论文部分内容阅读
复杂的海况下,舰船在海浪、海风及其他干扰因素的作用下,将会产生复杂的六自由度摇荡运动,这对舰载机起降、武器控制以及舰员、设备等都会带来不利的影响,在无法有效抑制舰船六自由度运动时,研究舰船极短期预报技术具有重要的现实意义。舰船极短期预报就是利用包括当前数据在内的舰船历史运动数据对未来十几秒或几十秒的甲板运动态势进行预测。常用的舰船极短期预报方法有统计预报法、卷积法、周期图法、功率谱自相关法、卡尔曼(Kalman)滤波法等。上述方法一般需要准确的力学模型以及统计参数,在实时应用中存在一定的困难。本文先后引入基于灰色理论、BP神经网络以及基于粒子群优化的在线序贯极限学习机的预测方法对舰船甲板运动态势进行预测,以实时精确的解决大型舰船甲板态势预测问题。本论文的主要工作有：首先,介绍了舰船甲板运动模型的研究现状以及基于多个正弦波叠加大型舰船甲板运动模型的甲板运动数据生成方法；分析了甲板的六自由度摇荡运动对舰载飞机起降的影响；阐述了甲板摇荡与杆臂效应的耦合过程,以及舰载机起降点处运动数据的生成方法；分析了用于甲板态势预测模型训练的样本准备与序贯更替过程。其次,引入灰色预测方法对甲板运动态势进行预测。分析了经典灰色预测模型GM(1,1)的建模过程,针对GM(1,1)模型自身的固有缺陷,引入了离散灰色预测模型DGM及其改进算法NDGM。基于NDGM预测模型的仿真结果表明,该方法可对标准正弦波进行有效预测,但对基于多个正弦波叠加的甲板运动态势数据预测效果欠佳。接下来,引入神经网络预测方法对甲板运动态势进行预测。介绍了神经网络独特的特点及其在预测领域的发展,分析了最具代表性的前馈神经网络BP模型的算法原理及其改进办法,并详细阐述了基于遗传算法(GA)优化的BP改进模型GA-BP。基于GA-BP预测模型的仿真结果表明,该模型可对本文的舰船甲板运动数据做出满意的预测,但存在训练时间冗长的不足,很难满足甲板态势预测的实时性需求。最后,针对传统神经网络训练时间长的不足,进一步引入了在线极限学习机(ELM)的相关算法对甲板运动态势进行预测。分析了ELM产生的背景、意义及其优势。介绍了传统ELM模型的算法原理,针对传统的ELM无法实现实时数据的分批训练问题,给出了改进算法OS-ELM。针对OS-ELM模型中的参数难以选择问题,引入了PSO算法对其进行参数寻优。基于PSO-OS-ELM预测模型的仿真结果表明,此方法应用于舰船甲板运动态势的预测是行之有效的。