[发明专利]一种基于模糊支持向量机算法的无人艇运动控制方法

说明书

本发明公开了一种基于模糊支持向量机算法的无人艇运动控制方法，属于运动控制技术领域，首先采集无人艇航行的数据和外部环境数据，划分为训练数据和测试数据进行预处理，对预处理结果查找分隔阈值。然后判断训练数据量是否大于等于阈值，如果是，对训练数据采用粒子群算法，否则采用网格搜索算法，得到最优配置参数进行验证和简化。输入预处理后的测试数据，若其线性可分，带入模糊支持向量机得到最优决策面；若线性不可分，将数据映射到高维空间，然后训练得到最优决策面。将船体的环境干扰力数据划分为训练数据和测试数据，得到最优模糊支持向量机的输出补偿到运动环境中。本发明提高无人艇运动效果，有效减少由于环境干扰所产生的偏差。

技术领域

本发明属于运动控制技术领域，涉及无人艇的航速航向控制，特别涉及一种基于模糊支持向量机的无人艇运动控制方法。

背景技术

无人艇是一种具有自主航行能力的水面无人运载平台，最早应用于二战期间，最初的设计目的是在近海区域进行排雷或扫除障碍物，然而由于受到技术的限制，在随后几十年一直没有取得显著的发展。随着高新科技的飞速发展，无人艇也随之受到了重视：由于其体积小、反应快、灵敏度高，且能高效地完成较为复杂的任务，因而在民用、军事作战等方面具有重要的应用价值。目前，对于无人艇运动控制的研究已有不少学者发表了相关文献，主要的研究方法包括：经典的PID以及改进PID控制、模糊控制以及神经网络控制等。

经典PID以及改进PID控制是根据无人艇的控制偏差作为输入，经过比例、积分和微分环节消除误差的方法。其优点主要在于不需要精确的被控对象模型，原理简答、使用方便、适应性强和鲁棒性好等。缺点就是主要适用于简单的被控对象，对于复杂的、具有大滞后、大惯性的对象效果不好。如Bibuli M发表的《Path-following algorithms andexperiments for an unmanned surface vehicle》讨论了基于航向运动数学模型的控制设计方法，利用I-PD控制器和Kalman滤波器运动控制器，并进行实验取得较好的控制效果。

模糊控制是将无人艇运动的偏差和偏差率作为系统输入，经过模糊化、模糊规则的运行，最后解模糊输出的过程。模糊控制具有许多传统控制方法无法比拟的优点。如文献1：哈尔滨工程大学硕士论文2013年3月，董早鹏的《无人艇运动模糊控制技术研究》论文中使用了Mamdani和Takagi-Sugeno模糊控制技术来对无人艇的航速航向进行控制，其具有不需要精确数学模型、鲁棒性强、速度快等优点。但是，在建立模糊规则的时候，如果不具备相关领域的知识，建立的模糊规则往往收敛效果不好，这样对于方案的通用性较差，系统调试难度增加。所以模糊规则建立这块需要采用更为智能的算法，如神经网络和支持向量机。

神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法模型。它通过调整内部大量节点之间相互连接的关系，从而达到信息处理的目的。因此从模糊控制中将模糊化的数据放入神经网络，通过自我学习就可以得到相关模型，用此模型取代模糊规则，这样就不用依赖专家经验知识了。孙巧梅的《无人艇建模及逻辑网络自适应控制方法研究》论文(大连海事大学博士论文2013年6月)中使用了模糊神经网络的方法对无人艇的运动进行控制，根据两者所具有的优缺点进行互补，扩宽了神经网络的信息处理范围和能力，同时也使模糊规则的自动提取和隶属函数的自动生成有可能得到解决。但是神经网络在训练模型时，存在着需要数据量大，容易过拟合以及难以解释相关模型实现等缺点，所以选择实现方法更好的支持向量机来进行无人艇的运动控制。

支持向量机算法是建立一个最优决策超平面，使得该平面两侧距离该平面最近的两类样本之间的距离最大化，从而对分类问题提供良好的泛化能力。孙宗海的《支持向量机及其在控制中的应用研究》论文(浙江大学2003年8月)中使用了模糊最小二乘支持向量机的方法，将模糊化的数据放入支持向量机的网络进行学习，输出相关控制曲线。该方法很好的拟合了所需要相关曲线特性，但是在支持向量机最优参数选定上，更多的是凭借经验或者全局搜索的方式，使得在大量数据的情况下，模型训练较慢。另外，采用最小二乘的支持向量机，虽然在计算量上减小了，但是在预测精度上有所欠缺，这对于执行本身滞后的系统来说，存在一定的问题。