文档介绍：攻读硕士学位研究生论文
开题报告
专业
研究方向
姓名
题目 水面无人艇参数辨识方法研究
课题研究的目的和意义
本论文使用不同的系统辨识技术进行船舶操纵运动数学模型建模和操纵性 预报研究。深入分析水面艇的运动特性，（舵角、螺旋桨转速等控制量）和输出（船 速、回转角速度等运动量），通过系统辨识得到船舶操纵运动数学模型中的水动 力导数。该方法对试验的要求低于约束模试验，而且对于研究限制水域和风、浪 中的操纵性更容易考虑环境因素的影响。采用系统辨识方法求取船舶操纵运动水 动力导数已经有近四十年的历史。近年来，这类方法继续不断得到开发和应用， 充分表明它仍是一种相当有效的求取船舶操纵运动水动力导数的方法。特别是， 在试验测量技术和系统辨识方法不断发展的今天，基于系统辨识的船舶操纵运动 建模方法重新获得了人们的青睐并展现了强大的功能和广阔的应用前景。
在船舶操纵运动建模研究中，传统的系统辨识方法如模型参考法、扩展
Kalma n滤波法、最小二乘法、极大似然法、回归预报误差法等，曾被广泛应用 于船舶操纵运动建模研究。但是这些方法存在一些固有缺陷，如，对研究对象的 数学模型依赖性很大；算法的收敛性和精度对变量估计初值和参数估计初值的依 赖性很大，这些缺陷使得传统的系统辨识方法的进一步发展遇到瓶颈，应用受到 一定的限制。现代人工智能技术如人工神经网络等的出现，为系统辨识提供了新 的手段。人工神经网络方法不依赖于研究对象的数学模型，具有很强的非线性映 射能力，能有效地建立描述船舶操纵运动这一动态系统的输入-输出响应特性的 模型，算法稳定性和精度对变量估计初值和参数估计初值的依赖性小。目前国内 外已有较多应用人工神经网络进行操纵运动建模的研究。但是，由于人工神经网 络算法本身的结构特点使其数学描述难以同操纵运动数学模型相对应，应用人工 神经网络对船舶操纵运动进行机理建模具有一定难度，目前还只是停留在黑箱建 模阶段或是简单的线性水动力模型辨识。此外，人工神经网络方法本身还存在一 些亟待解决的技术问题，如泛化性能不足，局部极值问题和维数灾难问题等。
近十年来，在系统辨识领域出现了一种新的人工智能方法——支持向量机。
该方法于1992年由前苏联数学家Vapnik及其合作者提出，在1995年左右在国际上 兴起研究热潮，2001年左右在国内开始引起关注并在近几年成为众多学科领域的 研究热点。有别于传统统计学的大样本学****SVM研究有限样本情况下的机器 学****规律。其基本思想是进行经验风险最小化时引入
Occam剃刀原则，寻找使得 经验风险最小的最简单函数，以获得学****器的良好泛化性能。
针对不同的研究问题，SVM算法一般可分为两类：一类用于分类问题研究； 另一类则用于回归问题研究。将SVM应用于船舶操纵运动建模，属于回归问题。 SVM最早是针对模式分类和识别问题提出的，随着8不敏感损失函数的引入，已 经能够成功应用于非线性函数的回归估计。该方法应用于系统辨识时，对所有样 本数据一次处理，是一种批处理辨识技术，应用于状态估计包括参数估计时不依 赖于估计初值的设定。
应用于船舶操纵运动建模的系统辨识方法多种多样，也各有优劣，但是不 论采用何种系统辨识方法，它们都有一个共同的理论基础——传统统计学。传统 统计学研究的是样本数目趋于无穷大时的渐近理论，一般的系统辨识方法采用经 验风险最小化准则来建立输入—输出映射关系，理论上获得最优解必须样本数目 无穷大，而事实上，用于系统辨识的样本数目是有限的，因此，对有限样本追求 经验风险最小化容易导致过学****问题，所建立的模型推广性（或称为泛化性）差， 这是传统系统辨识方法以及神经网络都无法有效解决的问题。支持向量的出现从 原理上为该问题的解决提供了有效途径。最小二乘支持向量（LSSVM）作为SVM 的改进型的一种，已经成功地运用于船舶操纵运动建模。然而，船舶操纵水动力 系数是随时间不断变化的变量，而且与船舶所处的海情、船速、载荷有着密切的 联系。
SVM方法同其他系统辨识方法相比，有几个突出的优点。第一，SVM方法 是专门针对有限样本情况的，其目标是得到现有信息下的最优解，而不仅仅是样 本数目趋于无穷大时的最优解；第二，SVM算法最终将转化为一个二次型寻优 问题，从理论上说，得到的将是全局最优点，解决了在神经网络方法中无法避免 的局部极值问题；第三，SVM通过将实际问题通过非线性变换转换到高维空间， 在高维空间中构造线性逼近函数来实现原空间中的非线性逼近函数，特殊性质能 保证学****机有较好的推广能力，同时，引入核函数巧妙的解决了维数灾难问题。 SVM的这几个优点使得它在模式识别、回归分析、函数拟合等方面得到了很好 的应用，业已成为众多领域应用研究的热点。它也可能为船舶操纵运动数学模型 的建