一、基于神经网络方法对舰船姿态运动预报的仿真研究(论文文献综述)
强红宾[1](2020)在《Stewart舰船稳定平台机构优化、标定及预测控制研究》文中认为舰船在海上行驶,由于受到海风、海浪等海洋环境的影响,会产生六维摇荡运动,给舰载武器的发射精度、舰载设备的安全工作、舰载人员的工作生活、舰载人员或设备的输送等带来严重影响。舰船稳定平台可以实时监测舰船运动,并对舰船扰动进行主动补偿,保证舰载人员和设备相对惯性坐标系稳定,提高舰载设备工作精度、保障人机安全。本文以Stewart舰船液压稳定平台为研究对象,分别从舰船运动分析及预报,Stewart平台机构运动学分析、机构参数优化设计、运动学标定和稳定平台控制方面进行研究,具体研究内容如下:舰船运动分析及极短期运动预报。采用频域法模拟舰船运动,利用ITTC双参数波浪谱计算海浪运动,通过ANSYS AQWA仿真得到船体的幅值响应算子(Response Amplitude Operator,RAO),再通过海浪谱和RAO得到不同海况下不同船体的六维运动曲线。研究自回归模型(Autoregressive model,AR)预报机理,对舰船运动进行预报,并通过数值算例验证了预报算法的准确性。Stewart平台机构运动学分析。对Stewart稳定平台运动学进行分析,将调整步长牛顿法应用于Stewart平台正向运动学求解,采用遗传算法以步长矩阵初值和等比参数为变量,以Stewart并联机构位姿正解所需迭代步数为目标,优化得到步长矩阵初值及等比参数最优值。通过数值算例验证了该方法的收敛性和快速性。分析并求解了Stewart稳定平台的全方位工作空间,用于补偿船体的六维扰动。基于给定工作空间的Stewart平台机构多目标优化设计。根据船体的六维运动,设定Stewart平台机构的全方位工作空间。在求解给定全方位工作空间的Stewart平台支腿长度最值时,提出了对旋转量采用数值法,对平移量采用代数法的混合法,提高了求解精度和效率。对于定值支腿长度作为约束条件的问题,提出了驱动器行程约束模型,扩大了优化范围。以给定的全方位工作空间为约束,以Stewart平台机构的物理尺寸和运动学性能指标为目标,采用NSGAII(Non dominated Sorting Genetic Algorithm II)算法对Stewart稳定平台机构参数进行了多目标优化设计。基于选取测量位姿的Stewart平台机构运动学标定。建立Stewart稳定平台的运动学误差模型,对同时含有位移和姿态量的辨识雅可比矩阵进行无量纲化处理,再根据可观测性指标来选取测量位姿。通过选取测量位姿、牛顿迭代求解辨识参数和误差补偿进行标定仿真,验证了该方法选取的测量位姿的有效性。通过该方法获得的测量位姿实现了对Stewart平台样机的运动学标定实验。基于舰船运动预报的稳定平台模型预测控制。将舰船运动的AR预报,一部分用于补偿液压驱动单元的时滞,一部分作为模型预测控制滚动优化时的参考轨迹,提出了基于舰船运动预报的模型预测控制策略(Motion Prediction Model Predictive Control,MPMPC)。建立液压驱动单元系统数学模型,通过实验辨识出模型参数和系统时滞参数,并进一步建立了模型预测控制的预测模型。对液压驱动单元进行了基于MPMPC和传统MPC控制的仿真和实验,验证了MPMPC控制具有较高的位移跟踪精度。基于Stewart稳定平台与2DOF船体运动模拟平台,搭建了舰船稳定补偿系统,对Stewart稳定平台进行了基于MPMPC和传统MPC控制的仿真和实验,验证了基于MPMPC控制的Stewart舰船稳定平台具有更小的剩余运动。
段事良[2](2020)在《基于深度学习的船舶运动响应预报与波浪反演研究》文中研究表明船舶在波浪中运动时,受到非线性波浪的扰动,会对海上作业产生不利的影响。考虑波浪的影响,对船舶运动实时响应进行预报计算是提高海上作业的安全性的关键。此外,由于海上波浪信息存在较难测量的特点,船舶运动作为波浪影响下的响应结果,某种程度上反馈了当前时刻下的波浪信息。对于以上两个问题的研究中,目前所采用的传统的水动力学研究方法由于无法较好的考虑到波浪及船舶运动数据非线性特征的影响,从而导致计算精度上存在一些不足,因此,本文通过尝试使用深度学习方法,对以上的波浪作用下的船舶运动响应预报问题以及基于船舶运动的波浪反演问题进行研究。在波浪作用下的船舶运动响应预报问题研究中,针对极短期预报的相位解析预报的特殊需求,目前的研究方法大多以船舶运动数据本身作为研究对象,并没有考虑波浪输入数据对船舶运动的影响,并且研究理论大多以线性理论为基础,无法较好的体现出船舶运动以及波浪的非线性特征。因此,本文采取深度学习方法中的长短期记忆神经网络对该问题进行研究。深度学习方法被广泛应用于求解非线性问题,而长短期记忆神经网络在其他领域的时间序列问题的求解上具有良好表现。考虑到波浪时历与船舶运动的时间序列特征,因此在初步研究中,将二维长峰波的波高作为输入,将船舶运动数据作为输出,验证该方法的可行性与准确性。针对计算结果的分析,对神经网络的训练对象以及结构进行改善讨论,分别提出了一种对运动差值训练的单特征训练深度学习模型,以及对单点波高波陡输入和多点波高输入的两种多特征训练模型,对纵摇计算结果提出改进方法。另一方面,对于基于船舶运动对波浪反演的问题研究中,分别使用卷积神经网络实现海况分类以及使用深度人工神经网络实现波浪时历的反演研究。由于卷积神经网络在图片的分类问题上具有较好的表现效果,因此本文将船舶运动数据通过希尔伯特变换以及色彩填充,将一维信号三维图像化,并通过图像识别分类,实现海况等级划分。并在波浪时历反演的回归问题中,通过人工神经网络,通过输入船舶运动数据,获得波浪信息。
张彪[3](2020)在《船舶运动姿态估计与预报方法研究》文中提出船舶行业的蓬勃发展和海上贸易的持续扩张,让船舶研究成为学术界的研究热点。其中,关于船舶摇荡运动的研究备受瞩目。激烈的船舶摇荡运动会严重影响船员的舒适感和船舶的安全性,甚至可能导致翻船。这些安全隐患一旦爆发,往往会造成无法估量的损失。因此,对船舶摇荡姿态进行有效准确的估计和预报已成为一个重要的课题。本论文具体研究内容包括以下几方面:首先,为了更加真实有效地描述船舶运动特性,对船舶运动数学模型、船舶舵机模型进行了理论性分析,建立了一个能有效反映船舶实际运动情况的六自由度非线性数学模型,并推导建立了船舶平面运动数学模型。同时,分析建立了海洋环境扰动模型,包括海浪干扰力和干扰力矩、海风以及海流模型。并根据长峰波随机海浪理论对海浪在三种不同情况下的纵荡力、横荡力和艏摇力矩进行了仿真分析。然后,针对船舶运动姿态系统量测值异常突变的问题,提出了基于改进无迹卡尔曼滤波(Modified Unscented Kalman Filter,MUKF)的船舶运动滤波方法。设计了基于量测残差统计信息的异常值检测函数,用以判断系统的量测值是否异常;再根据量测残差协方差修正无迹卡尔曼滤波器增益,并设计了船舶运动非线性滤波器,降低了量测值异常对船舶运动姿态系统的影响,使船舶运动姿态的估计具有更准确的精度及更好的时效性。其次,在船舶运动姿态的六个自由度中,横摇运动、纵摇运动和升沉运动很大程度上决定了船舶的适航性,因此,对这三个自由度上运动的极短期预报进行了重点研究。深入分析长短期记忆(Long Short-Term Memory,LSTM)神经网络模型,提出了基于粒子群优化(Particle Swarm Optimization,PSO)LSTM的船舶运动姿态极短期预报模型;针对PSO中粒子容易向自身局部最优位置聚集,并陷入局部极值的问题,提出了一种多层异质粒子群(Multi-layer Heterogeneous Particle Swarm Optimization,MHPSO)算法,通过建立粒子行为池,让早熟粒子进行行为随机选择,增强了算法运行过程中粒子与粒子之间的信息交互能力,提升了算法的寻优能力。再次,根据实际船舶运动中存在非平稳的特性,设计了基于经验模态分解(Empirical Mode Decomposition,EMD)与改进LSTM组合的船舶运动姿态极短期预报模型。通过经验模态分解,可得到有限个独立的、能够突出原始数据不同局部特征信息的本征模态函数(Intrinsic Mode Function,IMF),针对每个IMF分量,建立改进LSTM神经网络预报模型,再对各个预报分量的结果进行求和,并输出最终的预报结果,提高了预报精度。最后,研究了船舶运动姿态的在线建模递推预报方法。船舶运动是一个随时间不断变化的动态过程,在预报过程中,不断有新的数据产生,较旧的样本与当前及未来的运动特征相关性会越来越小,而较新的样本与其相关性较大。由于采用离线训练方式的预报模型在训练时并没有考虑样本的动态特性,导致长时间的预报精度下降且实时性较差,因此,针对该问题,提出快速稀疏最小二乘支持向量机(Fast Sparse Approximation Least Squares Support Vector Machine,FSALS-SVM)与双向长短期记忆(Bidirectional Long Short-Term Memory,Bi LSTM)神经网络相结合的在线建模递推预报模型(FSALS-SVM-Bi LSTM)。利用Bi LSTM神经网络对样本数据进行训练,得到训练残差;通过FSALS-SVM算法对训练残差进行建模和预报;并采用误差补偿机制自动更新Bi LSTM模型的参数,对船舶运动姿态进行实时预报。这种建模方法可在运动过程的不同变化时段调整预报模型的表达式,具有一定的自适应调节能力。
胡敏[4](2019)在《侧壁式气垫船升沉运动预报研究》文中提出侧壁式气垫船凭借其航速高,兴波阻力小,操纵性好的优点,已在民事及军事领域得到了广泛的运用。当侧壁式气垫船进行过驳、补给等海上作业时,受海浪的影响不可避免地会产生升沉运动,严重影响船舶间货物补给的安全性,增加人员和货物在转移过程中的危险性。若可以有效地预报出侧壁式气垫船的升沉运动,提前采取适当的控制方案抵消海浪扰动的影响,就能够大幅地降低侧壁式气垫船的升沉运动幅值,保证海上作业的安全。因此,对侧壁式气垫船升沉运动进行预报,具有十分重要的理论研究价值及实际意义。本文首先建立了侧壁式气垫船的升沉运动数学模型和海浪扰动数学模型;然后,在升沉位置不可测,升沉加速度可用惯性测量单元测得的情况下,将经验模态分解方法与频域积分方法相结合,依据侧壁式气垫船的升沉加速度,获取侧壁式气垫船的升沉位置估计值;为解决海浪扰动引起的侧壁式气垫船升沉运动预报问题,基于多层前馈神经网络建立侧壁式气垫船升沉运动预报模型,依据侧壁式气垫船的升沉位置估计值,采用反向传播算法对所建立的神经网络预报模型进行训练,实现侧壁式气垫船的升沉运动预报;进一步,基于长短时记忆神经网络建立侧壁式气垫船升沉运动预报模型,依据侧壁式气垫船的升沉位置估计值,采用水循环算法对所建立的神经网络预报模型进行训练,实现侧壁式气垫船的升沉运动预报,以提高侧壁式气垫船的升沉位置预报精度。最后,以一艘侧壁式气垫船为对象,利用MATLAB分别在一至六级海况下对所提出的侧壁式气垫船升沉运动位置估计方法及所设计的侧壁式气垫船升沉运动预报模型进行仿真研究,仿真结果表明所提出的升沉运动位置估计方法及所设计的升沉运动预报模型是有效的。
周裕力[5](2019)在《基于船舶运动模拟和预报的垂直装填系统仿真研究》文中指出近年来,随着陆地资源被大量开采,接近枯竭,人们对海洋资源开发和利用的日益重视,与邻国就海洋资源开发的矛盾开始突显;同时,随着我国进出口贸易额大增,大量我国商船往来于世界各地,由于恐怖主义和海盗等日益猖獗,我国商船在外航行的安全性受到威胁。为保证我国合法的海洋权益并为商船的航行安全提供保障,对我国海军舰船远洋作战能力和远洋补给能力提出了更高的要求。无发射死角的导弹垂直发射技术提高了舰船的攻击反应速度和覆盖范围,是我国未来舰载导弹发射的新趋势。如何快速准确地进行导弹垂直装填是保证舰船远洋作战能力的难题。针对此问题,本文在建立舰载导弹垂直装填系统机械结构模型的基础上,考虑到海洋随机波浪的影响、船舶的波浪载荷响应、系统波浪补偿装置控制方式等因素,对垂直装填系统进行动力学联合仿真,以得到不同海况条件下垂直装填系统的运动响应。本文的主要研究工作如下:首先,分析了导弹垂直装填系统的组成,确定了本文的导弹垂直装填作业流程,建立了以波浪补偿装置和垂直装填装置为关键的导弹垂直装填系统。其次,通过波浪模拟仿真的方法,针对船舶在不同海况条件下的摇荡运动进行模拟仿真。建立了随机波浪数学模型,利用数学模型和波能谱仿真方法编写波浪模拟程序并建立了船舶运动模拟仿真平台。利用该平台,得到随机波浪波能谱仿真曲线、横纵摇方向上的波高模拟曲线、波倾角模拟曲线以及船舶横、纵摇运动角模拟仿真曲线。然后,通过时域和频域内两种短期预报的方法对垂直装填作业时两船舶的相对运动状态进行仿真预报。利用波浪模拟仿真得到的数据,验证了AR预报模型的可行性,对基于时序AR自回归模型的船舶运动短期预报进行了仿真验证和误差分析,比较各方法的预报精度和适用条件。最后,分析了两轴稳定平台的波浪补偿原理,进行了姿态解算,得到了平台位姿(上平台面倾角)与横、纵摇轴伸长量关系。使用ADAMS和MATLAB对导弹垂直装填系统进行动力学联合仿真,在保证机械系统建模完整性的同时保证系统控制的准确性,提高了仿真精度,确保了试验条件与真实海洋环境的相似性,得出了不同海况条件下系统的响应,为虚拟样机的优化提供数据参考。
黄柏刚[6](2019)在《基于小波神经网络的波浪中船舶运动在线建模与预报研究》文中提出船舶运动预报是船舶航行性能研究领域的重要问题,它事关船舶航行安全与作业效率。精确预报船舶未来一段时间的运动姿态,再利用运动补偿与控制技术对船舶运动进行控制,对于提高舰载机着舰的安全,改进舰船火控系统的瞄准精度,提高船船之间货物过驳等海上作业的安全和效率具有重要的意义。船舶运动预报数学模型是船舶运动预报及控制器设计的基础。在大海中航行的船舶,由于受到风、浪、流等环境的干扰以及其自身载荷的变化,其运动呈复杂的非线性和时变性,很难建立精确的船舶运动机理模型。因此,现实中船舶运动建模与预报的很多方法是从统计学理论出发,早期的有经典的时间序列分析方法,如自回归模型,自回归滑动平均模型等;近年来,随着人工智能技术的发展,神经网络、支持向量机等机器学习理论也被广泛应用于船舶运动建模与预报。神经网络可以以任意的精度逼近任意的非线性函数;小波神经网络是在小波理论的基础上提出的,由小波激活函数构成的小波神经网络,不仅拥有传统神经网络的优点,而且还拥有小波函数的优点。小波函数在时域和频域上同时拥有局部特性,尤其是拟合强非线性系统,小波神经网络通常收敛更快。针对强非线性的船舶摇荡运动,本论文分别采用自适应小波神经网络与固定网格小波神经网络对波浪中的船舶摇荡运动进行了辨识建模与预报研究。自适应小波神经网络一般采用梯度下降类训练方法,易使小波神经网络收敛于局部最优。为了避免小波神经网络收敛于局部最优,本文采用粒子群优化算法与误差反传算法相结合的神经网络训练方法,克服了仅采用误差反传算法导致的对神经网络初始位置敏感的缺点,还提高了所训练小波神经网络的鲁棒性。论文应用Mexican Hat小波激活函数构建神经网络模型,对规则波与不规则波中的船舶横摇运动进行了辨识建模与预报研究;为了预报多自由度的船舶运动,还把该建模方法扩展到多输入多输出系统,对波浪中双自由度垂荡-纵摇耦合运动进行了辨识建模研究,并通过将船舶运动的仿真数据与试验数据进行对比,验证了该建模方法的有效性。小波激活函数种类繁多,不同的小波激活函数可以构建不同的小波神经网络;针对不同的应用环境,可以采用不同的小波神经网络模型。本文利用Mortlet与Gaussian小波激活函数构建了两种自适应小波神经网络,基于不规则波中的船舶横摇运动与垂荡-纵摇耦合运动的仿真数据,采用粒子群优化算法与误差反传算法相结合的训练方法,分别建立了基于Mortlet与Gaussian小波神经网络的波浪中船舶横摇运动与垂荡-纵摇耦合运动预报模型,体现了构建小波神经网络模型的灵活性。基于粒子群优化的自适应小波神经网络模型,虽然在一定程度上可以避免神经网络陷于局部最优,但是在针对多输入多输出系统建模时,由于目标函数针对的是系统输出的整体优化效果,在训练优化过程中可能会出现不同维输出的优化结果差异较大的现象,为了避免这一现象,本文采用了基于固定网格小波神经网络的建模方法。该建模方法只要固定网格小波神经网络的训练条件一样,小波神经网络的训练结果就唯一,模型可以收敛于全局最优,而且该小波神经网络模型还可以清楚地表示不同神经网络输入变量对系统输出贡献大小的关系以及输入变量之间的耦合关系。基于波浪中船舶横摇运动和垂荡-纵摇耦合运动的数据,本文应用该建模方法对波浪中的船舶横摇运动和垂荡-纵摇耦合运动进行了在线辨识建模与预报研究。为了提高基于固定网格小波神经网络的在线建模方法在系统建模中的计算效率,本文提出了粗微调固定网格小波神经网络的在线建模方法,其中粗调可以改变神经网络模型的结构,而微调借助于Givens Rotation算法仅调整神经网络模型的参数。该建模方法既可以灵活调整模型结构,还提高了建模的计算效率。基于波浪中船舶横摇运动与垂荡-纵摇耦合运动的仿真数据和实验数据,本文应用该方法对波浪中船舶横摇运动与垂荡-纵摇耦合运动进行了辨识建模研究,针对多输入单输出与多输入多输出系统建立了波浪中船舶运动的在线预报模型。仿真结果表明,该预报模型可以较好地对船舶运动进行在线预报。本文将粒子群优化的自适应小波神经网络在线建模方法引入波浪中船舶运动的在线建模与预报中,在固定网格小波神经网络的基础上提出了一种新的粗微调固定网格小波神经网络在线建模方法,为波浪中船舶运动的在线建模与预报提供了一种有效的方法。
盖晓娜[7](2018)在《海面浮体运动极短期预报方法研究》文中指出海面浮体在复杂的风浪流组合环境下,会产生六个自由度的运动,特别是在垂荡、横摇、纵摇三个自由度上,剧烈的运动可能会对海上的人员和工作带来很大的影响,工作人员会感到不适,工程作业的效率降低,甚至由于碰撞造成一定的损失。如果能对浮体的运动进行提前预报,预报的结果,对浮体姿态进行控制,就可以避免很多事故和损失,提高工作效率。因此,对海面浮体在短期内的运动进行预报已经成为一个重要的研究课题。本文针对上述情况,开展了基于时间序列分析的海面浮体运动极短期预报方法研究。本文采用了三种独立方法和两种组合方法对不同特点的海面浮体运动数据进行了预报研究。首先,针对线性平稳运动数据,根据相关函数法进行模型的判定,建立了ARM A模型,分别根据AIC和BIC信息准则法进行模型的定阶,最后采用最小二乘法进行参数的计算。然后,针对非线性平稳运动数据,采用了支持向量机回归(SV R)模型进行处理,并且讨论了核函数、核参数以及惩罚因子参数的选取方法。接着,针对线性非平稳运动数据,采用了基于船艏波输入的卡尔曼滤波模型进行处理,依据卡尔曼滤波原理,推导出卡尔曼预报器公式,基于船体的运动方程,构造出卡尔曼预报模型。最后,针对非线性非平稳运动数据,分别采用了基于经验模态分解的ARMA-EMD-SV R组合方法和基于小波分解的小波-SV R组合方法,并且讨论了经验模态分解边界效应抑制的问题。在上述研究的基础上,对水池模型试验中某钻井船和某半潜式平台的垂荡、横摇、纵摇数据,采用不同的方法分别进行了预报分析,验证了上述方法是准确、有效的。同时通过仿真结果发现,针对不同特征的数据,不同的方法的计算过程和预报精度也会不同。对于规律不明显,非平稳非线性较强的数据,两种组合方法相对直接采用某种单一方法,具有一定的优越性。但是独立方法的计算效率高于组合方法,因此在实际中应该用数据特征来区别采用的方法。本文的研究成果和结论对于海面浮体的极短期运动预报在工程上的应用实践具有一定的参考意义。
黄礼敏[8](2016)在《海浪中非平稳非线性舰船运动在线预报研究》文中研究说明由于受到海洋风、浪、流等环境因素的影响,舰船会不断产生六个自由度的摇荡运动,对舰船海上作业造成严重威胁。舰船运动在线预报能够实时地估计舰船未来几秒到几十秒内的运动姿态,为舰船海上作业的精确控制和最优作业时机的选择提供决策信息,进而提高海上作业的安全性和效率。舰船运动在线预报中,时长在几秒以内的预报称为极短期预报,通常用于海洋作业的精确控制;而时长在十秒到几十秒的预报一般应用于海上作业时机优选,称为安稳期预报。时间序列分析是极短期预报方法的基础。传统的极短期预报方法基于假定的时间序列模型如自回归模型、自回归滑动平均模型、神经网络模型等。本文基于海洋浮体在波浪中运动的记忆特性,创新性地提出了一种波浪效应自回归(Wave Effect Auto-regressive,WEAR)预报模型,在保证预报精度的同时,大幅提高了模型辨识效率,降低了预报结果对采样频率的敏感性。针对实际舰船运动中存在的非线性非平稳性特征,研究分析了传统傅里叶分析方法的不足,引入了经验模态分解(Empirical Mode Decomposition,EMD)及 Hilbert-Huang变换对非线性非平稳信号进行处理,并基于EMD方法展开分析了非线性非平稳特征对极短期预报模型的影响。结果表明:非线性特征是导致线性模型预报结果中产生幅值偏差的主要因素,而非平稳特性则是引起线性模型和非线性模型预报结果中产生相位偏差的主要因素。且非线性非平稳特征对模型预报性能的影响与预报时长有关,当时长较短时,非线性是引起预报误差的主要因素,而随着预报时长的增加,非平稳性对预报误差的影响逐渐增强,当时长超过一定的阀值后,非平稳性影响成为引起预报误差的主要成分。EMD方法能够有效处理时间序列中的非线性非平稳性特征,在预报模型中引入EMD处理是提高非线性非平稳舰船运动预报精度的重要手段。但预报过程中,在线EMD处理通过克服非线性非平稳性为预报结果带来预报精度增益的同时,也引入了在线端点效应,引起预报精度损失。这种预报精度损失表现为预报时历结果的不光滑、局部存在明显“跳跃”。当预报精度损失大于预报精度增益时,引入在线EMD处理会使预报结果变差。为了抑制在线端点效应所引起的预报精度损失同时提高在线分解的实时性,本文创新性地提出了一种中值回归经验模态分解(Midpoint and Regression-based Empirical Mode Decomposition,MREMD)方法。研究结果表明:相比于传统EMD方法,MREMD方法在保证分解精度的同时具有更高的分解效率,有效改善了分解过程中的端点效应,在线预报结果的精度得到明显提高。针对安稳期预报问题,文中基于时间序列方法展开研究。相比而言,安稳期预报更关注舰船运动的幅值范围而不是准确运动时历,但其对预报时长的要求较高,一般在10~15秒以上。考虑到运动时历直接预报方法在预报时长上的局限性,本文研究分析了运动时历特征对预报时长的影响,提出了基于运动时历包络预报的间接安稳期预报方法。结果表明:基于运动时历包络的间接安稳期预报方法能够大幅提高预报时长和预报结果的可靠性,为舰船安稳期预报研究提供了一种可行的途径。
赵玉[9](2015)在《基于惯性测量与组合预测的舰船瞬时线运动计算方法研究》文中提出舰船在航行过程中受到海浪、海风以及其它干扰力的激励,将会产生六自由度的摇荡运动,对舰载机着舰、武器控制以及舰员和舰载设备等均产生不利影响。实时求取出舰船振荡信息,并对未来一段时间内的舰船振荡运动进行预测,以供舰载机及时调整路径,可避免起飞和降落过程中事故的发生,从而提高舰载机的生存能力。本文主要针对舰船振荡运动的分离与预测等相关问题展开研究。首先,详细分析了舰船在海上航行的运动状态,研究了海浪波的形成机理以及海浪波的建模方法,给出了舰船瞬时摇荡运动的模型方程,该方法比单一频率的建模要更接近实际情况。详细阐述了用于振荡运动测量的捷联式惯性导航系统(SINS)的解算原理,给出了增加振荡运动测量的SINS导航解算方法;通过对振荡运动解算结果中的频率成分的分析,给出了基于数字滤波的振荡运动提取方法。其次,分析并比较了IIR数字滤波器和FIR数字滤波器性能特点,选择了延迟时间较短的IIR数字滤波器作为振荡运动分离滤波工具。详细阐述了11R滤波器的工作原理和设计过程,以及基于解算结果频率组成的滤波器参数的选取方法。仿真验证了所设计滤波器的有效性。最后,针对舰船振荡运动的随机性及非线性特性,选取具有非线性、自适应性、自学习能力以及数据融合能力的神经网络方法对舰船振荡运动进行预测。仿真分析、比较了BP神经网络、RBF神经网络和BP-RBF组合神经网络三种预测方法对舰船三轴振荡运动的预测能力。仿真实验结果表明:BP-RBF组合预测方法既具有RBF网络的学习收敛速度的快速性,又具有BP网络的泛化性能。综合认为,在一定条件下组合预测方法比单一预测方法具有优势,可在保证预测精度的基础上提高了预测速度。
施平安[10](2013)在《舰船并靠波浪补偿研究》文中进行了进一步梳理舰船在海上实施并靠补给等作业时,由于受到风浪的影响及两船间的水动力干扰,会产生比单船时更剧烈的摇荡运动,过大的横摇运动甚至会导致两船的上层建筑发生触碰。为了避免上述碰撞危险,提高海上并靠的可作业海况,论文提出了基于磁流变技术的舰船并靠变阻尼波浪补偿方法,对舰船并靠的横摇和横荡运动姿态进行约束。论文采用理论研究、计算机软件仿真和船模水池试验相结合的研究方法,对舰船并靠变阻尼波浪补偿进行了较为系统的研究。论文解决的关键问题包括:波浪中舰船并靠相对运动特性研究、相对运动极短时间预报、变阻尼波浪补偿及控制、模型试验信号采集与处理、加速度信号处理,以及舰船并靠相对运动和变阻尼波浪补偿模型试验。论文在研究过程中主要开展了以下几方面的工作:(1)基于三维势流理论,对规则波和不规则波中舰船并靠相对运动特性进行研究,并提出一种基于AQWA和谱分析法的不规则波中舰船并靠相对运动特性研究方法。(2)对舰船并靠相对运动预报进行研究。对较低海况下的相对运动采用AR模型进行极短时间预报;对较高海况下的相对运动采用混沌Elman神经网络进行极短时间预报。混沌Elman神经网络适应波浪中舰船并靠相对运动的非线性、非平稳性和混沌特性,它以混沌系统相空间重构得到的最佳嵌入维数作为网络的输入节点数,并在网络权值调整的反向传播算法中加入混沌噪音以实现混沌反传,能够充分获取当时环境和情况下舰船并靠相对运动特性;仿真研究表明,该方法能够有效预报并靠两船的相对运动。(3)对基于磁流变技术的舰船并靠变阻尼波浪补偿及控制进行研究,这是波浪补偿研究的一个新思路。针对波浪中舰船并靠相对运动特性,设计制造了基于磁流变技术的变阻尼波浪补偿器,并在分析其性能的基础上建立了力学模型;充分利用其输出阻尼力可控的特性,建立舰船并靠变阻尼波浪补偿时域运动状态空间方程,设计并实现基于最优控制理论的clipped optimal control控制策略对舰船并靠的横摇运动姿态施加约束;以两艘在波浪中并靠的船舶模型为例,对舰船并靠波浪补偿的有效性进行数值仿真和船模试验验证,结果表明:采用变阻尼波浪补偿能够有效地减小并靠两船的横摇运动响应。(4)对模型试验信号采集与处理方法进行研究,特别是有关加速度信号处理的研究。加速度信号处理是船舶并靠模型试验研究的关键,为了提高加速度信号积分成位移后的相位和幅值的精度,提出了基于EMD(经验模态分解)自适应滤波和频域积分的加速度信号处理方法。该方法先对加速度信号进行EMD分解得到n个本征模态函数IMF,然后基于相关规则确定属于高频的IMF个数(h),并对这h个高频IMF进行自适应滤波去噪,最后通过FFT变换在频域进行积分得到位移信号。仿真研究表明这种加速度信号处理方法比纯粹的频域积分法效果好,舰船并靠相对运动模型试验数据处理结果也证明了这种方法的有效性。(5)确定了模型试验的相似准则,建立舰船并靠波浪补偿模型试验,对舰船并靠相对运动和变阻尼波浪补偿分别进行模型试验,进一步验证了舰船并靠变阻尼波浪补偿能够有效地减小并靠两船的横摇运动响应。
二、基于神经网络方法对舰船姿态运动预报的仿真研究(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于神经网络方法对舰船姿态运动预报的仿真研究(论文提纲范文)
(1)Stewart舰船稳定平台机构优化、标定及预测控制研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题背景及研究的目的和意义 |
1.2 舰船稳定平台研究现状 |
1.2.1 国外研究 |
1.2.2 国内研究 |
1.3 相关领域研究综述 |
1.3.1 舰船运动预报研究 |
1.3.2 并联机构优化设计研究 |
1.3.3 并联机构运动学标定研究 |
1.3.4 液压并联稳定平台控制方法研究 |
1.4 课题来源与主要研究内容 |
第2章 舰船运动分析及极短期预报 |
2.1 引言 |
2.2 舰船运动特征 |
2.2.1 舰船运动描述 |
2.2.2 舰船运动理论 |
2.2.3 舰船运动仿真算例 |
2.3 舰船运动极短期预报 |
2.3.1 自回归模型基本原理 |
2.3.2 舰船运动极短期预报算例 |
2.4 本章小结 |
第3章 Stewart平台机构运动学分析 |
3.1 引言 |
3.2 Stewart平台机构描述 |
3.3 Stewart平台机构逆运动学分析 |
3.3.1 平台机构位置反解 |
3.3.2 平台机构速度反解 |
3.4 基于调整步长牛顿法的Stewart平台机构正运动学分析 |
3.4.1 平台机构正运动学求解 |
3.4.2 牛顿迭代及其推广算法 |
3.4.3 调整步长牛顿法在正解中的应用 |
3.4.4 正运动学求解算例 |
3.5 Stewart平台机构坐标系变换 |
3.6 Stewart平台机构全方位工作空间分析 |
3.6.1 工作空间分类 |
3.6.2 全方位工作空间求解 |
3.7 本章小结 |
第4章 基于给定工作空间的Stewart平台机构优化设计 |
4.1 引言 |
4.2 Stewart平台机构全方位工作空间约束条件 |
4.2.1 支腿长度最值求解 |
4.2.2 支腿驱动器行程约束 |
4.3 Stewart平台机构优化性能指标 |
4.3.1 平台机构物理尺寸 |
4.3.2 运动与力性能指标 |
4.4 多目标优化算法NSGAII |
4.4.1 帕累托最优解集 |
4.4.2 NSGAII算法流程 |
4.5 Stewart平台机构多目标优化设计 |
4.5.1 Stewart平台机构多目标优化过程 |
4.5.2 多目标优化算例 |
4.6 本章小结 |
第5章 基于选取测量位姿的Stewart平台机构标定 |
5.1 引言 |
5.2 Stewart平台机构几何误差模型 |
5.3 基于无量纲化辨识雅克比矩阵选取测量位姿 |
5.3.1 可观测性指标 |
5.3.2 辨识雅可比矩阵无量纲化 |
5.3.3 测量位姿的选取算法 |
5.4 标定仿真 |
5.4.1 标定仿真流程 |
5.4.2 标定仿真算例 |
5.5 标定实验 |
5.5.1 标定位姿测量 |
5.5.2 实验结果分析 |
5.6 本章小结 |
第6章 基于舰船运动预报的稳定平台模型预测控制研究 |
6.1 引言 |
6.2 基于运动预报的模型预测控制 |
6.2.1 模型预测控制 |
6.2.2 简化对偶神经网络二次规划求解 |
6.2.3 基于运动预报的模型预测控制描述 |
6.3 液压驱动单元建模与参数辨识 |
6.3.1 液压驱动单元建模 |
6.3.2 模型参数辨识 |
6.4 基于MPMPC的液压驱动单元运动仿真及试验 |
6.4.1 液压驱动单元仿真研究 |
6.4.2 液压驱动单元试验研究 |
6.5 基于MPMPC的 Stewart稳定平台运动补偿仿真及试验 |
6.5.1 Stewart稳定平台控制系统 |
6.5.2 Stewart稳定平台仿真研究 |
6.5.3 Stewart稳定平台试验研究 |
6.6 本章小结 |
结论 |
参考文献 |
攻读博士学位期间承担的科研任务与主要成果 |
致谢 |
(2)基于深度学习的船舶运动响应预报与波浪反演研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 论文研究目的及意义 |
1.2 船舶运动预报研究发展现状 |
1.2.1 基于历史数据的船舶运动极短期预报方法 |
1.2.2 基于艏前波浪输入的船舶运动极短期预报方法 |
1.3 海浪随船测量技术国内外发展现状 |
1.4 本文研究内容与创新 |
1.4.1 本文研究内容 |
1.4.2 本文研究创新点 |
第2章 船舶运动预报与波浪反演深度学习模型 |
2.1 深度人工神经网络原理 |
2.2 循环神经网络原理 |
2.3 长短期记忆神经网络原理 |
2.4 卷积神经网络原理 |
2.5 船舶运动响应实时计算模型的搭建 |
2.5.1 LSTM模型的构建 |
2.5.2 数据集划分对模型性能的影响 |
2.6 本章小结 |
第3章 基于深度学习的船舶摇荡运动重构研究 |
3.1 船舶运动标准数据获取方法 |
3.1.1 基于物理试验的标准数据获取方法 |
3.1.2 基于数值模拟的船舶运动标准数据获取方法 |
3.2 基于水动力传递函数(HTF)的快速重构方法 |
3.3 HTF方法与LSTM方法结果对比 |
3.3.1 四级海况计算结果 |
3.3.2 五级海况计算结果 |
3.3.3 六级海况计算结果 |
3.4 水池实验验证研究 |
3.4.1 四级海况计算结果 |
3.4.2 五级海况计算结果 |
3.4.3 六级海况计算结果 |
3.5 本章小结 |
第4章 船舶运动实时计算模型优化研究 |
4.1 基于差值拟合的模型优化方法 |
4.2 基于重心处波陡时历的模型优化方法 |
4.3 基于多点波浪时历的模型优化方法 |
4.3.1 使用二元波浪时历输入的船舶运动实时计算方法 |
4.3.2 输入波浪位置对模型性能的影响 |
4.4 本章小结 |
第5章 基于深度学习的船舶运动反演海况方法研究 |
5.1 传统海浪信息反演方法 |
5.2 基于CNN的海况等级反演 |
5.2.1 卷积神经网络 |
5.2.2 数据集构建 |
5.2.3 基于CNN的海况等级反演结果 |
5.3 基于ANN的海浪时历反演 |
5.3.1 人工神经网络 |
5.3.2 数据集构建 |
5.3.3 反演结果分析 |
5.4 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表的论文和取得的科研成果 |
致谢 |
(3)船舶运动姿态估计与预报方法研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 国内外船舶运动滤波方法研究现状 |
1.3 国内外船舶运动姿态预报方法研究现状 |
1.4 论文研究内容与结构 |
第2章 船舶运动非线性数学模型 |
2.1 引言 |
2.2 船舶运动模型 |
2.2.1 坐标系定义 |
2.2.2 坐标系的变换 |
2.2.3 船舶运动数学模型 |
2.3 船舶平面运动合外力(力矩) |
2.3.1 船体流体惯性力和力矩 |
2.3.2 船体流体黏性力和力矩 |
2.3.3 螺旋桨的流体动力及力矩 |
2.4 船舶舵及舵机模型 |
2.5 海洋环境扰动模型 |
2.5.1 规则波 |
2.5.2 海浪 |
2.5.3 海风 |
2.5.4 海流 |
2.6 本章小结 |
第3章 基于改进UKF的船舶运动滤波方法研究 |
3.1 引言 |
3.2 改进的无迹卡尔曼滤波算法 |
3.2.1 船舶运动模型 |
3.2.2 无迹卡尔曼滤波算法 |
3.2.3 改进的无迹卡尔曼滤波算法 |
3.2.4 收敛性分析 |
3.3 船舶运动过程的仿真试验 |
3.3.1 仿真试验船模型及参数 |
3.3.2 算法性能评价 |
3.4 仿真试验与分析 |
3.4.1 仿真模拟试验结果 |
3.4.2 敏感性分析结果 |
3.4.3 仿真结果分析 |
3.5 本章小结 |
第4章 基于改进LSTM算法的船舶运动极短期预报 |
4.1 引言 |
4.2 改进的LSTM算法 |
4.2.1 LSTM神经网络模型 |
4.2.2 粒子群改进算法 |
4.2.3 一种多层异质粒子群改进算法(MHPSO) |
4.3 MHPSO算法性能分析 |
4.3.1 仿真环境 |
4.3.2 MHPSO算法仿真 |
4.3.3 仿真结果对比与分析 |
4.4 基于PSO-LSTM和 MHPSO-LSTM的预报模型 |
4.4.1 基于PSO优化的LSTM神经网络模型(PSO-LSTM) |
4.4.2 基于MHPSO优化的LSTM神经网络模型(MHPSO-LSTM) |
4.5 三种预报模型的船舶运动预报仿真试验及分析 |
4.5.1 升沉位移预报分析 |
4.5.2 横摇运动预报分析 |
4.5.3 纵摇运动预报分析 |
4.6 EMD-MHPSO-LSTM组合预报模型 |
4.6.1 经验模态分解(EMD)算法 |
4.6.2 基于EMD-MHPSO-LSTM组合预报模型的船舶运动预报 |
4.7 船舶运动预报仿真试验及分析 |
4.7.1 升沉位移预报分析 |
4.7.2 横摇运动预报分析 |
4.7.3 纵摇运动预报分析 |
4.8 本章小结 |
第5章 船舶运动姿态在线建模递推预报方法研究 |
5.1 引言 |
5.2 快速稀疏最小二乘支持向量机 |
5.2.1 支持向量机 |
5.2.2 最小二乘支持向量机 |
5.2.3 FSALS-SVM算法 |
5.3 双向LSTM神经网络 |
5.3.1 双向循环神经网络 |
5.3.2 Bi LSTM神经网络 |
5.4 基于FSALS-SVM与 Bi LSTM组合的船舶运动姿态在线预报模型 |
5.5 仿真试验分析 |
5.5.1 横摇运动预报 |
5.5.2 纵摇运动预报 |
5.5.3 升沉位移预报 |
5.6 本章小结 |
结论 |
参考文献 |
攻读博士学位期间发表的论文和取得的科研成果 |
致谢 |
附录A 专有名词的英文缩写列表汇总 |
(4)侧壁式气垫船升沉运动预报研究(论文提纲范文)
摘要 |
Abstract |
符号说明表 |
1 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.3 本文主要工作 |
2 侧壁式气垫船升沉运动数学模型及海浪扰动数学模型 |
2.1 侧壁式气垫船升沉运动数学模型 |
2.2 海浪扰动数学模型 |
2.3 本章小结 |
3 侧壁式气垫船升沉位置估计 |
3.1 频域积分 |
3.2 经验模态分解 |
3.3 侧壁式气垫船升沉位置估计 |
3.3.1 基于经验模态分解和频域积分方法的升沉位置估计 |
3.3.2 仿真研究及结果分析 |
3.4 本章小结 |
4 基于神经网络的侧壁式气垫船升沉运动预报 |
4.1 基于多层前馈神经网络的侧壁式气垫船升沉运动预报 |
4.1.1 多层前馈神经网络 |
4.1.2 基于多层前馈神经网络的侧壁式气垫船升沉运动预报模型设计 |
4.1.3 仿真研究及结果分析 |
4.2 基于LSTM神经网络的侧壁式气垫船升沉运动预报 |
4.2.1 LSTM神经网络 |
4.2.2 水循环算法 |
4.2.3 基于WCA的LSTM神经网络权值优化 |
4.2.4 基于LSTM神经网络的侧壁式气垫船升沉运动预报模型设计 |
4.2.5 仿真研究及结果分析 |
4.3 本章小结 |
5 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
致谢 |
作者简历及攻读硕士学位期间的科研成果 |
(5)基于船舶运动模拟和预报的垂直装填系统仿真研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 课题研究的背景和意义 |
1.2 国内外相关研究现状 |
1.2.1 垂直装填系统国内外研究现状 |
1.2.2 波浪模拟与波浪补偿国内外研究现状 |
1.2.3 船舶运动预报和波浪载荷短期预报国内外研究现状 |
1.2.4 ADAMS与 MATLAB联合仿真国内外研究现状 |
1.3 论文研究的主要内容 |
第2章 导弹垂直装填仿真试验平台设计 |
2.1 引言 |
2.2 导弹垂直装填作业全流程分析 |
2.3 仿真试验平台整体构架设计 |
2.4 导弹垂直装填系统机械结构设计 |
2.4.1 波浪补偿装置的设计 |
2.4.2 垂直装填装置的设计 |
2.5 本章小结 |
第3章 随机波浪载荷下船舶运动模拟仿真 |
3.1 引言 |
3.2 船舶运动仿真原理及数学模型建立 |
3.2.1 海洋波浪数学模型描述 |
3.2.2 海洋波浪模拟方法及数学模型建立 |
3.2.3 船舶摇荡运动模拟方法及数学模型建立 |
3.3 船舶运动模拟仿真工具 |
3.4 船舶运动模拟仿真案例分析 |
3.4.1 波能谱仿真案例分析 |
3.4.2 波浪模拟仿真案例分析 |
3.4.3 船舶摇荡运动仿真案例分析 |
3.5 本章小结 |
第4章 垂直装填作业船舶运动短期预报 |
4.1 引言 |
4.2 基于自回归法的船舶运动短期预报 |
4.2.1 AR模型 |
4.2.2 优化AR预报模型的确定 |
4.2.3 船舶运动短期预报工具 |
4.2.4 船舶运动短期预报仿真流程 |
4.2.5 基于MATLAB的 AR短期预报仿真 |
4.3 本章小结 |
第5章 导弹垂直装填系统动力学仿真分析 |
5.1 引言 |
5.2 ADAMS和 MATLAB软件简介 |
5.2.1 ADAMS软件简介 |
5.2.2 MATLAB/Simulink简介 |
5.3 波浪补偿装置虚拟样机建模 |
5.3.1 波浪补偿装置运动学分析 |
5.3.2 系统控制模型的建立 |
5.3.3 机械仿真模型的建立 |
5.4 ADAMS和 MATLAB联合仿真分析 |
5.5 本章小结 |
结论 |
参考文献 |
致谢 |
附录A |
附录B |
(6)基于小波神经网络的波浪中船舶运动在线建模与预报研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.3 本文主要研究工作 |
1.4 本文主要创新点 |
第二章 AWN与 FGWN及其学习算法 |
2.1 AWN与 FGWN简介 |
2.2 AWN的学习算法 |
2.2.1 BP算法 |
2.2.2 PSO算法 |
2.2.3 PSO算法与BP算法的结合 |
2.3 FGWN的学习算法 |
2.4 本章小结 |
第三章 基于PSO-AWN的波浪中船舶运动在线建模与预报 |
3.1 基于仿真数据的规则波中船舶横摇运动预报 |
3.1.1 规则波中船舶横摇运动仿真 |
3.1.2 规则波中船舶横摇运动的AWN模型结构 |
3.1.3 基于PSO-AWN的规则波中横摇运动在线建模与预报 |
3.2 基于仿真数据的不规则波中船舶横摇运动预报 |
3.2.1 不规则波中船舶横摇运动仿真 |
3.2.2 不规则波中船舶横摇运动的AWN模型结构 |
3.2.3 基于PSO-AWN的不规则波中横摇运动在线建模与预报 |
3.3 基于仿真数据的不规则波中船舶垂荡-纵摇耦合运动预报 |
3.3.1 不规则波中船舶垂荡-纵摇耦合运动仿真 |
3.3.2 不规则波中船舶垂荡-纵摇耦合运动的AWN模型结构 |
3.3.3 基于PSO-AWN的不规则波中垂荡-纵摇耦合运动在线建模与预报 |
3.4 基于试验数据的船舶运动预报 |
3.4.1 基于试验数据的不规则波中船舶横摇运动预报 |
3.4.2 基于试验数据的不规则波中船舶垂荡-纵摇耦合运动预报 |
3.5 本章小结 |
第四章 基于不同小波激活函数AWN模型的不规则波中船舶运动在线建模与预报 |
4.1 Mortlet小波激活函数构建的AWN模型 |
4.1.1 基于PSO-Mortlet小波神经网络的不规则波中横摇运动预报 |
4.1.2 基于PSO-Mortlet小波神经网络的不规则波中垂荡-纵摇耦合运动预报 |
4.2 Gaussian小波激活函数构建的AWN模型 |
4.2.1 基于PSO-Gaussian小波神经网络的不规则波中横摇运动预报 |
4.2.2 基于PSO-Gaussian小波神经网络的不规则波中垂荡-纵摇耦合运动预报 |
4.3 本章小结 |
第五章 基于FGWN的波浪中船舶运动在线建模与预报 |
5.1 基于FGWN的波浪中船舶横摇运动预报 |
5.1.1 基于仿真数据的规则波中横摇运动预报 |
5.1.2 基于仿真数据的不规则波中横摇运动预报 |
5.1.3 基于试验数据的不规则波中横摇运动预报 |
5.2 基于FGWN的波浪中船舶垂荡-纵摇耦合运动预报 |
5.2.1 基于仿真数据的不规则波中垂荡-纵摇耦合运动预报 |
5.2.2 基于试验数据的不规则波中垂荡-纵摇耦合运动预报 |
5.3 本章小结 |
第六章 基于CFT-FGWN的波浪中船舶运动在线建模与预报 |
6.1 CFT-FGWN简介 |
6.2 基于CFT-FGWN的波浪中船舶横摇运动预报 |
6.2.1 基于仿真数据的规则波中横摇运动预报 |
6.2.2 基于仿真数据的不规则波中横摇运动预报 |
6.2.3 基于试验数据的不规则波中横摇运动预报 |
6.3 基于CFT-FGWN的波浪中船舶垂荡-纵摇耦合运动预报 |
6.3.1 基于仿真数据的不规则波中垂荡-纵摇耦合运动预报 |
6.3.2 基于试验数据的不规则波中垂荡-纵摇耦合运动预报 |
6.4 本章小结 |
第七章 总结与展望 |
7.1 全文总结 |
7.2 研究展望 |
参考文献 |
攻读博士学位期间主持或参加的科研项目 |
攻读博士学位期间发表与录用的学术论文 |
致谢 |
(7)海面浮体运动极短期预报方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究的目的和意义 |
1.2 海面浮体极短期运动预报研究现状 |
1.3 本文的主要工作 |
1.4 本文的创新点 |
第二章 基于自回归模型的线性平稳运动预报方法 |
2.1 时间序列分析 |
2.1.1 随机过程与时间序列 |
2.1.2 时间序列的分布与数字特征 |
2.2 自回归滑动平均(ARMA)模型的时域特征 |
2.2.1 时间序列的基本模型 |
2.2.2 ARMA系统的可逆性与平稳性 |
2.2.3 ARMA系统的自相关系数和偏相关系数 |
2.3 ARMA模型的建立 |
2.3.1 ARMA模型识别 |
2.3.2 ARMA模型定阶 |
2.3.3 ARMA模型参数估计 |
2.4 基于ARMA模型的浮体运动姿态预报仿真 |
2.4.1 平稳性检验 |
2.4.2 信息准则法模型定阶 |
2.4.3 基于ARMA模型的横摇运动预报 |
2.4.4 ARMA模型的物理解释 |
2.5 本章小结 |
第三章 基于支持向量机回归模型的非线性平稳运动预报方法 |
3.1 支持向量机回归分析的理论基础 |
3.1.1 支持向量机回归问题描述 |
3.1.2 ε-不敏感函数 |
3.1.3 最优回归超平面与SVM回归方法 |
3.2 支持向量机的参数选取方法 |
3.2.1 支持向量机核函数的选取 |
3.2.2 支持向量机核参数和惩罚因子的选取 |
3.3 基于SVR模型的浮体运动姿态预报仿真 |
3.4 本章小结 |
第四章 基于卡尔曼滤波的线性非平稳运动预报方法 |
4.1 射影理论和新息模型 |
4.1.1 线性最小方差估计和射影 |
4.1.2 新息序列和递推射影公式 |
4.2 卡尔曼滤波原理及状态估计 |
4.2.1 卡尔曼滤波的随机动态模型 |
4.2.2 基于卡尔曼滤波的状态估计 |
4.3 海面浮体运动状态方程 |
4.4 基于卡尔曼滤波的浮体运动姿态预报仿真 |
4.5 本章小结 |
第五章 基于组合模型的非线性非平稳运动预报方法 |
5.1 基于经验模态分析的分解方法 |
5.1.1 经验模态分解的算法流程 |
5.1.2 经验模态分解边界效应 |
5.2 基于小波分析的频域分解方法 |
5.2.1 小波变换的公式 |
5.2.2 小波包变换 |
5.2.3 小波基函数的选取及其特性 |
5.3 基于频域分解的浮体运动姿态组合预报方法仿真 |
5.3.1 ARMA-EMD-SVR组合预报方法 |
5.3.2 小波-SVR组合预报方法 |
5.3.3 预报方法比较与评估 |
5.4 本章小结 |
第六章 结论 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文 |
(8)海浪中非平稳非线性舰船运动在线预报研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 论文研究背景及工程意义 |
1.2 舰船运动在线预报的概念 |
1.3 舰船运动极短期预报综述 |
1.3.1 国内外研究现状 |
1.3.2 舰船运动极短期预报的技术要求 |
1.4 舰船运动安稳期预报综述 |
1.4.1 国内外研究现状 |
1.4.2 舰船运动安稳期预报的技术要求 |
1.5 本文工作简介 |
第2章 舰船运动随机时序分析的基本理论 |
2.1 概述 |
2.1.1 时间序列 |
2.1.2 舰船的随机运动特征 |
2.2 平稳随机过程的经典时频分析方法 |
2.2.1 离散时间序列的Fourier变换 |
2.2.2 平稳随机过程谱分析 |
2.3 非平稳非线性时序分析方法 |
2.3.1 概述 |
2.3.2 经验模态分解(EMD)算法 |
2.3.3 经验模态分解的研究进展 |
2.4 HHT谱分析 |
2.4.1 HHT的基本原理 |
2.4.2 HHT与FFT的比较分析 |
2.5 本章小结 |
第3章 舰船平稳运动的波浪效应回归预报方法 |
3.1 概述 |
3.2 自回归(AR)模型基本原理 |
3.2.1 参数估计 |
3.2.2 模型定阶问题 |
3.3 波浪效应自回归(WEAR)模型 |
3.3.1 舰船在波浪中的运动与回归模型 |
3.3.2 基于脉冲响应函数的定阶方法 |
3.4 参数估计方法的比较 |
3.4.1 船舶运动仿真数据及预报误差定义 |
3.4.2 预报结果及讨论 |
3.5 定阶准则的比较 |
3.6 小结 |
第4章 非平稳非线性特征对舰船运动在线预报的影响 |
4.1 概述 |
4.2 支持向量回归(SVR)预报模型的基本原理 |
4.3 非平稳非线性特征对预报性能的影响分析方法 |
4.4 实测舰船运动和海浪数据及其非线性非平稳性分析 |
4.4.1 实测舰船运动数据 |
4.4.2 实测海浪数据 |
4.5 基于实测舰船运动数据的预报结果分析 |
4.6 基于实测海浪数据的预报结果分析 |
4.6.1 实测波浪预报结果 |
4.6.2 讨论分析 |
4.7 小结 |
第5章 非平稳非线性舰船运动的中值回归经验模态分解 |
5.1 概述 |
5.2 提出中值回归经验模态分解(MREMD)方法的动机 |
5.2.1 在线EMD-AR预报模型 |
5.2.2 预报结果及分析 |
5.3 MREMD方法的数值过程 |
5.4 MREMD方法中几个关键问题的处理 |
5.4.1 端点效应处理 |
5.4.2 时间序列均值点辨识 |
5.4.3 均值曲线拟合 |
5.4.4 终止准则 |
5.5 基于MREMD的时间序列分解 |
5.5.1 解析信号分解算例 |
5.5.2 实测数据分解算例 |
5.6 基于MREMD-AR的极短期预报方法 |
5.6.1 预报模型算法 |
5.6.2 结果与分析 |
5.7 本章小结 |
第6章 基于时序模型的舰船运动安稳期预报 |
6.1 概述 |
6.2 基于舰船运动时历的直接安稳期预报 |
6.2.1 预报算法 |
6.2.2 使用数据和安稳期预报精度参数定义 |
6.2.3 预报结果与讨论分析 |
6.3 舰船运动时历包络的特征及其影响分析 |
6.3.1 舰船运动时历包络的特征 |
6.3.2 运动特征周期对预报结果的影响分析 |
6.4 基于舰船运动时历包络的间接安稳期预报 |
6.4.1 基于时历包络线的安稳期预报方法 |
6.4.2 安稳期预报结果与讨论分析 |
6.5 小结 |
结论 |
研究工作展望 |
参考文献 |
攻读博士学位期间发表的论文和取得的科研成果 |
致谢 |
(9)基于惯性测量与组合预测的舰船瞬时线运动计算方法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题研究背景和意义 |
1.2 舰船振荡运动提取研究现状 |
1.2.1 舰船运动特性 |
1.2.2 舰船振荡运动研究现状 |
1.3 舰船振荡运动预测研究现状 |
1.4 本论文的章节安排 |
第二章 舰船运动的建模与SINS基本原理 |
2.1 引言 |
2.2 舰船运动建模 |
2.2.1 舰船运动建模方案 |
2.2.2 主航行运动设计 |
2.2.3 瞬时运动设计 |
2.3 捷联式惯导系统基本原理 |
2.4 惯导系统常用参考系与坐标转换 |
2.4.1 常用参考坐标系 |
2.4.2 坐标转换 |
2.5 捷联惯导系统的机械编排 |
2.5.1 速度更新 |
2.5.2 位置更新 |
2.5.3 姿态更新 |
2.5.4 系统初始化 |
2.6 本章小结 |
第三章 基于SINS的舰船振荡运动分离及频率分析 |
3.1 引言 |
3.2 舰船振荡运动相关理论 |
3.2.1 舰船振荡运动坐标系定义 |
3.2.2 导航坐标系至振荡坐标系的坐标转换 |
3.2.3 增加瞬时运动的惯导机械编排 |
3.3 频率成分分析 |
3.3.1 主动航行运动频率 |
3.3.2 瞬时运动频率 |
3.3.3 休拉振荡频率 |
3.3.4 傅科振荡、地球振荡频率 |
3.4 仿真验证 |
3.4.1 仿真条件设置 |
3.4.2 仿真结果及分析 |
3.5 本章小结 |
第四章 基于数字滤波的舰船振荡运动提取方法 |
4.1 引言 |
4.2 数字高通滤波器设计 |
4.2.1 滤波器相关知识 |
4.2.2 滤波器的比较与选取 |
4.3 IIR数字高通滤波器的设计 |
4.3.1 数字到模拟的技术指标转换 |
4.3.2 模拟低通数字滤波器的设计 |
4.3.3 模拟低通到数字高通的转化 |
4.3.4 基于MATLAB的IIR HP DF的设计 |
4.3.5 舰船振荡运动模拟信号建模及滤波仿真 |
4.4 基于IIR数字滤波的舰船振荡运动测量方法 |
4.5 仿真验证 |
4.5.1 仿真条件设置 |
4.5.2 仿真结果及分析 |
4.6 本章小结 |
第五章 舰船振荡运动预测方法设计 |
5.1 引言 |
5.2 神经网络模型概述 |
5.3 BP神经网络模型 |
5.3.1 BP神经网络基本原理 |
5.3.2 BP网络传播过程计算方法 |
5.3.3 BP网络参数调整方法 |
5.3.4 基于MATLAB的BP神经网络设计 |
5.4 RBF神经网络模型 |
5.4.1 RBF神经网络基本原理 |
5.4.2 RBF神经网络学习算法 |
5.4.3 基于MATLAB的RBF神经网络设计 |
5.5 基于BP与RBF的组合模型 |
5.5.1 BP和RBF网络的比较 |
5.5.2 BP与RBF组合模型 |
5.6 舰船振荡运动预测仿真 |
5.7 本章小结 |
第六章 结论与展望 |
致谢 |
参考文献 |
攻读硕士期间发表论文 |
攻读硕士期间参与课题 |
(10)舰船并靠波浪补偿研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 论文研究的背景和意义 |
1.1.1 海上舰船并靠的重要性 |
1.1.2 海上并靠作业存在的问题分析 |
1.1.3 论文研究的目的和意义 |
1.2 国内外相关领域的研究现状 |
1.2.1 舰船并靠摇荡运动研究现状 |
1.2.2 波浪补偿研究现状 |
1.2.3 舰船运动预报研究现状 |
1.2.4 磁流变液技术研究现状 |
1.3 论文研究的主要内容 |
1.4 论文创新点 |
1.5 本章小结 |
第二章 波浪中舰船并靠相对运动研究 |
2.1 规则波中并靠两船运动方程的建立 |
2.1.1 坐标系的建立 |
2.1.2 速度势的分解 |
2.1.3 流体作用力 |
2.1.4 两船并靠运动方程 |
2.2 规则波中并靠两船相对运动特性 |
2.2.1 两船相对运动的定义 |
2.2.2 两船并靠 AQWA 建模 |
2.2.3 两船六自由度响应幅值 |
2.2.4 并靠两船相对运动响应幅值 |
2.3 不规则波中并靠两船相对运动特性研究 |
2.3.1 不规则波中并靠两船相对运动响应幅值预报 |
2.3.2 不规则波中并靠两船相对运动统计特性分析 |
2.4 本章小结 |
第三章 舰船并靠相对运动极短时间预报研究 |
3.1 基于 AR 模型的相对运动极短时间预报 |
3.1.1 AR 模型 |
3.1.2 模型参数估计 |
3.1.3 模型阶数 p 的确定 |
3.1.4 基于 AR 模型的多步预报算法 |
3.1.5 基于 AR 模型的仿真预报 |
3.2 基于混沌 ELMAN 神经网络的相对运动极短时间预报 |
3.2.1 Elman 神经网络模型 |
3.2.2 动态反向传播学习算法 |
3.2.3 混沌反向传播学习算法 |
3.2.4 混沌 Elman 神经网络的构建原则 |
3.2.5 基于混沌 Elman 神经网络的多步预报算法 |
3.2.6 基于混沌 Elman 神经网络的相对运动预报仿真研究 |
3.3 本章小结 |
第四章 舰船并靠变阻尼波浪补偿及控制研究 |
4.1 变阻尼波浪补偿器的设计与性能分析 |
4.1.1 变阻尼波浪补偿器设计 |
4.1.2 变阻尼波浪补偿器性能测试 |
4.1.3 变阻尼波浪补偿器的力学公式 |
4.2 基于变阻尼波浪补偿的舰船并靠时域运动方程 |
4.2.1 两船并靠时域运动方程 |
4.2.2 附加质量和迟滞函数 |
4.2.3 波浪力 |
4.2.4 变阻尼波浪补偿器对两船的作用力(矩) |
4.3 变阻尼波浪补偿控制策略 |
4.3.1 时域运动状态空间方程的建立 |
4.3.2 变阻尼波浪补偿控制策略 |
4.4 变阻尼波浪补偿仿真分析 |
4.5 本章小结 |
第五章 模型试验信号采集与处理方法研究 |
5.1 舰船并靠模型试验运动信号采集 |
5.1.1 运动信号采集系统的传感器 |
5.1.2 运动信号采集系统的数据采集卡 |
5.1.3 运动信号采集流程 |
5.1.4 运动信号采集软件系统设计 |
5.2 数据预处理 |
5.2.1 采样数据的标定转换 |
5.2.2 采样数据的平滑处理 |
5.2.3 滑动平均法消除趋势项的有效性检验 |
5.3 加速度信号频域积分处理法 |
5.3.1 基本原理 |
5.3.2 加速度数据的频域滤波处理 |
5.3.3 频域积分方法的有效性检验 |
5.4 基于 EMD 和 FFT 的加速度信号处理法 |
5.4.1 经验模态分解(EMD) |
5.4.2 基于 EMD 的自适应滤波 |
5.4.3 基于 EMD 和 FFT 的加速度信号处理方法 |
5.4.4 仿真研究 |
5.5 本章小结 |
第六章 舰船并靠波浪补偿模型试验研究 |
6.1 舰船模型试验的建立 |
6.1.1 模型试验相似准则的选定 |
6.1.2 试验所用母型船及船模主要参数 |
6.1.3 试验设备和测量仪器 |
6.2 舰船并靠相对运动模型试验 |
6.2.1 试验条件和测试参数 |
6.2.2 舰船并靠相对运动模型试验结果分析 |
6.3 舰船并靠波浪补偿模型试验 |
6.3.1 试验条件和测试参数 |
6.3.2 舰船并靠波浪补偿模型试验结果分析 |
6.4 本章小结 |
结论 |
主要结论 |
研究展望 |
参考文献 |
攻读博士学位期间取得的研究成果 |
致谢 |
答辩委员会对论文的评定意见 |
四、基于神经网络方法对舰船姿态运动预报的仿真研究(论文参考文献)
- [1]Stewart舰船稳定平台机构优化、标定及预测控制研究[D]. 强红宾. 燕山大学, 2020(07)
- [2]基于深度学习的船舶运动响应预报与波浪反演研究[D]. 段事良. 哈尔滨工程大学, 2020(04)
- [3]船舶运动姿态估计与预报方法研究[D]. 张彪. 哈尔滨工程大学, 2020(04)
- [4]侧壁式气垫船升沉运动预报研究[D]. 胡敏. 大连海事大学, 2019(06)
- [5]基于船舶运动模拟和预报的垂直装填系统仿真研究[D]. 周裕力. 哈尔滨工程大学, 2019(04)
- [6]基于小波神经网络的波浪中船舶运动在线建模与预报研究[D]. 黄柏刚. 上海交通大学, 2019(06)
- [7]海面浮体运动极短期预报方法研究[D]. 盖晓娜. 上海交通大学, 2018(01)
- [8]海浪中非平稳非线性舰船运动在线预报研究[D]. 黄礼敏. 哈尔滨工程大学, 2016(11)
- [9]基于惯性测量与组合预测的舰船瞬时线运动计算方法研究[D]. 赵玉. 东南大学, 2015(08)
- [10]舰船并靠波浪补偿研究[D]. 施平安. 华南理工大学, 2013(05)