应用神经网络方法辨识船舶操纵运动水动力系数初探.pdfVIP

第四届全国海事技术研讨会文集 应用神经网络方法辨识 船舶操纵运动水动力系数初探 刘祖源 (武汉交通科技大学船舶及海洋工程系，武汉430063) 摘要船舶操纵运动水动力系数是研究船舶操纵性的基础。目前，理论计算方法的结果尚难满足 工程精度．试验方法除了花费丈之外，还存在尺度效应等困难．本文提出了应用人工神经网络辨识船舶 操纵运动水动力系数的初步方案． 关键词 船舶操纵性，水动力系数，神经网络 0引 言 船舶操纵运动水动力系数是研究船舶操纵性的重要参数，无论是建立操纵性衡准，还 是预报船舶的操纵运动，都需要十分精确的水动力系数值。水动力系数的精确性直接影响 操纵性预报的准确度，因而一直受到研究者的高度重视。 目前，水动力系数有几种确定方法。一是通过试验手段来获取，如斜航试验、旋回试 验、平面运动机构试验等。但是试验方法周期长，所需经费多，试验中存在尺度效应，应 用时需处理实船和船模的相关性，因此使试验方法的应用受到限制。另一种方法是理论计 算方法，如小展弦比理论、细长体理论等。但由于流场的复杂性、流体粘性及各种界面的 影响，计算中总要作出一些假设，它方便了计算却使计算结果不尽人意，因而使得理论结 果难以满足工程要求。 系统辨识中的参数估算为船舶操纵性的水动力系数研究开创了新途径，由于系统辨识 具有较强的参数估算能力，故在掌握实船或自航模型操纵性试验资料的情况下，便有可能 类似于拘束模型那样求取船舶操纵性模型中的水动力系数。但在应用系统辨识方法获取水 动力系数时，首先须确定船舶操纵运动的数学模型，数学模型的选定有较多的人为因素。 另外有时不可能辨识出单个的水动力系数，而是几个水动力系数的组合，辨识过程还存在 漂移现象，且辨识结果对试验精度有很大的依赖性。 人工神经网络理论是近年来活跃于工程应用领域中的一门较新的学科lll，其在船舶工 ·147· tI I 程领域的应用目前主要在船舶设计方面外卧【4J。本文旨在将人工神经网络理论应用于辨 识船舶操纵运动水动力系数，为这一方面的应用提出一个新的途径。 1人工神经网络原理 人工神经网络是在现代神经研究成果的基础上提出的，它是由大量神经元和连接各种 神经元的连接弧所组成的具有模拟人脑形象思维的网络结构。它的重要特性之一是具有学 习功能，即通过大量的实例训练，调整自身行为，在不断的学习中，产生～系列一致的结 果，尤如人类智能活动中“习惯成自然”，从而使网络具有某一功能。由于网络在节点处 进行的运算是非线性的，由它们组成的网络便也呈非线性。此外神经网络将信息分布存贮 在整个网络中，每一节点及各节点间连线上的数值与存贮的整个信息都相关，这种方式本 身对信息进行了加工。 本文将根据上述原理提出辨识操纵运动水动力系数的方法，即根据现有的拘束模型试 验结果训练神经网络，使其能够在输入船舶主尺度、舵等参数的情况，给出船舶操纵的水 动力系数值。由于水动力系数与输入参数的关系是在学习实例中决定的，不为人为因素所 左右，辨识结果理应更加合理。 1．1水动力系数辨识的网络结构 神经网络模型有多种，其中一个主要模型是反向传播模型即B—P模型。它的基本思 想是从模式样本中学习决策函数。 单个神经元仅能完成菜些简单的功能，神经网络的力量是从神经元连接为一网络而来 嗡-网络的结构形成是多样的，可由多层神经元组成。一般网络可分成三个层次，一是由 籀入信息的神经元组成的输入层，它们之间不具有连接弧；二是由输出信息的神经元构成 的输出层，它也不具备输出连接弧；其余神经元构成中间层，中间层可以是一层，也可以 是多层，每一层上的神经元都以连接权因子的加强和抑制，使信息输到相邻层的神经元。 除了输入层神经元外，网络的每一层神经元的输入，是前一层神经元输出的加权和。 网络运行有两个过程，即样本学习过程和水动力系数辨识过程。 在学习过程中，网络通过反向传播算法自动学习内部表达，确定各节点间连线的权值 及隐节点与输出