下载文档原格式
基于BP神经网络的船舶航迹控制技术随着船舶制造水平的提高和海洋科技的不断发展，船舶行驶越来越普遍。
在无人驾驶的趋势下，对于船舶航迹控制技术的需求也越发强烈。
基于BP神经网络的船舶航迹控制技术是一种高效、准确的控制方法。
BP神经网络由输入层、中间层和输出层构成。
输入层接收外部信息，通过传递到中间层进行信息处理，最终输出结果。
BP神经网络的训练是通过反向传播算法进行的，即根据输出和实际误差逐层逆向调整各层节点的权值。
在船舶控制中，BP神经网络的输入层可以接收各种传感器测得的水平、垂直方向的速度、角度以及海流等船舶运动状态量；输出层则输出需要调整的舵角等控制量。
在船舶控制方面，BP神经网络的优势在于其能够适应不确定、非线性等复杂系统特性，具有较好的泛化能力，并且具有自适应调整能力。
此外，BP神经网络的训练也非常方便，可以利用历史数据进行训练，减少了对实时控制系统的干扰。
航迹控制过程中，BP神经网络可以根据船舶状态和外部环境实时更新信息，进行快速、准确的控制输出，从而实现预期航迹的维持。
当然，BP神经网络也存在一些问题。
首先，训练过程需要大量的数据，需要有足够的历史数据进行事先编程。
其次，在实际控制过程中，如果船舶状态发生急剧变化，BP神经网络可能需要时间来适应新的船舶状态，导致控制延迟。
此外，BP神经网络的结构也需要根据实际情况进行设计和调试，过于复杂的设计可能导致训练成本过高，实时控制效果不佳。
综上所述，基于BP神经网络的船舶航迹控制技术仍然是未来发展的方向。
作为智能船舶技术的重要组成部分，BP神经网络控制技术具有非常广阔的应用前景和市场空间。
当然，在实际应用过程中，需要特别注意与其他控制系统的配合、调试和优化，以实现更加可靠、稳定的自动船舶控制。
相关数据可以是任何与船舶航迹控制相关的数据，例如海浪、气象、船舶运行状态等。
在这里，我们可以列举以下几类数据并进行简单的分析。
1. 海浪数据：海浪数据是影响船舶运行的重要因素之一。
基于神经网络反步法的移动机器人路径跟踪控制贾鹤鸣;宋文龙;陈子印;杨鑫;段海庆【期刊名称】《南京理工大学学报（自然科学版）》【年(卷),期】2014(000)001【摘要】In order to implement the path following control of wheeled mobile robot with non-holonomic constraint,a backstepping method is designed based on feedback gain technique. Through the tuning of the controller's parameters,the nonlinear terms in error dynamic robot model can be e-liminated,and the form of designed controller can be much simpler. Neural network is adopted to compensate the model uncertainties. An adaptive robust controller is designed to compensate the estimated error of neural network on-line,and the learning performance of neural network can be op-timized. The simulation results illustrate that the parameters of controller are easy to be adjusted,and can make wheeled mobile robot track the desired arbitrary path precisely.%为实现非完整轮式机器人的路径跟踪控制，设计基于反馈增益的反步法控制器，通过控制器参数设计消除了机器人动态误差模型中的部分非线性项，采用神经网络对模型不确定项进行补偿，并利用自适应鲁棒控制器在线补偿神经网络的估计误差，优化了神经网络的学习性能。
基于速变LOS的无人船反步自适应路径跟踪控制余亚磊;苏荣彬;冯旭;郭晨【摘要】[目的]为了解决无人船由系统建模误差和参数摄动引起的混合不确定项、模型含非零非对角项和控制器输入饱和情况下的路径跟踪问题,[方法]提出基于速变视线导航法(LOS)的反步自适应无人船路径跟踪控制方法.首先引入坐标变换法,把系统模型转变为斜对角形式.把控制系统分为制导子系统和控制子系统,在制导子系统设计速变LOS算法,使纵向速度制导律与横向跟踪误差呈正相关,确保无人船能有效地朝着并保持在期望的路径上;在控制子系统设计反步自适应算法以补偿系统混合不确定项,同时引入辅助系统处理系统控制输入饱和问题.[结果]运用李雅普诺夫稳定性理论证明制导—控制闭环系统一致最终有界稳定.[结论]仿真结果验证了所提出方法的有效性和鲁棒性,对无人船反步自适应路径跟踪控制有一定的参考价值.【期刊名称】《中国舰船研究》【年(卷),期】2019(014)003【总页数】9页(P163-171)【关键词】无人船;路径跟踪;视线导航法;输入饱和;自适应控制【作者】余亚磊;苏荣彬;冯旭;郭晨【作者单位】大连海事大学航海学院,辽宁大连116026;大连海事大学航海学院,辽宁大连116026;大连海事大学航海学院,辽宁大连116026;大连海事大学船舶电气工程学院,辽宁大连116026【正文语种】中文【中图分类】U664.820 引言过去十几年，无人船在搜救、科研、探险和商业方面应用广泛［1-5］。
无人船运动控制的主要研究问题有航迹跟踪、编队控制和镇定控制，其中航迹跟踪又分为轨迹跟踪和路径跟踪［6］。
轨迹跟踪指无人船能够在指定的时间到达指定位置；而路径跟踪只需完成几何性质的位置跟踪且不依赖于时间信息。
事实上，船舶在大洋航行时一般不要求在指定时间到达指定地点，而只需沿着计划航线航行，因而路径跟踪对于航海实践具有更大的研究意义［7］。
Wang 等［8-14］在基于视线（Line-of-Sight，LOS）导航法的路径跟踪制导研究方面取得了许多成果。
基于BP神经网络的船舶航迹控制技术郭文刚【摘要】航海战舰规模的扩大使船舶航迹的控制变得越来越困难、复杂。
为了实现船舶航迹控制，采用新的控制技术，根据神经网络及船舶航迹的相关理论和BP 神经网络的船舶航迹控原理，对BP神经网络的船舶航迹控制进行计算和航迹设计实现，通过模拟仿真得出各种海情条件下的船舶航迹控制比较图，对我国航海战舰控制航迹有一定的指导意义。
%Sailingshiptracksistheexpansionofthescaleofcontrolbecomesincreasin glydifficult and complex. In order to realize the tracks of control, the introduction of new technology, based on neural network and the tracks of tracks related to the theory and BP neural network control principle, to calculate the BP neural network tracking control of ships and track design through simulation that tracks under various sea conditions control comparison chart, controls on Chinese sailing ships track has some significance.【期刊名称】《舰船科学技术》【年(卷),期】2014(000)008【总页数】7页(P87-93)【关键词】BP;神经网络;船舶;航迹控制【作者】郭文刚【作者单位】中国电子科技集团公司电子科学研究院，北京100041【正文语种】中文【中图分类】TP30 引言神经控制是基于人工神经网络控制的简称，是神经网络控制自动控制领域的前沿学科之一，是在20世纪80年代末期发展起来的。
基于Backstepping方法的不完全驱动船舶直线航迹控制器
的设计
李长喜;冯远静;俞立
【期刊名称】《船舶工程》
【年(卷),期】2008(30)4
【摘要】针对不完全驱动船舶直线航迹控制系统的非线性数学模型,采用Lyapunov直接法和非线性反步法,给出了一种状态反馈控制律.该控制律克服了艏摇角速度不能为零的局限,使偏航船舶渐近镇定于给定的直线参考航迹,并以实习船为例,用Matlab Simulink工具箱进行仿真.结果表明,所提出的控制律具有良好的控制效果.
【总页数】4页(P64-67)
【关键词】自动控制系统;直线航迹控制;Lyapunov直接法;Backstepping;非线性系统
【作者】李长喜;冯远静;俞立
【作者单位】浙江工业大学信息工程学院
【正文语种】中文
【中图分类】TP273;U666.124
【相关文献】
1.基于耗散理论的不完全驱动船舶直线航迹控制设计 [J], 李铁山;杨盐生
2.不完全驱动船舶直线航迹控制稳定性研究 [J], 周岗;姚琼荟;陈永冰;周永余;李文魁
3.基于Backstepping的欠驱动船舶神经滑模航迹控制 [J], 李湘平;吴汉松;阮苗锋
4.基于Backstepping的非线性船舶航迹跟踪控制器设计 [J], 金小婷;杜佳璐;汤占军
5.不完全驱动船舶航迹控制输入输出线性化设计 [J], 李铁山;杨盐生;郑云峰
因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进BP神经网络的船舶轨迹识别方法凡甲甲; 祁云嵩; 葛霓琳【期刊名称】《《计算机工程与设计》》【年(卷),期】2019(040)012【总页数】6页(P3639-3644)【关键词】轨迹识别; BP神经网络; 船舶自动识别系统; 附加动量; 自适应学习【作者】凡甲甲; 祁云嵩; 葛霓琳【作者单位】江苏科技大学计算机学院江苏镇江212000【正文语种】中文【中图分类】TP398.10 引言加强水上交通管理和监控，及时发现安全隐患并采取相应的措施，既是保证船舶安全航行、港口正常作业生产的迫切需要，也是防止各种违法海上活动、保护海洋环境的有效手段。
目前大多数研究是对船舶轨迹信息进行训练建立预测[1,2]或异常[3]模型，由于海上情况多变，船舶的行为预测和异常行为检测并不能有效处理海上未知的状况。
在前人研究的基础上，引入动量因子[4,5]和自适应学习速率[6,7]来优化BP神经网络[8]性能，能够较好地改善BP神经网络的易陷入局部最小值、收敛速度慢等缺点，最后将改进BP神经网络应用到船舶轨迹识别[9]问题中，与传统BP神经网络进行对比实验，达到了预期的识别效果。
1 AIS信息的采集与预处理1.1 AIS信息的采集船舶的AIS信息[10]的动态信息主要为坐标、航速、航向等，静态信息主要为船舶类型、长度、宽度以及吨位，动态信息体现了船舶的轨迹行为特征[11]。
为了区分不同船舶的轨迹，将船舶海上业务识别码(maritime mobile ser-vice identity，MMSI)加入行为表征数据中，船舶在行驶过程中不定时播报位置及速度信息存入数据接收服务器中，定时从服务器中取出所需的AIS信息报文文件。
船舶的AIS信息显示在系统界面中如图1所示。
图1 AIS信息列表1.2 AIS信息预处理采集到的AIS信息的数据庞大，有数据冗余性强、错误数据多等异常情况，对采集到的AIS数据进行预处理，删除MMSI为0，经纬度异常的AIS信息，对删除异常AIS数据后的船舶轨迹进行特征分析和特征点处理，目的是找出轨迹的航速、航向等代表轨迹线空间几何特征的显著快速变化的点，使得船舶特征轨迹不仅可以较大程度地还原原始轨迹，还能减少数据的计算量，如式(1)所示(1)其中，Δv为平均航速变化率，vt1, vt2为t1, t2相邻时刻船舶轨迹点的航速。
