水下潜器运动机理模型与递归神经网络并行建模方法技术

本发明专利技术提供的是一种水下潜器运动机理模型与递归神经网络并行建模方法。被辨识对象的输出与机理模型输出之差用于修正ＲＦＮＮ的参数，ＲＦＮＮ模型与被辨识对象串并连接，ＲＦＮＮ模型在接收对象的输入信号的同时，对象上一时刻的输出也反馈到ＲＦＮＮ的输入端。本发明专利技术采用了串并模型作为辨识模型。串并模型在某一时刻的输出依赖于系统在此时刻以前的输入和输出，对于双输入双输出（ＢＩＢＯ）系统，神经网络的输入信号及在辨识中用到的其它信号均有界，这就能够保证整个辨识结构的稳定性，并使模型输出逼近期望值。

【技术实现步骤摘要】
(一)
本专利技术涉及的是一种运动模型的建模方法，具体地说是一种针对水下潜器的运动仿真模型的建模方法。(二)
技术介绍
传统的水下潜器运动模型是基于多变量微分方程，运用动力学理论、流体力学理论和水下潜器的操纵性理论等建立起来的。目前被人们普遍接受的是1967年美国泰勒海军舰船研究和发展中心(DTNSRDC)发表的Gertler等的《用于潜艇模拟研究的标准运动方程》及1979年发表的修正的潜艇标准运动方程。该方程基本上能准确描述水下潜器在静水中的运动，并已广泛应用于水下潜器操纵性的研究、控制系统设计、训练仿真等方面。方程中含有108个水动力系数，要得到这全部108个水动力系数的准确值是困难的，尤其是一些耦合水动力系数的值非常小，很难用实验测定。因此许多水下潜器操纵性方面的研究都是基于简化方程进行的，这样就势必造成仿真值与水下潜器实测值的差异。神经网络建模的本质是利用实际系统的输入-输出数据表示对象的黑箱模型，能反映内部扰动、外界干扰和噪声对系统的影响。但由于建模依据是测量数据，不能将已具备的关于系统的结构性知识和主要工作规律融合在内，缺乏物理基础，使用时外推效果不理想。针对神经网络建模的这种局限性，出现了各种混合建模方法：1、寻找满足先验条件的网络结构或约束网络的权使其满足一定条件，但目前尚没有产生适当的网络结构并满足给定约束的一般性方法；2、对神经网络加约束的方法把混合建模问题规划成非线性规划问题，但这种方法处理起来比较因难；3、用黑箱模型和主规律模型并行求和的方法，但实现方法较繁琐；4、使用专家知识建立的模糊模型和神经网络并行建模，效果较好，但其应用范围有一定限制；5、使用数学模型作机理模型，用神经网络作补偿模型，取得较好的效果。(三)
技术实现思路
本专利技术的目的在于提供一种能够满足水下潜器航行训练模拟器的需要的水下潜器运动机理模型与递归神经网络并行建模方法。-->本专利技术的目的是这样实现的：被辨识对象的输出与机理模型输出之差用于修正RFNN的参数，RFNN模型与被辨识对象串并连接，RFNN模型在接收对象的输入信号的同时，对象上一时刻的输出也反馈到RFNN的输入端。1)水下潜器和水下潜器运动机理模型的输入量为u＝[δr δb δs V ΔP MP]T，其中δr为方向舵舵角，δb为围壳舵(首升降舵)舵角，δs为尾升降舵舵角，V是航速；ΔP是水下潜器的剩余静载；MP是由水下潜器的剩余静载引起的静载力矩；2)水下潜器和水下潜器运动机理模型的输出量之差为y＝[u v w p q r]T，u为纵向速度、v为横向速度、w为垂向速度，p、q、r分别为绕ox、oy、oz轴的角速度。3)递归模糊神经网络和辨识对象采用串并结构，向量u和y组成一个列向量，就是RFNN辨识模型的输入向量：x＝[δr δb δs V ΔP MP u v w p q r]T。4)整个RFNN辨识模型由6个子网络RFNN1～RFNN6构成，每个子网络的输入都为x；每个子网络各有一个输出，也就是说每个被辨识的变量对应一个子网络；5)每个子网络的隐层节点根据所辨识的变量可以调整到最佳。本专利技术的具体步骤为：1)采用递归模糊神经网络与机理模型并行建模系统的离散时间状态空间模型的动力学描述为：Σ:xk+1=f(xk,uk)yk=h(xk)---(1)]]>其中，xk为状态向量，uk为输入向量，yk为可测量的输出向量。对于复杂大系统表示为一系列未知函数γj(xj)，j＝1，…，M，其中，M为-->系统中未知结构的数目，xj为第j个未知结构中的状态向量，参数的不确定性用向量θ表示，于是得到下述需要辨识的近似模型：Σ:x‾k+1=f‾(x‾k,uk,θ)y‾k=h‾(x‾k,θ)---(2)]]>式中，与隐含γj(xj)，xk=[xk1,···,xkM]T;]]>对于上式所表示的辨识模型，对给定的初始状态以及时间K，定义如下目标函数：J(γ1,···,γM,θ)=Σk=K-NK||yk-y‾k||2P---(3)]]>式中，‖·‖为欧氏范数，N为合适的时间窗口，P为正定矩阵；因此，辨识问题转化为下面的参数-函数优化问题：a、在时间K，寻找最优函数(γ1)*，…，(γM)*，以及最优参数θ*，使得指标函数对于每个可能的输出yK-N，…，yK最优；将未知函数γj(xj)用递归模糊神经网络近似，Wj为递归模糊神经网络需要调整的参数向量；用向量W＝(W1，…，WM)T表示近似模型中作为未知函数近似的递归模糊神经网络的所有可调参数向量，并用β＝(W，θ)T表示所有参数向量，于是得到下面需要辨识的近似参数模型：Σ:x^k+1=f^(x^k,uk,β)y^k=h^(x^k,β)---(4)]]>并取目标函数为：J^(β)=Σk=K-NK||yk-y^k||2---(5)]]>于是问题a进一步转化为下面的参数优化问题：b、在时间K，寻找参数的最优值β*，使得指标函数(5)对于每个可能的输出yK-N，…，yK最小。对于问题b的求解算法可以采用递归模糊神经网络的几种学习算法；2)确定辨识样本集用于辨识目的实艇试航时测量的数据包括：艇的航速V；艇的三个舵角，即方向舵舵角δr、围壳舵舵角δb和尾升降舵舵角δs；艇的姿态角，即首向角ψ、横倾角和纵倾角θ；艇的位置参数，即垂向位置ζ、东向位置η和北向位置ζ；由于辨识模型所需要的纵向速度u、横向速度v和垂向速度w以及绕ox、oy、oz轴的角速度p、q、r都不能直接测量，只能根据测量的位置参数ζ、η、ζ和-->姿态角θ、ψ，求出其导数，再求出相应的速度；由于：Ω=C-1Λ·---(6)]]>ΞD=S-1ΞS⇒Ξ·D=S-1Ξ·S---(7)]]>即uvw=S-1ξ·η·ζ·---(9)]]>展开得：根据式(10)和(11)便可根据位置参数和姿态角及其导数求出模型辨识需要的参数；3)模糊聚类分析方法的实现目标函数取为如下形式：J(c)=Σk=1nΣi=1c(μik)m(||xk-vi||2-||vi-x‾||2)---(12)]]>约束条件为：Σi=1cμik=1,]]>1≤k≤n；μik≥0，1≤i≤c，1≤k≤n       (13)式中，n为样本集规模；c为聚类中心数；μik是第k个样本属于第i个模糊中心的模糊度；m是模糊指数，用以加强样本属于各类从属程度的对比度[180]，通常取值m＝1.5～3，模糊指数越大，聚类的模糊程度越大；xk为第k个样本向量，(k＝1，…，n)，本文档来自技高网...

【技术保护点】
一种水下潜器运动机理模型与递归神经网络并行建模方法，其特征是：被辨识对象的输出与机理模型输出之差用于修正ＲＦＮＮ的参数，ＲＦＮＮ模型与被辨识对象串并连接，ＲＦＮＮ模型在接收对象的输入信号的同时，对象上一时刻的输出也反馈到ＲＦＮＮ的输入端；其中：１）水下潜器和水下潜器运动机理模型的输入量为ｕ＝［δ↓［ｒ］δ↓［ｂ］δ↓［ｓ］ＶΔＰＭ↓［Ｐ］］↑［Ｔ］，其中δ↓［ｒ］为方向舵舵角、δ↓［ｂ］为围壳舵舵角、δ↓［ｓ］为尾升降舵舵角、Ｖ是航速、ΔＰ是水下潜器的剩余静载、Ｍ↓［Ｐ］是由水下潜器的剩余静载引起的静载力矩；２）水下潜器和水下潜器运动机理模型的输出量之差为ｙ＝［ｕｖｗｐｑｒ］↑［Ｔ］，ｕ为纵向速度、ｖ为横向速度、ｗ为垂向速度，ｐ、ｑ、ｒ分别为绕ｏｘ、ｏｙ、ｏｚ轴的角速度。３）递归模糊神经网络和辨识对象采用串并结构，向量ｕ和ｙ组成一个列向量，就是ＲＦＮＮ辨识模型的输入向量：ｘ＝［δ↓［ｒ］δ↓［ｂ］δ↓［ｓ］ＶΔＰＭ↓［Ｐ］ｕｖｗｐｑｒ］↑［Ｔ］；４）整个ＲＦＮＮ辨识模型由６个子网络ＲＦＮＮ１～ＲＦＮＮ６构成，每个子网络的输入都为ｘ；每个子网络各有一个输出，即每个被辨识的变量对应一个子网络；５）每个子网络的隐层节点根据所辨识的变量可以调整到最佳。...

【技术特征摘要】
1、一种水下潜器运动机理模型与递归神经网络并行建模方法，其特征是：被辨识对象的输出与机理模型输出之差用于修正RFNN的参数，RFNN模型与被辨识对象串并连接，RFNN模型在接收对象的输入信号的同时，对象上一时刻的输出也反馈到RFNN的输入端；其中：1)水下潜器和水下潜器运动机理模型的输入量为u＝[δr δb δs  V ΔP MP]T，其中δr为方向舵舵角、δb为围壳舵舵角、δs为尾升降舵舵角、V是航速、ΔP是水下潜器的剩余静载、MP是由水下潜器的剩余静载引起的静载力矩；2)水下潜器和水下潜器运动机理模型的输出量之差为y＝[u  v w p q r]T，u为纵向速度、v为横向速度、w为垂向速度，p、q、r分别为绕ox、oy、oz轴的角速度。3)递归模糊神经网络和辨识对象采用串并结构，向量u和y组成一个列向量，就是RFNN辨识模型的输入向量：x＝[δr δb δs V ΔP  MP  u  v  w  p  q  r]T；4)整个RFNN辨识模型由6个子网络RFNN1～RFNN6构成，每个子网络的输入都为x；每个子网络各有一个输出，即每个被辨识的变量对应一个子网络；5)每个子网络的隐层节点根据所辨识的变量可以调整到最佳。2、根据权利要求1所述的水下潜器运动机理模型与递归神经网络并行建模方法，其特征是：其具体步骤为：1)采用递归模糊神经网络与机理模型并行建模系统的离散时间状态空间模型的动力学描述为：Σ:xk+1=f(xk,uk)yk=h(xk)---(1)]]>其中，xk为状态向量，uk为输入向量，yk为可测量的输出向量。对于复杂大系统表示为一系列未知函数γj(xj)，j＝1，…，M，其中，M为系统中未知结构的数目，xj为第j个未知结构中的状态向量，参数的不确定性用向量θ表示，于是得到下述需要辨识的近似模型：Σ:x‾k+1=f‾(x‾k,uk,θ)y‾k=h‾(x‾k,θ)---(2)]]>式中，与隐含γj(xj)，xk=[xk1,···,xkM]T;]]>对于上式所表示的辨识模型，对给定的初始状态以及时间K，定义如下目标函数：J(γ1,···,γM,θ)=Σk=K-NK||yk-y‾k||2P---(3)]]>式中，‖·‖为欧氏范数，N为合适的时间窗口，P为正定矩阵；因此，辨识问题转化为下面的参数-函数优化问题：a、在时间K，寻找最优函数(γ1)*，…，(...

【专利技术属性】
技术研发人员：王伟，郝燕玲，吴鹏，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：93[中国|哈尔滨]