-
Patent Agency Ranking
公开(公告)号：CN110727274B
公开(公告)日：2022-09-02
申请号：CN201911136383.4
申请日：2019-11-19
Applicant: 大连海事大学
IPC: G05D1/02
Abstract: 本发明提供一种基于无人船系统的带有避碰且保持连通性的编队控制方法，由于多个无人船系统具有复杂的耦合和不确定的非线性动态特性，使得具有避碰和保持连通性的分布式编队控制难以实现。采用坐标变换方法解决无人船的复杂耦合问题同时结合神经网络的方法解决无人船系统的未知非线性动态。对于多个无人船的分布式编队控制，由于避免碰撞而导致的无人船之间分离距离过大，其将对连通性维护产生负面影响，该方法将吸引势函数和排斥势函数集成到领导者‑跟随者队形框架中，可以有效地解决该问题。根据图论、矩阵论和Lyapunov稳定性理论，该方法可以同时实现多个无人船编队控制、避碰和连通性维护三个控制目标。
-
公开(公告)号：CN110727274A
公开(公告)日：2020-01-24
申请号：CN201911136383.4
申请日：2019-11-19
Applicant: 大连海事大学
IPC: G05D1/02
Abstract: 本发明提供一种基于无人船系统的带有避碰且保持连通性的编队控制方法，由于多个无人船系统具有复杂的耦合和不确定的非线性动态特性，使得具有避碰和保持连通性的分布式编队控制难以实现。采用坐标变换方法解决无人船的复杂耦合问题同时结合神经网络的方法解决无人船系统的未知非线性动态。对于多个无人船的分布式编队控制，由于避免碰撞而导致的无人船之间分离距离过大，其将对连通性维护产生负面影响，该方法将吸引势函数和排斥势函数集成到领导者-跟随者队形框架中，可以有效地解决该问题。根据图论、矩阵论和Lyapunov稳定性理论，该方法可以同时实现多个无人船编队控制、避碰和连通性维护三个控制目标。
-
公开(公告)号：CN109884886B
公开(公告)日：2021-09-28
申请号：CN201910252022.X
申请日：2019-03-29
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于宽度学习的船舶运动无模型自适应最优控制方法，包括以下步骤：S1:建立包含输入层和输出层的宽度学习模型，S2:根据控制目标构建船舶航向的最优控制目标函数；S3:根据被控船舶当前状态利用训练好的宽度学习模型获得船舶下一时刻航行状态的估计；S4:构建评价网和执行网的三层BP神经网络结构；S5:利用评价网权值更新公式进行权值更新；S6：利用执行网权值更新公式更新执行网的连接权重从而获得船舶当前时刻控制率S7：将更新后的船舶状态与当前控制率输入到宽度学习模型中重复S3‑S7，在此过程中评价网和执行网权值收敛得到船舶航向的近似最优控制。
-
公开(公告)号：CN111353655A
公开(公告)日：2020-06-30
申请号：CN202010177916.X
申请日：2020-03-13
Applicant: 大连海事大学
Abstract: 本发明公开了一种应用宽度学习系统且考虑多种影响因素的港口吞吐量预测方法，包括：把港口吞吐量数据通过特征映射算法进行特征提取、将提取的特征作为特征层，将第二产业投资和第三产业投资作为输入特征、同季吞吐量作为标签输入至宽度学习系统中，将一段时间内的吞吐量数据和其影响因素输入至宽度学习系统中预测下一阶段的吞吐量数据；将一段时间内的季度吞吐量数据和对应同季度的第二产业、第三产业投资数据分别建立一元线性回归模型；再将同一段时间内季度吞吐量数据和对应同季度的第二产业、第三产业投资数据建立多元线性回归模型、从而预测下一阶段的吞吐量数据。
-
公开(公告)号：CN109884886A
公开(公告)日：2019-06-14
申请号：CN201910252022.X
申请日：2019-03-29
Applicant: 大连海事大学
Abstract: 本发明公开了一种基于宽度学习的船舶运动无模型自适应最优控制方法，包括以下步骤：S1:建立包含输入层和输出层的宽度学习模型，S2:根据控制目标构建船舶航向的最优控制目标函数；S3:根据被控船舶当前状态利用训练好的宽度学习模型获得船舶下一时刻航行状态的估计；S4:构建评价网和执行网的三层BP神经网络结构；S5:利用评价网权值更新公式进行权值更新；S6：利用执行网权值更新公式更新执行网的连接权重从而获得船舶当前时刻控制率S7：将更新后的船舶状态与当前控制率输入到宽度学习模型中重复S3-S7，在此过程中评价网和执行网权值收敛得到船舶航向的近似最优控制。
-
-
-
-
Search Results
5
records
(took 0.016 seconds)
