基于神经网络的船舶自动舵控制算法，研究现状如何？

Posted 2021-04-26 中国水运杂志

随着智能化控制算法的不断涌现，船舶自动舵控制系统已经由传统的PID控制算法逐渐向人工智能控制领域不断发展。特别是随着人工神经网络（Neural Networks，NN）技术的不断突破，为船舶自动控制方法提供了坚实的理论基础。   

来自大连海事大学的Xingxing Hu等人在基于PID的自动舵控制算法中加入BP神经网络，在一定程度上实现了智能化参数调整，提高了自动舵的环境适应性；澳洲海事大学的Yuanyuan Wang 等人在Xingxing Huo等人的基础上，提出了基于径向基函数（Radial Basis Function，RBF）神经网络的PID控制算法，从而进一步加快了算法的训练以及学习速度，同时可以高速处理接收到的并行数据；Wang Minghui以及Yanxiang Wu等人在其论文中提出了基于模糊神经网络（Fuzzy NN）的船舶自动舵控制方法。该方法中可以融入人类已知的经验和知识，从而可以进一步提高控制算法的智能水平。同时具备在线学习以及自动参数调整等优势，使得自动舵实用性大为提高；此外，科研人员还针对船舶运动模型进行过自动舵的研究，但由于船舶运动受到环境因素影响较大，因此其实用性大大受限。

现阶段，虽然采用人工神经网络方法来实现船舶自动舵控制系统已取得了一定的成效。但受限于传统神经网络中存在的收敛于局部最小值、梯度扩散以及不适合无标签数据的处理等问题，导致基于神经网络的自动舵算法存在着控制精度不高、环境适应性不强等问题。

深度神经网络（Deep Neural Networks，DNN）模型是对于传统神经网络模型的一种很好的改进与取代，该模型更接近人脑的工作过程，同时更适用于处理类似船舶自动舵控制这样的无标签大数据。2006年，Hinton等人提出一种训练DNN 的方法，称为逐层贪婪算法，开启了学术界和工业界对DNN研究新热潮；还有学者对深度学习进行了较为全面的综述，提出了贪婪逐层预训练学习过程用于初始化深度学习模型的参数，从底层开始训练每层神经网络形成输入的表示，在此之后，堆栈各层神经网络转换为深度监督前馈神经网络，用梯度下降进行微调。 至此，基于DNN的自动舵控制模型理论基础得以建立。

作者通过对相关文献及专利查找发现，现阶段尚未有国内外相关学者进行基于DNN的船舶自动舵控制方法研究。基于以上原因，选取ELAN神经网络以及深度置信网络（Deep Belief Networks，DBN）作为传统神经网络及深度神经网络的代表，分别实现了基于以上模型的船舶自动舵控制算法自动舵控制算法。通过实验，分析比较了不同神经网络模型对自动舵控制系统精度的影响。

想知道作者构建神经网络模型实现数据仿真的全过程吗？点击下方网站搜索《基于神经网络的船舶自动舵控制算法研究与分析》进行了解。

详情请见中国水运杂志官方网站：

http://syzz.zgsyb.com

作者单位： 1.江汉大学数学与计算机科学学院；2.上海海事大学商船学院

整理：汪思婷

责编：周慧

RECOMMEND

推荐阅读