基于模糊神经网络的水下机器人实时状态监测模型

本文提出了基于人工智能的自主式水下机器人推进器及舵状态监测模块结构,基于模糊神经网络技术,以模糊自适应学习控制网络为核心构筑了状态监测模型,提出了基于最大权值矩阵的规则提取及基于浮点数编码的遗传算法参数调整方法,分析了推进器及舵的状态监测过程,并基于监测模型探讨了推进器及舵工作状态的评价方法.通过计算机仿真试验,验证了本文所提方法的有效性和监测模型的可行性.     

基于模糊神经网络的水下机器人局部路径规划方法

该文探讨了基于模糊神经网络理论的实时局部路径规划问题,并提出了能实现模糊控制规则的基于强化学习的自学习和自调整的规划算法,设计了水下机器人实时运动规划器结构以及规划器操作过程和相应的算法。仿真实验结果验证了本文所提方法的有效性和可行性。     

自适应卡尔曼滤波技术在水下机器人运动控制中的应用

水下机器人的位置和速度传感器受环境影响较大，数据滤波问题是运动控制的核心问题之一。建立了水下机器人运动的状态方程和量测方程，并在此基础上采用自适应卡尔曼滤波方法对水下机器人的传感器数据进行了滤波分析，并引入渐消记忆指数加权方法，避免了系统误差和量测误差统计特性的不准确对系统滤波效果的影响。结果表明此方法能达到很好的滤波效果。     

考虑海流影响的水下机器人全局路径规划研究

为了适用于大范围海洋环境下须要考虑能量耗尽问题的AUV导航,提出了一种考虑海流影响的水下机器人全局路径规划方法,该方法将海流因素作为GA算法的评价因子,在路径规划的层面上考虑海流的影响;在此基础上对GA算法进行了改进,提出一种GA-PSO混合算法,GA-PSO混合算法比单纯的GA算法具有更快的收敛速度和运行效率。     

水下机器人漏水检测系统研究

叙述了基于PIC单片机的水下机器人漏水检测系统。该系统通过PIC单片机对多路漏水传感器信号进行实时检测与处理，并将结果通过通信实时传送给上位计算机进行决策控制。该系统初步完成研制，已进入系统联调。     

基于神经网络的水下机器人运动预测控制方法

将神经网络和模糊理论应用于水下机器人运动规划和控制中,提出了能实现模拟控制规则的基于强化学习的自学习和自调整的规划算法,设计了水下机器人实时运动规划器结构以及规划器操作过程,提出了基于预测模糊控制进行水下机器人运动控制的方法。在计算机仿真状态下,实现了对水下机器人这一复杂非线性系统的预测控制,仿真实验结果验证了本文所提的方法的有效性。     

局部回归神经网络在水下机器人运动控制中的应用

探讨了水下机器人神经网络运动模型的结构,提出了带有局部回归结构的水下机器人神经网络控制器结构及预测控制的实现方法,给出了该神经网络的教师样本生成方法及学习方法,计算机仿真与水池实验结果验证了本文提出方法的有效性和可行性。     

基于CAN总线的水下机器人分布式控制系统

提出并实现了一种基于CAN总线的水下机器人分布式控制系统。与传统的集中式控制系统相比,分布式控制系统可以很容易地接入功能模块而无须对现有硬件进行重新设计,具有更好的可扩展性;并且各个节点间采用数字信号通讯,具有很强的抗干扰能力。开发了基于工业控制计算机的半实物仿真系统,模拟执行机构节点和传感器的工作,接入已完成的自动驾驶仪节点和数据记录及故障检测节点,对控制系统进行实时仿真测试,测试结果验证了该分布式控制系统设计的可行性。     

基于模糊神经网络的水下机器人推进系统故障诊断

为了解决水下机器人推进系统运行可靠性问题,提出一种基于模糊神经网络的机器人推进系统故障诊断方法,用以解决故障诊断过程中信息的不确定性问题,并提高推进系统的整体可靠性。该方法在常规神经网络基础上,引入模糊推理形成一种新型模糊神经网络结构,提出一种最小调整的模糊神经网络学习率,完成模糊神经网络训练算法的推导。通过对水下机器人实施定速直航与转向等试验完成神经网络的在线训练,利用已完成训练的神经网络对机器人进行运动建模。通过比对神经网络模型估计值与机器人传感器的实测值获取残差信息,并对残差进行故障信息提取以实现故障诊断。将上述方法应用于仿真试验中,结果表明,基于模糊神经网络水下机器人推进系统故障诊断方法具有较高的可行性和有效性。     

一种水下目标识别方法──基于模糊理论的多种神经网络融合分类

在应用多种方法提取目标噪声中分类特征的研究基础上,本文设计出基于模糊理论的多神经网络融合分类器,其研究重点主要包括有监督分类的模糊聚类神经网络分类、多神经网络与模糊综合分析相结合的融合分类。基于大量海试实测信号样本的多组实验表明,该分类方法具有良好的工程应用前景。     

Fuzzy neural network control of underwater vehicles based on desired state programming

1 Introduction1 With the development of the activities in deep sea, the application of underwater vehicle is widespread. However, owing to the nonlinearity and unpredictable operating environment of underwater vehicles, many factors must be taken into con…     

NTSM控制的AUV路径跟踪控制研究

针对非线性欠驱动自治水下机器人（Autonomous underwater vehicle，缩写为AUV），提出了一种基于非奇异终端滑模（Non—singular terminal sliding mode，缩写为NTSM）控制的鲁棒路径跟踪控制方法。在跟踪控制系统中，采用的参考变量为非时间量，摆脱了时间因素的影响，有利于提高AUV在不确定环境中的跟踪能力。应用指数趋近律进行NTSM控制器设计，能保证系统状态在有限时间内到达平衡点。数值仿真结果验证了该控制律的路径跟踪效能。     

基于模糊RBF神经网络的辐射源识别

针对模糊识别系统的不足,为了提高辐射源识别系统的识别正确率,构建了基于模糊RBF神经网络的辐射源识别系统,提出了一种等价型模糊RBF神经网络的结构和学习算法,采用五层神经网络结构来实现模糊系统的模糊化和规则推理,神经网络的所有节点和参数对应了模糊系统的隶属函数和推理过程.在仿真实验中,分别采用模糊识别系统、并联型模糊RBF神经网络、结构等价型模糊RBF神经网络进行辐射源识别,给出了三种算法在相同噪声环境下的仿真结果,表明等价型模糊RBF效神经网络有较高的正确识别率,具有更强的抗干扰能力,但运算量相对较大.     

高阶CMAC神经网络及其在水下机器人运动控制中的应用

对高阶ＣＭＡＣ神经网络的结构和工作原理进行了研究,提出了中间层作用函数地址的计算方法,给出了计算高阶基函数的不同方法,利用高阶ＭＣＡＣ神经网络对水下机器人模糊深度控制器进行了学习,仿真结果显示了不同高阶基函数ＭＣＡＣ网络的不同建模能力,证明了中间层作用函数地址的计算方法正确。     

基于改进BP神经网络的船舶操纵性能预报

以某单桨大型船舶在海上的回转性能为例，探讨了应用改进的BP神经网络（Back-pmpagation Neural Network）建立船舶操纵性预报数学模型的方法，并利用matlab语言对其进行了仿真。研究结果表明，改进的BP算法有更快的收敛速度和更好的计算精度。     

船舶航向跟踪系统自适应单神经网络控制

针对船舶航向非线性系统,考虑模型中存在的不确定性和外部干扰等未知项,设计一种基于动态面控制技术和单神经网络技术的自适应控制器。首先引入一阶低通滤波器,避开对虚拟控制律的解析求导,解决了传统后推方法中普遍存在的"计算膨胀"问题;然后将设计控制器过程中出现的未知部分积存到下一步,依此类推,一直到控制器设计的最后一步,仅用一个神经网络逼近器逼近系统中的未知部分;最后把神经网络权值的范数作为唯一的在线估计参数,使在线学习参数的数目显著减少。所设计的控制算法具有计算量小、结构简单及易于工程实现等特点。采用Lyapunov理论证明了系统中的信号都是半全局一致最终有界,示例仿真结果验证了所提算法的有效性。     

水下拖体和拖缆运动模型研究探讨

水下拖体运动研究是水下拖曳系统研制的重要内容。文章结合工程实际,基于Newton-Euler方法建立了水下拖体的运动模型,基于有限差分法建立了拖缆的运动模型,在此基础上结合拖缆运动的边界条件建立了系统的运动模型,并给出了相应的仿真算例。从仿真结果可以看出,通过该运动模型,可以很好地研究水下拖体受拖船干扰下的运动情况。该模型的建立对水下拖曳系统的研制来说有重大的参考价值。