水下潜器运动机理模型与递归神经网络并行建模方法

摘要

本发明提供的是一种水下潜器运动机理模型与递归神经网络并行建模方法。被辨识对象的输出与机理模型输出之差用于修正RFNN的参数，RFNN模型与被辨识对象串并连接，RFNN模型在接收对象的输入信号的同时，对象上一时刻的输出也反馈到RFNN的输入端。本发明采用了串并模型作为辨识模型。串并模型在某一时刻的输出依赖于系统在此时刻以前的输入和输出，对于双输入双输出(BIBO)系统，神经网络的输入信号及在辨识中用到的其它信号均有界，这就能够保证整个辨识结构的稳定性，并使模型输出逼近期望值。

主权项

1、一种水下潜器运动机理模型与递归神经网络并行建模方法，其特征是：被辨识对象的输出与机理模型输出之差用于修正RFNN的参数，RFNN模型与被辨识对象串并连接，RFNN模型在接收对象的输入信号的同时，对象上一时刻的输出也反馈到RFNN的输入端；其中：1)水下潜器和水下潜器运动机理模型的输入量为u＝[δr δb δs V ΔP MP]T，其中δr为方向舵舵角、δb为围壳舵舵角、δs为尾升降舵舵角、V是航速、ΔP是水下潜器的剩余静载、MP是由水下潜器的剩余静载引起的静载力矩；2)水下潜器和水下潜器运动机理模型的输出量之差为y＝[u v w p q r]T，u为纵向速度、v为横向速度、w为垂向速度，p、q、r分别为绕ox、oy、oz轴的角速度。3)递归模糊神经网络和辨识对象采用串并结构，向量u和y组成一个列向量，就是RFNN辨识模型的输入向量：x＝[δr δb δs V ΔP MP u v w p q r]T；4)整个RFNN辨识模型由6个子网络RFNN1～RFNN6构成，每个子网络的输入都为x；每个子网络各有一个输出，即每个被辨识的变量对应一个子网络；5)每个子网络的隐层节点根据所辨识的变量可以调整到最佳。