船舶操纵智能预测外文翻译资料

 2022-07-31 21:44:17

英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料

船舶操纵智能预测

  1. Lacki

（格丁尼亚海事大学 航海学院 丁哥尼亚 波兰）

摘要：本文提出了一种利用神经进化的智能船舶激动预测系统。这也可以看作是有人工神经网络创建，模拟一个自主控制单元的学习过程的船舶处理系统。控制单元整理数字信号并计算船舶在受限水域能机动所需要的数值。在神经进化中，这些单元被视为人工神经网络群体中的个体，通过环境感知和进化算法学习有效地执行给定的任务。该系统的主要任务是在一定时间内不断学习和预测船舶航行参数的数值，以了解其环境的影响，预测可能会发生的结果，作为警告导航器，来提醒船员可能会发生的危险。

  1. 介绍

预测船舶在承压水上操纵运动对人员、设备、货物和环境的安全至关重要。个人计算机和便携式计算机计算能力的提高，使得复杂的算法可以应用到航海领域的高级决策支持系统中。

这一系列应包括下列主要功能：

- 以连续模式下，在线分析航行情况

- 在危险情况可能发生之前发出警告。例如，可能发生的碰撞或从一个特定的限制水域以特殊航向离开

- 提供可用于和地方当局和该区域的其他辅助设备联系的透明信息

- 在船舶操纵和航行情况下，它应给出“如果”和“何时”问题的答案

所有这些要求都可以用神经进化方式来满足。这些方法在不同的科学领域得到了深入的研究和实施，包括机器人（Haasdijk等人,2010年;Lee等人,2013年），自动化进程（Kennet等人,2005年），多智能体系统（Nowak等人,2008年），设计和诊断（Larkin等人，2006年）和许多其他领域。神经进化计算法是优化神经网络拓扑的成功方法，特别是在连续动态增强学习任务中。它们的显著优势是能够修改网络拓扑以及连接权重。

系统的基本概念如图1所示。

图1.先进的预报系统的主要任务是尽可能准确地估计船舶的位置和航向。

通过不断的学习过程，系统应在规定的时间内尽可能准确地预测船舶的位置和环境状态，并与船舶的最终实际位置进行比较。当有可用的船舶模拟模型时，可以计算它可能的位置，要求仿真模型包括风、流、浪的方程和系数。但在大多数情况下，这种先进的非线性仿真模型是不可用的。同样，解决这个问题的一个好办法是神经进化。

  1. 人工智能与神经进化

神经进化方法受到生物神经系统发展的启示，是只能计算方法的一部分（Lehman和Miikkulainen,2013）。神经进化能够用进化算法（EA）建立的人工神经网络（ANN）来求解复杂的任务。这样的组合提供了灵活性和适应性的优势，可以根据动态变化的任务调整计算结构。

在神经进化中，神经网络被视为多个网络中的个体，原始数据的基本拓扑在学习开始时随机确定。每隔单独的个体开始寻找具有相同起始参数解的过程，通常用增强学习算法来评估每个个体寻找具有相同其实参数解的行为过程（Stanley等人,2015），系统的进化阶段应在选择阶段选择最适合该任务的个体，这同样决定了整个神经网络随着时间的推移会改进其遗传物质。

图2.由简洁的方式展示一个编码的人工神经网络拓扑（表型）到连接基因组（基因型）的例子

系统演化阶段包括三个主要过程：

-挑选最佳的个体

-繁殖（具有交叉和突变的子过程）

-替换（后代个体替换最差的个体）

在进化方法中，神经网络拓扑的遗传编码是非常重要的，本文的作者在这个系统中实现了修改后的增强拓扑的神经进化方法（图2）。

NEAT（增强拓扑的神经进化方法）适用于用进化算法来计算神经网络的拓扑结构（Stanley和Risto,2002）逐步调整到给定的任务，从而得到一组最适合此任务的人工神经网络。

每隔节点表示一个神经元，该神经元通过其输入的归一化加权产生0到1之间的实数值。加权和的归一化是用sigmoid函数进行的，如方程1所示。

以上：

-神经元的输出值

-带权输入值xnj的加权和

beta;-坡度系数

-偏倚

加上常值1的偏置信号，使激活功能的输出值改变（图3），当改变阶段在复制阶段的后代个体创造过程中的进化过程中进行时，可以通过改变该信号的权重来调整偏差的影响。

图3.偏压系数theta;j对sigmoid函数值的影响

在这一阶段，选择两个最好的神经网络，并将其遗传物质交叉融合，创造出两个新的个体。通过将具有相同历史标记的基因配对，以有重要意义的方式处理不同拓扑的交叉，叫做数字创新。通过这种方式，后代单体可以通过以下三种方式之一形成：

-在统一杂交中，为后代基因组随机选择匹配的基因，具有更高的亲本合身的匹配概率。

-在混合杂交中，平均匹配基因的连接权值。

-在精选杂交中，只有来自更合适的亲本的不相交和过度，所有来自不合适亲本的冗余基因都被放弃，所有匹配的基因都是平均的。

与其他亲本的创新数字范围不匹配的基因称为不相交基因（当它们出现在基因组内）或过量基因（当它们出现在基因组外）。

与其他交叉方法相比，这三种交叉在神经进化算法中被发现是最有效的（Stanley和Risto,2002）。

在上一代中被禁用的基因在新的后代创造过程中有很小的机会被重新激活，使得人工神经网络能够再次利用旧的解（Lacki,2012）。

进化神经网络可以保持基因组中每一个基因起源的根源，即使在不同的基因组结构中也能发现和识别匹配的基因。预先存在的网络结构中编码的旧轨迹有机会不被破坏，并通过进化将其属性传递给新结构，因此提供了一个机会来阐明这些起初的行为。

输入和输出的数量是固定的。在进化过程中，在突变阶段，内部神经元和连接的数量可能会发生变化，在增强拓扑的神经进化方法中，节点和连接的数量可能只会随着时间的推移而增加，可能会临时禁用连接。这保证了学习经验从上一代基因中转移到了新的基因，为新的基因组快速学习新的任务，但船舶在受限水域操纵等动态环境中可能会有些许不利。在这种情况下，由于充满经验学习的人工神经网络，旧的基因因经验不足学习能力可能会减慢。对于复杂的任务，增强拓扑的神经进化会逐渐变强大，而对于简单的任务，增强拓扑的神经进化逐渐变弱小，其间会产生大小不同的基因组，有时在同一位置有不同的连接。

以创新数字表示的历史标记允许神经进化算法在不分析拓扑结构的情况下执行交叉操作，不同组织和大小的基因组在整个进化过程中保持其兼容性，可变长度基因组问题基本上得到解决，此过程允许在不同网络仍然兼容的情况下使用方法来增加结构的复杂性。

在精选杂交过程中，该系统从基因组中提出了每个专业群体中最劣质的基因，下一步，新的基因将取代被淘汰的劣质基因。因此，基因数量不变，但其质量应根据任务的既定目标和限制而提高。

  1. 网络的输入和输出

神经网络的输入和输出信号必须在系统设计阶段开始时确定。模型中所考虑的适当的信号集对于系统的有效性能以及与实际导航情况相比的保真度和准确性至关重要。

三自由度船舶运动系统的输入信号如下：

-船的实际航迹向

-船的角速度

-船的对地速度

-船位

-水流的角度和速度

-风的角度和速度

-主螺旋桨转速（当前和预设值）

-舵角（当前和预设值）

在未来的研究中，可能会考虑到来自环境的其他信号，即波浪、货物、纵倾和横摇。人工神经网络的输出信号应产生在一定时间后可能改变的重要参数值，预测过程中最重要的信号是：

-船位，

-船的实际航迹向，

-船的对地速度，

-船的角速度。

所有输入和输出信号都被编码为0到1之间的实数值，计算的灵活性和使网络拓扑适应给定任务的能力允许设计神经网络的输入和输出的复杂集合。由于具有多个输出的神经网络比仅具有一个输出的神经网络学习速度慢，作者建议将一组神经网络划分为不同的专门网络组，用于计算单个特定输出信号的预测值（图4）.

图4.将基因组分为人工神经网络中的不同模块基因组

这是一个非常复杂的神经进化方法，可以处理提早的趋同，保持多样性和渐进复杂性的探索解决方案。每个及一组都有单独的基因排名表，个体基因只能在自己的基因组内进行竞争。这种方法需要为更多的遗传物质分配更多的内存，但消除了不必要的输入信号对输出值的影响。

在预测时间间隔内测定每个基因个体的价值，并将其适应度值计算为实际值与预测值之间的差（公式2）。

以上：

-个体基因的适应值i（成本标准）

-n群信号的实值

-单个i的信号预测值

在这种情况下，适应值最小的个体基因更有可能在下一代基因繁殖其遗传物质，预测系统数据流的通用算法如图5所示。输入信号分为两类：环境信号和转向信号，一组环境信号包括来自船舶周围环境（即风、流、速度和方向）的所有数据，这些数据为系统创建一个输入状态向量。神经进化预测系统中，风对运动控制数学模型的实现，提高了其在模拟环境中的性能和鲁棒性。在风力的压力下，根据船舶的设计（上层建筑的位置、船上设备和货物的部署等），他往往会随风或顺风偏离航向。船的速度和吃水越小，风的影响就越大。当然，暴露在风中的侧面的面积对船舶的运动至关重要。当船舶向前移动时，风的作用点中心（风点，WP）通常靠近船中部，远离支点（PP）。这种差异在支点和风点之间产生了一个巨大的转向杆，从而使船舶在船尾上部结构展开的情况下，将船头转向风向。

图5.神经进化预测系统的通用算法

对于向前行驶的船舶，有定义的术语相对风速Vrw和攻角Vrw（Isherwood,1973）。作用于对称的风力船舶通常是根据船舶的总长度，受风、空气影响的表面可用的密度和系数船舶模型的特性，即风荷载石油公司国际海洋论坛资料（OCIMF,1977年），该组织确定安全性以及邮轮、驳船面临的环境问题，码头和海上作业以及制定并发布推荐标准将作为区域和全世界的剥削。

影响船舶运动的附加力是水流和潮汐。在这种情况下，水流移动涉及在河流、海洋以及海底。月球和太阳对地球的相对位置主要影响海水，世界上许多海军港口都位于河口，这些河流的水流经常受到海潮的影响，潮汐力是由地球中心和表面的力差决定的，如果有时间表和图标的话，则可以获取到当地的潮汐力。潮汐图按组分组，每组包括该地区两次连续涨潮之间的时间间隔，这些图表给出了船舶操纵区域所需时间跨度的平均潮流信息，潮汐图上的信息包括指定潮汐的方向和平均流速。潮汐图的另一种方法是潮汐钻石法，这种方法可以在大多数海图上使用，用这种方法，可以把海图上的某些点与一个计算潮流方向和速度的表格联系起来，根据这个表格，可以计算出关于潮汐的方向。重力潮汐不仅影响水流的唯一潮汐，还有陆地潮汐、大气潮汐和热力潮汐，大气潮汐是由天气和太阳热力潮汐的根本影响引起的，在大多数情况下，它们加强了海洋潮汐。在水流的压力下，船与水一起漂流，相对于地面和任何固定的物体，当船在水流中运动时，地面上的速度是船的速度和水流的速度的合成速度。较强的水流可能导致船尾或船首倾向于一侧摆动，从而导致危险情况，在跟随潮汐，因为小效率的舵在低速航行时是特别难以克服的困难。

转向信息包括系统用户（即驾驶台上的导航员或指挥员）可能更改的数据，转向信号包括螺旋桨转速或推力和舵角，所有这些输入信号都会影响船舶的运动，从而产生一种新的环境状态，同时，在神经进化系统中，对于相同的输入信号，正在计算相似的新状态参数。对实际值和预测值进行比较，比较结果为系统提供了丰富的信息，可以详细说明人工神经网络的创建质量和整体性能。在评估过程中，它创建的人工神经网络基因排名和最好的号锣被存储起来以供将来使用。

  1. 模拟模型及预测结果

为了模拟船舶运动，作者创建了一个应用程序（图6）。

图6.不同船舶仿真模拟性能测试的应用

所设计的应用程序允许选择船舶的特定模型，设置限制水域航行情况的起始参数，包括风速和风向以及水流，并使用部分可观测的预测值运行模拟，模拟后可保存到文件中并离线分析。

为了进行系统性能测试，系统采用了两种三自由度船舶仿真模型。船舶主要参数比较见表1。

表1.仿真船模型的主要参数

在每一代的任务评估过程中，计算并记录了神经网络的输出数据集合，作为仿真结果。参数由4组独立的人工神经网络组成，每组50个个体，共产生了200个人工神经网络。

图标显示了200代模拟的评估结果（图7）。由于预测系统中每一个参数总是只有一个最优解，算法往往很快收敛到了这个解，仿真结果证明了单输出神经网络学习过程的良好性能。

图7.人工神经网络专业群体的平均适应值实例

对于两种不同的船舶模型，平均适应度值在大约20-40代数据后变得稳定，这只需要在标准的电脑上进行大约几分钟的模拟。

学习过程的其他特性如图8所示。

图8.不同生成数代入强流时学习速度的比较

这两个图标说明神经进化算法的学习速度严格取决于数据的年龄。由于个体基因组较小，较小的基因组更快地适应新的突变，但另一方面，较大的基因组更有经验，能够依靠学习的模式对新的模式作出反应。

<stro

剩余内容已隐藏，支付完成后下载完整资料</stro

资料编号：[241421]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章