專利名稱：一種基于在線快速自組織模糊神經(jīng)網(wǎng)絡(luò)的船舶領(lǐng)域模型的辨識方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種船舶領(lǐng)域模型的修正方法，尤其涉及一種基于廣義自組織神經(jīng)網(wǎng)絡(luò)的船舶領(lǐng)域模型的修正方法。
背景技術(shù)：
海上智能交通交通作為我國科技發(fā)展戰(zhàn)略的重要組成部分，已逐漸成為船舶交通和信息科學(xué)有效融合的新興交叉研究熱點。而對于海上交通系統(tǒng)的個體船舶行為的研究，則顯得尤為重要。20世紀(jì)六七十年代，日本的加藤[I]提出船舶航行安全領(lǐng)域的概念至今，文獻[2] [3] [4] [5]中可知，研究者提出了各種不同形狀、大小的船舶航行安全領(lǐng)域模型。在現(xiàn)代船舶領(lǐng)域中有著廣泛的應(yīng)用。但是，始終無法形成一個統(tǒng)一的模型，造成上述問題的主要原因有:(1)不同的航行環(huán)境的因素導(dǎo)致產(chǎn)生不同形狀、大小的模型；(2)大多數(shù)的模型都按照統(tǒng)計數(shù)據(jù)或模擬實驗的方法形成；(3)現(xiàn)有的模型都易于理解，但卻很難被應(yīng)用到實際中去。文獻[3] [4]提出了一種復(fù)雜的六邊形船舶領(lǐng)域模型，用船速和船舶回旋參數(shù)確定各邊尺寸，該模型使得避碰情況下的船舶便于采用進化算法對其航跡進行優(yōu)化，但其復(fù)雜程度較高，物理意思較含糊，不便于理解和實際應(yīng)用。[5]結(jié)合船舶轉(zhuǎn)向性能等因素給出幾種情況下船舶領(lǐng)域邊界的量化方法，船舶的操縱性能在該方法中得到體現(xiàn)，但模型尺寸與影響因素之間的函數(shù)關(guān)系是人為給定的一種粗略的估算公式。值得注意的是[2]提出的“橫截面積”模型是由前后兩個半橢圓拼合而成，由船舶操縱參數(shù)和航行速度等決定，是經(jīng)典模型之一。另一方面，模糊系統(tǒng)、神經(jīng)網(wǎng)絡(luò)和模糊神經(jīng)網(wǎng)絡(luò)快速發(fā)展，并因其具有非常好的逼近、泛化能力，迅速應(yīng)用于工業(yè)領(lǐng)域中。設(shè)計模糊系統(tǒng)、神經(jīng)網(wǎng)絡(luò)和模糊神經(jīng)網(wǎng)絡(luò)時，都必須先確定規(guī)則數(shù)活隱節(jié)點數(shù)，同時應(yīng)用誤差反向傳播的方式學(xué)習(xí)算法進行訓(xùn)練。眾所周知，該方法學(xué)習(xí)速度慢，容易陷入局部極小點。因此，迫切需要找到一個針對實時應(yīng)用的快速學(xué)習(xí)方法。為解決上述問題，研究者提出了動態(tài)神經(jīng)網(wǎng)絡(luò)。但D-FNN存在以下缺點:動態(tài)模糊神經(jīng)網(wǎng)絡(luò)(DFNN)在輸入空間劃分是用標(biāo)準(zhǔn)高斯函數(shù)，其規(guī)則中輸入變量的所有高斯函數(shù)的寬度都是相同，這一點與現(xiàn)實通常不相符合，特別是當(dāng)輸入變量具有很不一樣的工作區(qū)間時。動態(tài)模糊神經(jīng)網(wǎng)絡(luò)(DFNN)不管其隸屬函數(shù)是如何分布的，其隸屬函數(shù)與模糊規(guī)則的數(shù)量都相同。這導(dǎo)致一些隸屬函數(shù)嚴(yán)重重疊，抽取出的模糊規(guī)則難以理解。動態(tài)模糊神經(jīng)網(wǎng)絡(luò)(DFNN)中第一條模糊規(guī)則的高斯函數(shù)寬度為隨機選取的。動態(tài)模糊神經(jīng)網(wǎng)絡(luò)(DFNN)中存在太多預(yù)先設(shè)定的參數(shù)，且這些參數(shù)都缺乏物理意義，從而在選擇這些特定參數(shù)時比較困難。對于動態(tài)模糊神經(jīng)網(wǎng)絡(luò)(DFNN)輸入量必須進行歸一化和輸出量的反歸一化，這樣將加大計算量，達(dá)到較好的逼近效果的時間長。因此，本發(fā)明則基于“橫截面積”模型和自組織模糊神經(jīng)網(wǎng)絡(luò)提出一個新的智能船舶領(lǐng)域的模型。

發(fā)明內(nèi)容
本發(fā)明針對以上問題的提出，而研制的一種基于快速在線自組織神經(jīng)網(wǎng)絡(luò)的船舶領(lǐng)域模型的辨識方法，具有如下步驟:一選定船舶安全區(qū)域模型，確定該模型的函數(shù)、輸入變量和期望輸出值；一建立包含輸入層、隸屬函數(shù)層、T-范數(shù)層和輸出層的動態(tài)模糊神經(jīng)網(wǎng)絡(luò)；一使用包含所述模型的輸入變量和輸出值的訓(xùn)練數(shù)據(jù)集，對所述動態(tài)模糊神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練直至達(dá)到精度要求；一將兩艘對應(yīng)船舶的航行參數(shù)，作為輸入變量輸入訓(xùn)練完畢后的船舶安全區(qū)域模型，得到兩艘船舶的船舶安全區(qū)域。所述船舶安全區(qū)域模型為橫截面積模型:該模型近似由前后兩個半橢圓拼合而成，該模型的函數(shù)如下式所示:
權(quán)利要求
1.一種基于在線快速自組織模糊神經(jīng)網(wǎng)絡(luò)的船舶領(lǐng)域模型的辨識方法，具有如下步驟: 一選定船舶安全區(qū)域模型，確定該模型的函數(shù)、輸入變量和期望輸出值； 一建立包含輸入層、隸屬函數(shù)層、T-范數(shù)層和輸出層的動態(tài)模糊神經(jīng)網(wǎng)絡(luò)； 一使用包含所述模型的輸入變量和輸出值的訓(xùn)練數(shù)據(jù)集，對所述動態(tài)模糊神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練直至達(dá)到精度要求； 一將本船的航行參數(shù)，作為輸入變量輸入訓(xùn)練完畢后的船舶安全區(qū)域模型，得到本船的船舶安全區(qū)域。
2.根據(jù)權(quán)利要求1所述的一種基于快速在線自組織神經(jīng)網(wǎng)絡(luò)的船舶領(lǐng)域模型的辨識方法，其特征還在于:所述船舶安全區(qū)域模型為橫截面積模型:該模型近似由前后兩個半橢圓拼合而成，該模型的函數(shù)如下式所示:
3.根據(jù)權(quán)利要求1或2所述的一種基于快速在線自組織神經(jīng)網(wǎng)絡(luò)的船舶領(lǐng)域模型的辨識方法，其特征還在于:所述的動態(tài)模糊神經(jīng)網(wǎng)絡(luò)具體包括: 輸入層:具有多個節(jié)點，每個節(jié)點代表一個輸入的語言變量； 隸屬函數(shù)層:具有多個節(jié)點，每個節(jié)點代表一個隸屬函數(shù)，所述隸屬函數(shù)使用高斯函數(shù)表述如下:
4.根據(jù)權(quán)利要求3所述的一種基于快速在線自組織神經(jīng)網(wǎng)絡(luò)的船舶領(lǐng)域模型的辨識方法，其特征還在于: 針對橫截面積模型的三個變量構(gòu)建三個獨立的廣義自組織神經(jīng)網(wǎng)絡(luò):
5.根據(jù)權(quán)利要求3所述的一種基于快速在線自組織神經(jīng)網(wǎng)絡(luò)的船舶領(lǐng)域模型的辨識方法，其特征還在于所述動態(tài)模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練包含如下步驟: 一用非對稱高斯函數(shù)計算數(shù)據(jù)對各個高斯中心的隸屬度，期望精度與可容納有效半徑
6.根據(jù)權(quán)利要求5所述的一種基于快速在線自組織神經(jīng)網(wǎng)絡(luò)的船舶領(lǐng)域模型的辨識方法，其特征還在于:訓(xùn)練得到動態(tài)模糊神經(jīng)網(wǎng)絡(luò)后，使用檢驗數(shù)據(jù)集檢驗動態(tài)神經(jīng)網(wǎng)絡(luò)的性能:分別對Rbf、Rba和Sb作均方根誤差。
全文摘要
本發(fā)明提出了一種基于在線快速自組織模糊神經(jīng)網(wǎng)絡(luò)的船舶領(lǐng)域模型的辨識方法，具有如下步驟選定船舶安全區(qū)域模型，確定該模型的函數(shù)、輸入變量和期望輸出值；建立包含輸入層、隸屬函數(shù)層、T-范數(shù)層和輸出層的動態(tài)模糊神經(jīng)網(wǎng)絡(luò)；使用包含所述模型的輸入變量和輸出值的訓(xùn)練數(shù)據(jù)集，對所述動態(tài)模糊神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練直至達(dá)到精度要求；將兩艘對應(yīng)船舶的航行參數(shù)，作為輸入變量輸入訓(xùn)練完畢后的船舶安全區(qū)域模型，得到兩艘船舶的船舶安全區(qū)域。由于采用了上述技術(shù)方案，相對與傳統(tǒng)的船舶領(lǐng)域模型，經(jīng)過本發(fā)明修正的安全模型，具有更好的精度，安全性也更高。
文檔編號G06N3/02GK103186815SQ20131011564
公開日2013年7月3日 申請日期2013年4月3日 優(yōu)先權(quán)日2013年4月3日
發(fā)明者王寧, 董諾, 劉剛健, 孟凡超, 孫樹蕾, 汪旭明 申請人:大連海事大學(xué)