面向航海模拟器的船舶操纵运动局部加权学习非参数辨识方法及应用

Ship-handling simulator (SHS) plays an important role in maritime education and the evaluation of port and waterway engineering. Ship maneuvering motion modeling is the cornerstone technology of SHS. Traditional maneuvering identification methods are unsuitable to SHS because of complex operating conditions. This study is oriented towards SHS, and focuses on locally weighted learning (LWL) nonparametric identification method. In consideration of estimation, denoising, smoothing and outlier removal of the database from simulation platform and sea trial, robust weighted Kalman filter and smoother are proposed. The weights and noise covariance are obtained via Expectation Maximization (EM) algorithm. On account of sensitive dependence on initial value, over-fitting or under-fitting, multi-innovation gradient iterative algorithm is presented based on particle swarm optimization. Then, distance measure is ascertained for LWL method. In order to alleviate algorithm complexity and time consumption, locally weighted principal component analysis scheme is put forward. And furthermore, parallel LWL is presented by use of Graphics Processing Unit (GPU). Finally, the proposed identification method is integrated into SHS. The LWL method in our research has only one parameter, and is ready to locate its position, and meets the requirement of fidelity and high real-time performance for SHS. This study can be a novel effective means for the identification of ship maneuvering motion academically, and throw new light on ship motion modeling for SHS in practice.

航海模拟器是航海教育和港航工程评估的重要设备，船舶运动数学模型是航海模拟器的核心技术。传统船舶操纵运动辨识方法无法体现船舶复杂工况的特点，较难应用于航海模拟器。本项目以面向航海模拟器的局部加权学习非参数辨识方法作为研究对象，为了对试验数据进行预估、去噪、去异常值和平滑，设计鲁棒加权卡尔曼滤波和平滑算法，利用EM算法获得权值和噪声方差阵；针对初值依赖、过学习或欠学习问题，设计基于粒子群优化的多新息梯度迭代算法，确定局部加权学习辨识方法中的距离测度；为降低算法复杂度和减少时间开销，设计局部加权主成分分析算法对数据降维，基于图形处理器设计并行局部加权学习辨识算法；并将设计的辨识方法应用于航海模拟器。本项目的辨识方法仅有一个参数且便于选定，满足航海模拟器对船舶运动建模精度和实时性的要求，研究成果在学术上可以为船舶操纵运动辨识提供一种新方法，在应用上能够为航海模拟器船舶运动建模提供一种新策略。

航海模拟器是航海教育和港航工程评估的重要设备，船舶运动数学模型是航海模拟器的核心技术。传统船舶操纵运动辨识方法无法体现船舶复杂工况的特点，较难应用于航海模拟器。.取得了三个方面的研究成果：在提高船舶操纵运动局部加权学习辨识建模精度方面，提出了基于改进遗传寻优的船舶操纵运动局部加权学习辨识建模方法，提出了多新息梯度迭代的船舶操纵运动局部加权学习辨识建模方法，提出了粒子群优化的船舶操纵运动多维局部加权学习辨识建模方法。在降低船舶操纵运动局部加权学习辨识建模实时性方面，提出了网格索引子空间的船舶操纵运动局部加权学习辨识建模方法；提出了局部加权稀疏高斯过程的船舶操纵运动辨识建模方法。在将局部加权学习算法应用于航海模拟器方面，使用C++编写了船舶操纵运动局部加权学习辨识方法；结合航海模拟器实际工作特点，基于OpenMP和CUDA并行运算提高船舶局部加权学习辨识方法的计算效率；所建立的船舶操纵局部加权学习辨识方法可以添加风、浪和流等外界环境因素的影响。.在船舶操纵运动辨识建模精度方面，预测的旋回试验和Z形试验与实际数值相比，精度达到实际的85%以上，满足航海模拟器中对建模精度要求。在船舶操纵运动辨识建模实时性方面，满足航海模拟器每0.1秒解算一次的要求。.在船舶运动建模领域，为传统的船舶运动建模方法之外，提供了一种新型的非参数方法，该方法具有参数少、易于调参和精度较高的特点。在机器学习领域，为传统的局部加权学习算法提供了确定距离测度数值的新方法，为降低局部加权学习算法的复杂度提供了新思路。