基于支持向量机的船舶操纵运动建模研究

本项目将支持向量机（SVM）应用于船舶操纵运动建模研究。应用SVM，结合自航模试验，对船舶操纵运动进行机理建模，辨识得到操纵运动数学模型中的水动力导数和干扰系数；结合约束模试验，对水动力进行机理建模，应用辨识得到的参数模型进行水动力插值预报，用于指导约束模试验设计；对机理建模中出现的参数漂移提出解决方案；对操纵运动水动力和操纵性进行黑箱建模研究，建立泛化性能良好的不依赖于数学表达式模型的黑箱模型，并开发SVM的在线学习功能，对操纵运动进行实时预报。通过本项目的研究，在基于SVM的船舶操纵运动建模研究方面取得国际领先的学术成果，可为船舶操纵运动建模和操纵性预报提供新的有效手段，为指导船舶操纵性相关自航模和约束模试验的优化设计提供新的思路和方法。本项目的研究还可为今后将该建模方法应用于实船标准操纵试验以分析尺度效应的影响、应用于其他船舶水动力学问题以及其他水面水下海洋运载器的运动建模奠定基础。

应用ε-SVM分析仿真的Z形试验数据，辨识了Abkowitz模型和响应模型的模型参数，并用所建模型预报了Z形试验；通过将模型参数辨识结果及操纵运动预报结果和仿真试验模型参数值及仿真试验结果进行比较，验证了ε-SVM应用于自航模试验分析的可行性。.应用ε-SVM分析约束模试验数据，回归了Abkowitz模型中的水动力表达式，并应用回归结果对水动力进行了预报，预报结果和约束模试验结果的比较验证了ε-SVM应用于约束模试验分析的可行性。.应用小波分析对操纵性试验数据进行消噪预处理，通过向Z形试验仿真数据中添加随机数序列，得到含有野值的数据并应用小波分析对其进行消噪；基于含有野值的数据和经过消噪的数据辨识了响应模型参数，并进行了Z形试验预报；通过将模型参数辨识值及预报结果和仿真试验模型参数值及仿真结果进行比较，验证了小波消噪应用于操纵性试验数据预处理的有效性。.开发了基于切比雪夫正交基的神经网络；以舵角和运动变量为输入，以水动力为输出，应用ε-SVM、经典BP神经网络和切比雪夫神经网络对Abkowitz模型中的非线性函数关系进行了辨识，对水动力进行了预报；预报结果的比较表明ε-SVM的学习性能最优。.在分析自航模试验以对非线性模型辨识时，通过向训练样本对中添加随机数序列，有效地抑制了参数漂移；在分析约束模试验以对非线性模型的水动力表达式回归时，通过对表达式进行等价变换，消除了变量之间的线性相关性，有效地避免了参数漂移。.应用ε-SVM对非线性水动力模型进行黑箱建模，以Z形试验仿真数据为输入，以计算的水动力为输出，对模型中的映射关系进行辨识，并基于辨识结果对水动力进行了预报；同时，基于变Z形试验，应用LS-SVM进行黑箱建模，利用所建模型对不同的变Z形试验及回转试验进行预报，通过预报和试验结果的比较，验证了SVM应用于操纵运动黑箱建模的有效性。.推导了LS-SVM的增量式算法并将其应用于船舶操纵运动在线建模。基于仿真试验对水动力导数进行了在线辨识；基于自航模试验对操纵性指数进行在线辨识，并利用辨识结果对自航模试验进行了预报，通过预报和试验结果的比较，证明了增量式LS-SVM应用于操纵运动在线建模的有效性。.