径向基(RBF)神经网络具有结构简单、全局逼近、快速收敛的特性,在不确定、非线性的船舶运动控制中能得到充分的优势体现。本文研究了RBF神经网络的学习算法,采用一种新的学习方式和新的学习算法,并将RBF神经网络应用于传统PID船舶运动控制中进行参数的动态调整。传统PID控制因其结构简单、效果明显,在各控制领域得到广泛应用。然而,在某些领域中,被控对象模型存在不确定性和来自真实环境的干扰,这在一定程度上降低了PID控制的精度。神经网络对此类非线性、有外加干扰的系统有较好的控制效果。本文介绍了基于RBF神经网络的PID控制方案,通过神经网络对任意非线性逼近的能力来实时调节PID的三个参数,以实现最佳的PID控制,克服因模型的不确定性和外界干扰所产生的影响。通过对船舶航向控制的仿真研究,验证RBF神经网络PID控制的控制效果,仿真结果表明RBF神经网络PID控制能够更精确地实现对船舶航向的自动控制。根据船舶运动的在线特性,本文采用了一种新型RBF神经网络学习算法——动态正交结构适应(Dynamie Orthogonal Strueture Adaptation)算法,并以Mackey-Glass混沌序列验证了其良好的动态特性和鲁棒性。采用滑动窗口的学习方式取代传统的神经网络学习方式,使得基于RBF神经网络PID控制的船舶运动更具有实时性。本文提出一种基于滑动窗口的动态正交RBF神经网络对船舶直线航迹的控制方案,利用MATLAB软件的SIMULINK工具箱建立欠驱动的船舶运动数学模型,进行计算机模拟仿真。仿真实验标明,本方案相比传统PID控制方案拥有较好的鲁棒性。该控制方案可以成为实际控制中可用的方案,为实船应用提供了基础,同时也对航海模拟器的开发有一定的参考价值。