PSO算法对其进行参数寻优。基于PSO-OS-ELM预测模型的仿真结果表明,此方法应用于舰船甲板运动态势的预测是行之有效的。
【关键词】：舰船甲板运动 灰色预测 神经网络 BP PSO-OS-ELM
【学位授予单位】：东南大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U674.703.1
【目录】：

• 摘要5-6
• Abstract6-10
• 第一章 绪论10-14
• 1.1 课题研究背景和意义10-11
• 1.2 舰船姿态极短期预报技术研究11-13
• 1.3 论文组织结构13-14
• 第二章 舰船甲板运动分析14-20
• 2.1 舰船甲板运动特性分析14-15
• 2.2 舰船甲板运动对舰载机起降的影响15-17
• 2.3 舰载机着舰点处的甲板运动信息17-18
• 2.4 舰船甲板运动的训练样本准备18-19
• 2.5 本章小结19-20
• 第三章 基于灰色系统理论的舰船甲板运动态势预测20-28
• 3.1 灰色系统理论20-21
• 3.2 经典灰色预测及其改进模型21-24
• 3.2.1 原始GM(1,1)模型极其改进方法21-23
• 3.2.2 离散灰色预测模型及其改进23-24
• 3.3 灰色预测模型仿真分析24-26
• 3.4 本章小结26-28
• 第四章 基于人工神经网络方法的舰船甲板运动态势预测28-40
• 4.1 人工神经网络28-30
• 4.1.1 神经网络的发展简史28-29
• 4.1.2 神经网络的特点29-30
• 4.2 BP预测及其改进方法30-35
• 4.2.1 BP网络模型算法原理30-33
• 4.2.2 标准BP算法的改进33-34
• 4.2.3 基于GA的BP算法优化34-35
• 4.3 基于BP网络的舰船甲板运动仿真35-39
• 4.3.1 BP预测模型的训练过程35-36
• 4.3.2 样本训练集的准备36
• 4.3.3 BP网络的结构设计36-37
• 4.3.4 仿真条件设置37
• 4.3.5 仿真结果分析37-39
• 4.4 本章小结39-40
• 第五章 基于极限学习机方法的舰船甲板运动态势预测40-52
• 5.1 极限学习机理论40-41
• 5.2 在线序贯极限学习机模型建立41-45
• 5.2.1 极限学习机算法原理41-42
• 5.2.2 在线序贯极限学习机算法42-43
• 5.2.3 基于OS-LM的舰船甲板运动仿真43-45
• 5.3 基于PSO的OS-ELM预测模型45-47
• 5.3.1 粒子群智能优化算法45-47
• 5.3.2 PSO-OS-ELM预测算法47
• 5.4 基于PSO-OS-ELM的舰船甲板运动仿真47-50
• 5.4.1 仿真条件设置47
• 5.4.2 仿真结果分析47-50
• 5.5 本章小结50-52
• 第六章 总结与展望52-54
• 6.1 总结52
• 6.2 展望52-54
• 致谢54-56
• 参考文献56-60
• 攻读硕士期间发表的论文及参与的科研项目60

【参考文献】

中国期刊全文数据库 前10条

1 杜占龙;李小民;郑宗贵;张国荣;毛琼;;基于正则化与遗忘因子的极限学习机及其在故障预测中的应用[J];仪器仪表学报;2015年07期

2 毛力;王运涛;刘兴阳;李朝锋;;基于改进极限学习机的短期电力负荷预测方法[J];电力系统保护与控制;2012年20期

3 许东松;刘星宇;王立新;;航母运动对舰载飞机着舰安全性的影响[J];北京航空航天大学学报;2011年03期

4 马君;刘小冬;孟颖;;基于神经网络的城市交通流预测研究[J];电子学报;2009年05期

5 杨居义;易永宏;;基于BP神经网络的地震预测研究[J];微电子学与计算机;2008年10期

6 栗然;李广敏;;基于支持向量机回归的光伏发电出力预测[J];中国电力;2008年02期

7 马世强;;舰载机降落技术探讨[J];舰载武器;2007年11期

8 彭秀艳;赵希人;;舰载机起降指导技术研究现状及发展趋势[J];机电设备;2006年02期

9 魏鑫,张平;周期图法功率谱估计中的窗函数分析[J];现代电子技术;2005年03期

10 吕振肃,侯志荣;自适应变异的粒子群优化算法[J];电子学报;2004年03期

中国博士学位论文全文数据库 前6条

1 李占英;基于神经网络的船舶横摇运动预报研究[D];哈尔滨工程大学;2012年

2 崔立志;灰色预测技术及其应用研究[D];南京航空航天大学;2010年

3 柳刚;舰载飞机着舰拦阻钩碰撞及拦阻动力学研究[D];南京航空航天大学;2009年

4 孙李红;基于组合预测方法的舰船纵摇运动预报[D];哈尔滨工程大学;2009年

5 沈艳;神经网络理论研究及在舰船运动预报中的应用[D];哈尔滨工程大学;2005年

6 沈继红;灰色系统理论预测方法研究及其在舰船运动预报中的应用[D];哈尔滨工程大学;2002年

中国硕士学位论文全文数据库 前10条

1 张恒;基于差分进化优化算法和极限学习机的心电逆问题研究[D];浙江理工大学;2015年

2 张永花;舰载机着舰过程甲板运动建模及补偿技术研究[D];南京航空航天大学;2012年

3 朱熠;舰载机起飞控制与仿真技术研究[D];南京航空航天大学;2012年

4 王振兴;BP-RBF组合神经网络在股票预测中的应用研究[D];兰州商学院;2010年

5 王允峰;船舶纵横摇和升沉运动预报方法研究[D];哈尔滨工程大学;2010年

6 孙凌丽;船舶运动的风浪影响建模与仿真研究[D];哈尔滨工程大学;2010年

7 刘星伯;基于捷联航姿系统的舰船瞬时线运动信息测量研究[D];哈尔滨工程大学;2009年

8 王莎;BP神经网络在股票预测中的应用研究[D];中南大学;2008年

9 周剑冰;基于并联型灰色神经网络的舰船运动预报[D];哈尔滨工程大学;2006年

10 李翠凤;灰色系统建模理论及应用[D];浙江工商大学;2006年

，

本文编号：901819