一种基于广义自组织神经网络的船舶领域模型的修正方法

摘要

本发明提出了一种基于广义在线自组织神经网络的船舶领域模型的辨识方法，具有如下步骤：选定船舶安全区域模型，确定该模型的函数、输入变量和期望输出值；建立包含输入层、隶属函数层、T-范数层和输出层的动态模糊神经网络；使用包含所述模型的输入变量和输出值的训练数据集，对所述动态模糊神经网络进行训练直至达到精度要求；将两艘对应船舶的航行参数，作为输入变量输入训练完毕后的船舶安全区域模型，得到两艘船舶的船舶安全区域。由于采用了上述技术方案，相对与传统的船舶领域模型，经过本发明修正的安全模型，具有更好的精度，安全性也更高。

主权项

一种基于广义在线自组织模糊神经网络的船舶领域避碰模型的辨识方法，具有如下步骤：—选定船舶安全区域模型，确定该模型的函数、输入变量和期望输出值；—建立包含输入层、隶属函数层、T‑范数层和输出层的动态模糊神经网络；—使用包含所述模型的输入变量和输出值的训练数据集，对所述动态模糊神经网络进行训练直至达到精度要求；—将本船的航行参数，作为输入变量输入训练完毕后的船舶安全区域模型，得到本船的船舶安全区域；所述船舶安全区域模型为横截面积模型：该模型近似由前后两个半椭圆拼合而成，该模型的函数如下式所示：$\left\{\begin{array}{c}{R}_{bf}=L+(1+s)T_{90}U\\ R_{ba}=L+T_{90}U\\ S_b=B+(1+t)T_{90}{D}_T\end{array}\right.$其中，R_bf、R_ba和S_b分别代表区域的前、后椭圆的半径和横截半径；L、B、U分别代表船舶的长、宽和速度，T₉₀为船舶转向90度所需的时间、D_T为回转直径、s与t为环境参数；输入变量为：P^k＝[L^k，B^k，U₁^k，U₂^k，α^k]，期望输出为：k＝1，2.....n，L^k代表船长、B^k代表船宽、U₁^k表示本船的速度，U₂^k代表目标船船速；α^k代表两船夹角。