Интеллектуальная система автоматического управления судном по курсу

• Автор: Седова, Нелли Алексеевна
• Шифр специальности: 05.22.19
• Научная степень: Кандидатская
• Год защиты: 2009
• Место защиты: Владивосток
• Количество страниц: 157 с. : ил.

СОДЕРЖАНИЕ

Основные условные сокращения и обозначения

Введение
1 Основные принципы разработки интеллектуальных систем автоматического управления судном по курсу

1.1 Структура систем автоматического управления судном по курсу

1.2 Влияние различных факторов на управляемость судов

1.3 Разработка интеллектуальных систем автоматического управления судном по курсу

1.3.1 Разработка интеллектуальных систем автоматического управления на нечеткой логике
1.3.2 Разработка интеллектуальных систем автоматического управления с использованием нейросетевых технологий

1.4 Архитектура интеллектуальной САУ судна по курсу

1.4.1 Режим подготовки данных интеллектуальной САУ судном по курсу

1.4.2 Режим обучения интеллектуальной САУ судном по курсу
1.4.3 Режим функционирования интеллектуальной САУ судном по курсу
1.5 Выводы по первой главе
2 Нейросетевое моделирование динамики движения судна
2.1 Математическая модель движения судна
2.2 Аппроксимационные свойства нейронных сетей
2.3 Архитектуры нейронных сетей
2.4 Определение наилучшей нейронной сети для моделирования динамики движения судна
2.5 Исследование ошибки обучения нейронной сети от погодных условий эксплуатации
2.6 Зависимость ошибки обучения нейронной сети от типа судна

2.7 Определение наименьшего количества циклов обучения НС при моделировании движения судна
2.8 Выводы по второй главе
3 Интеллектуальная САУ судном по курсу
3.1 Нейросетевой классификатор интеллектуальной САУ судном по курсу
3.1.1 Спектральный анализ кривых движения судов
3.1.2 Влияние количества гармоник на классификацию кривых движения судов
3.1.3 Классификация кривых движения судов нейронной сетью РБФ
3.2 Интеллектуальное управление судном по курсу с использованием регулятора на нечёткой логике
3.2.1 Структура и функциональные особенности регулятора на нечеткой логике
3.2.2 Целесообразность применения генетических алгоритмов в задачах оптимизации нечёткого регулятора
3.2.3 Настройка авторулевого на нечёткой логике по нейросетевой модели судна
3.3 Выводы по третьей главе
4 Проверка работоспособности метода и алгоритма синтеза системы управления судном по курсу
4.1 Компьютерное моделирование для наполнения базы знаний нейросете-вого классификатора
4.2 Имитационное моделирование для модели судна типа траулер
4.3 Выводы по четвёртой главе
Заключение
Список использованных источников
Приложения

ОСНОВНЫЕ УСЛОВНЫЕ СОКРАЩЕНИЯ И ОБОЗНАЧЕНИЯ
АПП - автомобильно-пассажирское судно;
БО - блок оптимизации;
БФЗУ - блок формирования закона управления;
ВРШ - гребной винт регулируемого шага;
ВФШ - гребной винт фиксированного шага;
ГА - генетический алгоритм;
ГК - гирокомпас;
ДП - диаметральная плоскость;
ДПФ - дискретное преобразование Фурье;
ИМ - исполнительный механизм рулевого привода;
ИН - искусственный нейрон;
ИСАУ - интеллектуальная система автоматического управления; НЛ - нечёткая логика;
НС - нейронная сеть;
ИСК - нейросетевой классификатор;
НСМ ОУ - нейросетевая модель объекта управления;
ОС - обратная связь;
ОУ - объект управления;
ПД - пропорционально-дифференциальный;
ПИД - пропорционально-интегрально-дифференциальный;
ПСПП - пассажирское судно прибрежного плавания;
Р - регулятор (авторулевой);
РБФ - нейронная сеть с радиально-базисной функцией активации; РНЛ - регулятор на нечёткой логике;
САУ - система автоматического управления;
СИИ - система искусственного интеллекта;
СКО - среднеквадратичная ошибка;
СТ - супертанкер;

проблема носит название «проклятие размерности». При недостаточном количестве данных рекомендуется использовать линейную модель [30]. Далее веса и смещения автоматически настраиваются таким образом, чтобы минимизировать разность между желаемым и полученным на выходе сигналами. Минимизация разности между желаемым и полученным на выходе сигналами называется ошибкой обучения. Ошибка обучения вычисляется путем сравнения выходных и желаемых значений. Из полученных разностей формируется функция ошибок. Функция ошибок — это целевая функция, требующая минимизации в процессе управляемого обучения нейронной сети. С помощью функции ошибок можно оценить качество работы нейронной сети во время обучения. Например, часто используется сумма квадратов ошибок. От качества обучения нейронной сети зависит ее способность решать поставленные перед ней задачи.
Алгоритмы обучения НС могут быть с учителем, когда известно выходное пространство решений НС, без учителя, когда НС формирует выходное пространство решений только на основе входных воздействий, а также смешанное.
В общем случае задача обучения НС сводится к нахождению некой функциональной зависимости 7= где X — входной, а 7 - выходной векторы.
В этом случае задача при ограниченном наборе входных данных имеет бесконечное множество решений. Для ограничения пространства поиска при обучении ставится задача минимизации целевой функции ошибки нейронной сети, которая находится по методу наименьших квадратов:
Е(Ю = -±(у,-с1,Г, 1.13)