一种船舶推力分配策略的研究与实现

实现船舶快速动力定位,快速高效的推力分配是一个不可忽视的技术难题.一种船舶推力分配策略的研究与实现主要针对可调节的带方向角约束的多推进器推进角度计算问题和各推进器推力幅值分配问题,即带约束的多参数快速最优解的求解问题.以先分配推进器推进角为原则,再采用伪逆算法分配推进器推力,实现推进器能耗最小.实验结果表明,该分配策略可以有效避免相邻近的推进器之间推力衰减,解决其他算法中的多奇异值问题和多次迭代计算问题,并克服其收敛时间长的缺点,实现推力分配计算的快速性、稳定性、高效性.该算法简单可靠,易于在船舶上实现,因此更适用于船舶的高速定位.     

小波核极限学习机及其在醋酸精馏软测量建模中的应用

传统的机器学习算法一般通过迭代进行参数寻优,导致学习速度慢,且容易陷入局部最小值。针对这个问题,提出了一种基于小波核函数的极限学习机(KEML)的软测量建模方法,将支持向量机(SVM)中核函数的思想运用到极限学习机(EML)中,避免了SVM训练速度慢以及ELM算法不稳定的缺点。将KEML算法运用于醋酸精馏的软测量建模问题中,仿真实验结果验证了该算法的学习速度是SVM的92倍,且算法的精度以及模型的泛化能力都有所提高。     

截断重分配组合偏置推力分配算法

针对海洋环境力较小,但方向大角度频繁变化,动力定位船舶控制系统要求推进器发出较小推力,甚至零推力的特殊工况,为了实现推力分配在实际中的应用,在组合偏置推力分配算法的基础上,提出了截断重分配的策略,设计了一种截断重分配组合偏置推力分配算法．该算法的仿真结果与原算法的比较,表明了其能够在不影响控制力分配的条件下,调整各推进器的推力方向,避免推进器的推力方向处于禁区角区域以及推进器进行小角度频繁变化,并通过模型实验验证了该算法在实际工程应用中能够避免推进器的推力损失,减少推进器小角度频繁转动导致的机械磨损和能量消耗．     

基于NSGA-Ⅱ的DP船舶推力分配方法研究

针对动力定位(DP)船舶的推力分配问题,首先建立了关于推进器能耗、磨损以及推力误差的多目标优化目标函数,然后通过分析推力禁区、死区、饱和、推力变化率和方位角变化速率等约束条件,给出了多目标优化问题的约束不等式,最后利用改进的非支配排序遗传算法(NSGA-Ⅱ)对所提出的推力分配多目标优化问题进行了仿真验证.仿真结果表明:采用NSGA-Ⅱ算法进行推力分配可以有效降低推进器的能耗,在工程应用方面具有一定的可行性.     

集成Dropout极限学习机数据分类方法

极限学习机(Extreme Learning Machine,ELM)是一种速度快,泛化能力强的训练单隐含层前馈神经网络(Single-hidden Layer Feed-forward Neural-network,SLFN)的算法.但是在应用ELM解决实际问题时,需要先确定合适的SLFN结构.然而,对于给定的问题,确定合适的SLFN结构是非常困难的.针对这一问题,本文提出了一种集成学习方法.用该方法解决问题时,不需要事先确定SLFN的结构.提出的方法包括3步:(1)初始化一个比较大的SLFN;(2)用ELM重复训练若干个Dropout掉若干个隐含层结点的SLFNs;(3)用多数投票法集成训练好的SLFNs,并对测试样例进行分类.在10个数据集上进行了实验,比较了本文提出的方法和传统的极限学习机方法.实验结果表明,本文提出的方法在分类性能上优于传统的极限学习机算法.     

彩色图像分割的FCM预分类核极限学习机方法

在研究聚类算法与极限学习机的基础上实现了一种具有模糊C均值聚类算法(FCM)预分类的核极限学习机(KELM)及其在彩色图像分割中的应用.该算法采用模糊C均值聚类算法预分类训练样本,再提取其图像特征作为特征属性对核极限学习机进行训练产生分类器,进而对彩色图像进行分割.经实验验证,该算法分割彩色图像在分割速度和精度上优于FCM预分类的BP人工神经网络以及FCM预分类的支持向量机,是一种高效的彩色图像分割算方法.     

基于状态转移算法的极限学习机

目前极限学习机在训练模型时存在占用计算资源多和模型精度低等问题.为了解决上述问题,提出了一种基于状态转移算法的极限学习机,可提升算法计算效率和模型精度.利用状态转移算法的全局搜索特性求解线性方程组,得到极限学习机的输出权重矩阵,进而完成建模.在分类和回归数据集上与极限学习机和其他主流算法进行对比,所提方法可以利用较少的隐藏层节点得到高精度的模型,同时具有更好的学习准确率.这种高性能的建模方式弥补了极限学习机的不足.     

能量最优组合偏置推力分配算法

针对海洋环境力较小、方向频繁地大角度变化,动力定位船舶控制系统要求推进器发出较小推力,甚至零推力的特殊工况,为实现控制力成功分配的目的,采用组合偏置的思想,考虑了组合偏置的推进器数量、组合形式和偏置量等多方面影响因素,基于功耗最小的目的,设计了一种能量最优组合偏置推力分配算法.仿真结果验证了该算法能够实现控制力的分配.与现有其他算法对比表明,该算法能够有效地减少功耗,实现能量最优的目的.     

短期负荷预测的集成改进极端学习机方法

首次将极端学习机(ELM)理论引入短期负荷预测领域,并以BFGS拟牛顿法对ELM网络左侧权值进行优化训练调整,形成基于迭代-解析的改进ELM预测模型.同时,采用集成技术Boosting算法,生成多个差异度大的改进ELM子网络,对其进行加权组合,构建了集成改进极端学习机预测模型.该模型不仅有效避免了极端学习机左侧权值随机给定的输出稳定性问题,而且克服了单一网络预测模型泛化能力较差等缺陷.     

改进的核极限学习机定位算法

针对神经网络无线定位方法,存在训练耗时长,定位结果易受噪声干扰的问题,提出了一种改进的核极限学习机无线定位算法。采取在同一位置进行多次测量的方法得到训练数据;把同一位置测得的数据划分为一个样本子空间并提取样本子空间的特征,以样本子空间的特征代替原来的训练数据;利用矩阵近似及矩阵扩展的相关理论改进核极限学习机算法;将处理过的训练数据利用改进的核极限学习机进行训练,得到定位预测模型。仿真结果表明,在相同数据集下,改进的核极限学习机训练用时短、定位速度快;在相同噪声干扰情况下,此算法定位预测误差小。经验证,该算法不但能提高网络的训练速度、定位速度,还能有效地降低噪声的干扰,提高定位精度。