由于船舶的吃水、装载量、船体污底等变化较大,天气、海况的变化难以预料和测量,以上这些干扰信号不能直接用于控制,目前的远洋船上多采用降低灵敏度的方法对其进行补偿.船舶运动控制具有较强的非线性、不确定性、大惯性、大滞后和慢时变特性,加上在航行过程中存在的干扰和噪声,使得航迹控制变得非常复杂,运用常规的PID算法难以达到期望的控制效果,它不可能根据船舶动态特性和海况变化实现其参数的自动整定,总是偏离其最佳工作状态。船舶航行控制过程中所需要的全部信息都已包含在输入/输出的数据之中,从船舶航迹、航向、航速、舵角及偏差等的变化特性及其历史数据所反映的变化趋势上,通过卡尔曼滤波和船舶运动特征值的提取建立船舶的预报模型。本文利用自适应神经网络MFA的优点及其自学习、抗滞后的功能,减少航迹波动幅度和次数,降低船舶营运成本,提高经济效益。