[发明专利]基于深度置信网络的船舶自动舵

说明书

本发明涉及基于深度置信网络(DBN)的船舶自动舵，包括：微处理器模块、存储器模块、通信模块及人机接口模块；微处理器模块的输入输出端与存储器模块的输出输入端相连；微处理器模块与通信模块的输出输入端相连；微处理器模块与人机接口模块的输出端相连，微处理器模块接收人机接口模块的船员考试数据信息，并根据船员考试数据信息建立深度置信网络模型，再将深度置信网络模型转换成普通神经网络模型，通信模块接收船舶航行环境信息，并将船舶航行环境信息发送到微处理器模块，微处理器模块通过普通神经网络模型对船舶航行环境信息进行计算获得舵角数据。该船舶自动舵能在不同环境下对船舶进行自动驾驶，减轻船员工作量，促进航运业发展。

技术领域

本发明涉及船舶自动控制技术领域，特别涉及基于深度置信网络的船舶自动舵。

背景技术

船舶借助螺旋桨的推力和舵的舵力来改变和保持航速或航向，实现从出发港到目的港的航行计划。随着科技的发展，未来船舶必会朝着结构复杂化，操作自动化的方向发展。而船舶操舵系统是非常重要的控制系统，是用来控制船舶航向的设备，它能克服使船舶偏离预定航向的各种影响，使船舶自动地稳定在预定的航向上运行，因此舵的自动化是实现船舶自动化的关键，其性能直接影响着船舶航行的操纵性、经济性和安全性，因此自动舵技术一直是被当作具有较高经济价值和社会效益的科学技术，自1922年自动舵问世以来，一代又一代的工程技术人员对如何改善该系统的性能不断进行探索和研究。

实践表明，将优良的控制算法应用于船舶自动舵上，可以大幅提高船舶的操纵性能和船舶的反应能力，同时能够有效节省船舶航行所消耗的能源，降低污染物的排放，降低船员工作量，促进航运业的发展。

现有技术中自动舵精度低、适应能力较弱。

发明内容

本发明提供了一种基于深度置信网络的船舶自动舵，解决了或部分解决了现有技术中自动舵精度低、适应能力较弱的技术问题。

本发明提供的基于深度置信网络的船舶自动舵，包括：微处理器模块、存储器模块、通信模块及人机接口模块；

所述微处理器模块的输入输出端与所述存储器模块的输出输入端相连；所述微处理器模块与所述通信模块的输出输入端相连；所述微处理器模块与所述人机接口模块的输出端相连；

所述微处理器模块接收所述人机接口模块的船员考试数据信息，并根据所述船员考试数据信息建立深度置信网络模型，再将所述深度置信网络模型转换成普通神经网络模型；

所述存储器模块存储所述普通神经网络模型；

所述通信模块接收船舶航行环境信息，并将所述船舶航行环境信息发送到所述微处理器模块，所述微处理器模块通过所述普通神经网络模型对所述船舶航行环境信息进行计算获得舵角数据。

作为优选，所述深度置信网络模型包括：一层输入层、四层隐藏层以及一层输出层；

输入层的节点数量为70个，第一隐藏层节点的数量为输入层数量的1/3～2/3，第二隐藏层节点的数量为第一隐藏层数量的1/3～2/3，第三、四层隐藏层节点的数量等于第二、一隐藏层节点的数量，输出节点数量为7。

作为优选，所述船员考试数据信息为高级船员/引航员考试培训系统的信息；

所述船员考试数据信息包括：船舶航行的外部环境、船速和舵角，所述船舶航行的外部环境至少包括：浪、流及天气。

作为优选，根据所述船员考试数据信息建立深度置信网络模型，再将所述深度置信网络模型转换成普通神经网络模型，包括：

采用对比散度算法对组成所述深度置信网络模型的受限波尔兹曼机进行逐层训练，得到所述深度置信网络模型的初始数据；

将所述深度置信网络模型转换为所述普通神经网络模型；