| 【中文题名】 | AUV模糊神经网络控制器优化设计研究 |
| 【英文题名】 | The Research of Optimal Design of Autonomous Underwater Vehicle Fuzzy Neural Network Controller |
| 【学科专业】 | 船舶与海洋结构物设计制造 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-21 |
| 【中关键词】 | 水下机器人,模糊神经网络,遗传算法,免疫算法,PSO算法, |
| 【英关键词】 | Underwater vehicle,fuzzy neural network,genetic algorithm,immune algorithm,PSO algorithm, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化技术及设备>自动化元件、部件>> |
| 【论文摘要】 |
模糊神经网络控制在智能控制领域应用非常普遍，特别适用于那些运动学特性难以进行数学表达的强非线性系统的控制。水下机器人是各个方向运动自由度强耦合的严重非线性系统，其精确的运动方程通常难以获得，因而，模糊神经网络控制是在水下机器人的运动控制中应用相当广泛。但是，其控制规则的获取往往非常困难，需要设计者具有相当丰富的经验知识。
本文在水下机器人六自由度空间运动方程的基础上，结合实际需要，对其进行简化，建立了多功能AUV的四自由度的动力学仿真模型。同时简要介绍了一种针对此模型提出的模糊神经网络控制方法。
针对模糊神经网络控制器控制规则较多，参数手工确定困难的特点，利用智能算法对其规则参数进行自寻优设计。研究了遗传算法、免疫算法和PSO算法的原理及其在工程优化问题中的应用，分别采用遗传算法、免疫遗传算法和PSO算法进行控制器规则参数的自寻优设计。同时，借鉴免疫算法的思想提出了一种HPSO算法用于优化设计。最后，将以上各种算法自寻优设计得到的控制器在AUV仿真平台上进行试验验证。
仿真结果表明，采用智能算法进行AUV模糊神经网络控制器的自寻优设计是可行的。 |
| 【论文题纲】 |
|
摘要 |
5-6 |
|
Abstract |
6-10 |
|
第1章 绪论 |
10-16 |
|
1.1 引言 |
10-11 |
|
1.2 水下机器人简介 |
11-13 |
|
1.2.1 开发水下机器人技术的重要意义 |
12 |
|
1.2.2 智能水下机器人的发展现状 |
12-13 |
|
1.3 水下机器人的运动控制技术综述 |
13-15 |
|
1.4 论文主要内容 |
15 |
|
1.5 本章小结 |
15-16 |
|
第2章 水下机器人运动建模及模糊神经网络控制 |
16-26 |
|
2.1 引言 |
16 |
|
2.2 水下机器人运动建模 |
16-23 |
|
2.2.1 空间操纵运动方程 |
16-21 |
|
2.2.2 水动力系数 |
21 |
|
2.2.3 力和力矩 |
21-23 |
|
2.3 模糊神经网络控制 |
23-25 |
|
2.3.1 模糊神经网络结构 |
23-25 |
|
2.3.2 学习算法 |
25 |
|
2.4 本章小结 |
25-26 |
|
第3章 基于遗传算法的模糊神经网络控制 |
26-45 |
|
3.1 引言 |
26-27 |
|
3.2 遗传算法的基本思想 |
27 |
|
3.3 遗传算法的算法描述 |
27-29 |
|
3.4 遗传算法的基本实现技术 |
29-36 |
|
3.5 仿真试验 |
36-44 |
|
3.5.1 参数编码 |
36-37 |
|
3.5.2 目标函数的选择及适应度换算 |
37 |
|
3.5.3 选择操作 |
37 |
|
3.5.4 交叉操作 |
37-38 |
|
3.5.5 变异操作 |
38 |
|
3.5.6 参数选择 |
38 |
|
3.5.7 基于专家经验的加速策略 |
38-39 |
|
3.5.8 仿真结果及分析 |
39-44 |
|
3.6 本章小结 |
44-45 |
|
第4章 基于免疫算法的模糊神经网络控制 |
45-62 |
|
4.1 自然免疫系统特性 |
45-46 |
|
4.2 算法综述 |
46-48 |
|
4.3 免疫算法的应用 |
48-53 |
|
4.3.1 基于信息熵的免疫算法 |
48-50 |
|
4.3.2 免疫规划 |
50-51 |
|
4.3.3 免疫遗传算法 |
51-53 |
|
4.4 仿真试验 |
53-61 |
|
4.4.1 抗体基因编码 |
53 |
|
4.4.2 抗体适应度函数选择 |
53-54 |
|
4.4.3 抗体浓度的确定 |
54 |
|
4.4.4 抗体的抑制和激励 |
54 |
|
4.4.5 抗体群的遗传更新 |
54-55 |
|
4.4.6 基于专家经验的加速策略 |
55 |
|
4.4.7 仿真结果及分析 |
55-61 |
|
4.5 本章小结 |
61-62 |
|
第5章 基于PSO算法的模糊神经网络控制 |
62-78 |
|
5.1 PSO算法产生的背景 |
62 |
|
5.2 基本PSO原理 |
62-64 |
|
5.3 PSO的特点 |
64 |
|
5.4 基于PSO的仿真试验 |
64-72 |
|
5.4.1 控制器参数编码 |
64-65 |
|
5.4.2 PSO算法参数的选取何维力群初始化 |
65 |
|
5.4.3 粒子目标函数的选择和适应度变换 |
65 |
|
5.4.4 PSO算法流程 |
65-66 |
|
5.4.5 基于专家经验的PSO算法加速策略 |
66 |
|
5.4.6 仿真结果及分析 |
66-72 |
|
5.5 基于混合PSO的仿真试验 |
72-77 |
|
5.5.1 HPSO算法的实现 |
72 |
|
5.5.2 NDW策略的引入 |
72-73 |
|
5.5.3 HPSO算法流程 |
73 |
|
5.5.4 仿真结果及分析 |
73-77 |
|
5.6 本章小结 |
77-78 |
|
结论 |
78-80 |
|
参考文献 |
80-83 |
|
攻读硕士学位期间发表的论文和取得的科研成果 |
83-84 |
|
致谢 |
84 |
|
| 【DOI】 | LunWen.ID:2.2008.388814 |
