基于量子神经网络的船舶转向控制

文摘

在海上任务期间,船舶转向控制偏航运动的智能自主的水面舰艇(IASV)是一个非常具有挑战性的任务。摘要量子神经网络(QNN)需要学习能力和学习速率快的优点,提出了反馈控制作为基础层次的模块IASV计划和控制策略。数值模拟表明了QNN转向控制器可以显著提高学习速率的性能与传统的神经网络。此外,数值和实际操舵控制实验的IASV BAICHUAN已经显示出良好的控制性能与常规PID转向控制器,它证实了IASV的QNN转向控制器的可行性计划和控制在未来工程应用。

1。介绍

在过去的十年里,研究智能自动水面舰艇(IASV)技术在学术和海洋产业持续增长。这些发展是受到先进的传感、通信和计算技术的潜在变革性影响汽车海上运输和感知到的社会和经济效益1- - - - - -5]。船IASV计划和控制策略,如图1基于模块化层次结构,将会是一个良好的导航策略。它包括全球路由规划模块、行为决策模块、本地运动规划模块和反馈控制模块。这些模块负责不同的任务特别是反馈控制模块的基础模块作为行动IASV导航过程的一部分。这个模块的主要功能是IASV转向操作维护或改变船舶航向。摘要量子神经网络(QNN)船舶转向控制解决船舶转向控制问题提出了基于IASV计划和控制的概念。

作为一个很好的研究基金会的IASV转向控制问题,许多有效的指导反馈控制方法已被调查。船舶转向控制基于proportional-integral-derivative (PID)策略很简单,很容易构建。然而,传统的PID控制器占用必要的基本作用过程控制,但它不是控制器设计的趋势由于缺少学习和适应能力。此外,所需的控制器参数调整在不同的条件下,它费时又可能实现不准确的控制性能。解决问题和获得更好的性能,各种先进的控制策略提出了近年来船舶转向控制,如自适应操舵控制策略6- - - - - -8)、转向控制策略基于模糊逻辑算法(9,10),转向控制器基于反推控制器设计方法(11- - - - - -13),和自适应反推法(14,15]。鲁棒控制方案如滑模控制方法(16,17),H_∞鲁棒控制算法(18)也使用在船舶转向控制来实现更好的船舶航向保持和改变策略。

自1990年代以来,人工神经网络引入到船转向控制器设计,专家和学者逐渐增加船舶转向控制在这个问题上的研究。威特等人提出了一种PID转向控制器来训练一个神经网络PID控制器的输出信号作为教师信号,仿真结果表明,PID控制器的控制效果和神经网络控制器控制效果基本相同课程(19]。赫恩等人提出了一个在线课程改善传统的神经网络PID控制操舵控制效果,但收敛速度慢的船转向控制器基于神经网络仍然是一个需要解决的大问题(20.]。

为了克服传统神经网络的缺点,一艘船转向控制器的基础上,本文提出了QNN在量子计算的概念(21- - - - - -23]。的概念,首次提出了QNN托斯等人在1996年(24]。然后,松井等人使用一个量子比特的量子旋转门设计QNN信息处理和表达(25]。另一组日本学者Kouda et al .,总结之前的研究,总结了一个新兴的模式,这是一个基于通用量子逻辑门(量子神经元模型26]。2018年,Jeswal和Chakraverty介绍了QNN最新进展,并讨论了QNN[的应用22]。和谢等人一般的量子逻辑门设计量子神经计算的基函数网络和仿真结果表明,QNN优于经典的BP神经网络和径向基函数(RBF)神经网络计算模型在金融数据分析(27]。李,李还指出,基于通用量子门的QNN进化可以改善传统BP神经网络的收敛性能(28]。此外,QNN被应用到签名验证(29日),音频水印(30.),心血管疾病风险预测(31日)、分类识别的电子冲击故障(32),英语,印地语机器翻译(33和其他领域。

出于上述的观察,QNN转向控制器将被应用到IASV转向偏航控制。因此,本文的其余部分组织如下。节2IASV转向的数学模型,偏航运动。部分3致力于一个系统性的QNN转向控制器的设计过程。节4的数值模拟比较QNN转向控制器和常规神经网络转向控制器是首先进行演示的学习收敛速度提出了QNN转向控制器。然后,数字和实际实验智能IASV BAICHUAN显示的可行性QNN转向控制器在实际工程实践中。最后,部分5给出了论文的结论。

2。IASV数学模型

虽然IASV完全描述的数学模型耦合的非线性微分方程,一个简单的模型具有预测能力通常是首选ship-steering自动驾驶仪的设计。潜浮性能一个平面运动包括激增、影响力和偏航运动被认为是令人满意的。然而,辊运动不能忽视由于耦合,因此four-degree-of-freedom平面运动包括飙升,摇摆,偏航和滚动运动是用来描述一艘船的运动。因此,四阶传递函数与舵偏转的偏航率是基于运动的线性化方程派生。然而,一个四阶传递函数进一步减少到野本野本二阶模型,然后一阶模型为便于控制器设计。野本一阶模型偏航率提出了为 在哪里r偏航率,舵偏转,T的时间常数IASV机动性,K被定义为的转向控制增益常数IASV机动性。的参数K和T描述船转向偏航动力学可以从标准操纵测试确认。自的时间导数是偏航角吗 ,传递函数与偏航角转向运动可以通过添加一个积分器(1 / s)的一阶野本模型(1),然后我们可以得到 和相应的微分方程可以表示为

提出的模型(3)修改为包含一个非线性转向条件讨论(6),其中偏航率取而代之的是一个非线性函数 。然后,我们可以得到以下方程: 在哪里

由于船舶的对称结构,参数(34),设置为稳定的船只和−1 + 1不稳定的,而价值 ,被称为Norbin系数(14),可以确定通过船将测试。

3所示。QNN转向控制器设计

在本节中,量子神经网络模型构建了船舶舵机控制器的设计来提高传统神经网络的收敛性能转向控制器。

3.1。量子神经元模型

量子神经元模型的结构基于量子逻辑门被定义为图2,包括输入部分、相位旋转部分聚合,反向旋转部分和输出部分。量子神经网络的工作过程的细节显示为以下步骤:步骤1:让 ,和定义量子位的相位旋转大门 然后,与聚合,我们可以得到 在哪里 。步骤2:方程的结果(7)使受控非门的反向旋转操作门如下: 在哪里乙状结肠函数;然后,我们可以得到 因此,输入和输出之间的关系可以被描述为量子神经元模型

3.2。QNN模型

量子神经元模型,基于量子神经网络的船舶转向控制器设计了如图3。该神经网络三层包括一个输入层、隐藏层和输出层。QNN的概念应用于层输入层和隐层之间;有量子神经元在输入层,量子神经元隐层,传统的输出层神经元。

假设输入变量 ,隐层的输出 ,QNN的输出 , 之间的量子门旋转输入层和隐层更新量子比特,然后呢网络体重隐藏层和输出层。以qubit-controlled非门作为隐层的传递函数,然后QNN的输出可以表示为 在哪里 ; ;和 。

3.3。QNN的学习算法

在实际工程中应用QNN,训练样本应该转换成量子态。例如, - - - - - -维欧几里得空间训练样本可以被定义为相应的量子状态 在哪里

三层的QNN模型中描述的图3,有3组参数,即相位旋转参数 ,改变参数 ,和网络权重需要被更新。首先,定义误差评价函数 在哪里和期望输出和实际输出的归一化量子神经网络,分别。让和 ,然后方程(11)可以写成

让

根据梯度下降法,我们可以得到

因此,相位旋转参数的更新规则 ,反向旋转参数 ,和网络权重是 在哪里QNN的学习速率。

3.4。老师的QNN控制器

在这篇文章中,传统的PID控制器转向控制是充当老师的QNN控制器。PID控制器的输入变量是正偏差 ,的线性组合比例、集成和分化的航向偏差作为PID控制器的输出值。命令转向角可以表示为 在哪里 , ,和比例控制器参数、积分参数和微分参数,分别和采样时间( )。

3.5。QNN转向控制器的设计

在本节中,一个三层2-5-1 QNN模型构建。QNN操舵控制系统的结构如图4。QNN转向控制器的两个输入标题偏差和偏航率 ,分别输出命令转向角 。QNN方向盘控制器输出之间的差异和PID控制器输出的定义是系统错误。系统的均方误差(MSE)被定义为的性能评价函数性能的评价提出了QNN QNN学习性能和优化目标。一般来说,它的值设置为0.00001。激活QNN隐藏层和输出层的函数被定义为双曲正切乙状结肠函数(tan-sigmoid)加速QNN培训和培训过程中收敛性能。梯度下降法和拟牛顿算法(35)是提供给QNN培训和拟牛顿算法的动力参数设置为0.8。QNN权重的初始值是随机生成之间的间隔(−1,1),和学习速率的QNN设置为0.1。

4所示。模拟和分析

在本节中,一系列的模拟被用来说明快速收敛特性和实际工程提出的控制器的有效性。尤其是一个IASV BAICHUAN是用作实际实验验证提出的QNN转向控制器。取 , , ,和二阶野本船的动态参数模型方程(4)IASV BAICHUAN。集 , ,和作为老师的调优参数控制器方程(19)。模拟中,初始的IASV设置为000°和所需的航向角被设置为090°。仿真时间设置为50年代,采样周期设置为0.05秒。从仿真的结果如图5可以看出,PID转向控制器,这是老师的QNN控制器,可以跟踪所需的课程13秒后,结果表明,PID控制器是满意作为一个合适的老师的QNN转向控制器。

来说明我们提出的实际有效性QNN操舵控制系统,如图4QNN转向控制器训练期间,相位旋转参数的值 ,反向旋转参数 ,和网络权重根据方程(将被更新18),使用训练数据集提取PID控制器仿真结果图5。

相比之下,传统的BP神经网络转向控制器也使用相同的训练数据集训练从PID控制中提取结果如图5。强调的优点学习更快的收敛性和更少的迭代,QNN转向控制器和BP神经网络转向控制器是训练有素的8倍,分别,然后每个训练时间如图的时代6。BP神经网络,训练时期的最大数量是9565(第六届培训时间),最低培训时代是4325(第二次培训时间),和的平均数是7022培训时期的8倍。虽然QNN,训练时期的最大数量是4625(第二次培训时间),最低培训时代是1526(4日培训时间),和样本的平均数是3302培训时代的8倍。因此,可以得出结论,QNN转向控制器明显改善收敛速度比传统的BP神经网络转向控制器。

验证培训的有效性QNN转向控制器,一个IASV BAICHUAN QNN操舵控制进行了仿真。权重提取的QNN控制器从第二训练时间和选为的初始权重IASV BAICHUAN QNN转向控制器。详细的在表的值1。然后,仿真结果如图7。

从图可以看出7的QNN转向控制器可以在约13 s轨道所需的课程。控制的结果非常类似于PID控制器。它可以得出结论,提出了QNN转向控制器具有很强的学习能力,可以广泛应用于各个领域。

进一步证实了QNN转向控制器的性能,提出一种IASV BAICHUAN课程保持实际工程进行了实验。在图所示的实验环境8。实验场景的风向是西北(310°-330°),和风速变化从0 - 0.20 m / s。温度大约是8°C。最大的波高是0 - 0.05。最初的课程IASV设置为000°,航向角和所需的设置为090°。还QNN转向控制器的初始参数设置如表1。还PID操舵控制实验进行了比较。PID控制参数的控制器也设置为 , ,和 ,正如上面提到的。采样周期的QNN转向控制器和PID转向控制器设置为0.05 s,分别。最后,实验结果如图9。

图的左边9显示了过程控制效果,右侧显示的输出IASV BAICHUAN转向控制。可以看出的上升时间QNN转向控制器温度略低于PID控制器,但控制器可以快速达到目标课程和他们两人可以达到良好的控制效果。因为它可以看到右边的图9,控制器输出的两个类型转向控制器基本上是相同的和时间达到静态稳定性也相似,但QNN转向控制器的响应也稍微慢(约1秒)比PID控制的控制器。

进一步量化控制器性能,控制器效率(CEF)被定义为函数

然后,我们可以获得的欧共体语言教学大纲的QNN转向控制器是0.323和欧共体语言教学大纲的PID控制的控制器是0.299。因此,结果表明,控制QNN转向控制器的效率可以得到类似的控制效果与PID控制相比IASV课程保持控制器。

备注1。从数值模拟和实际工程实验,可以看出该QNN转向控制器与PID控制相比略有延迟反应控制器,虽然延迟反应现象不明显的数值模拟。的原因造成的延迟反应的现象可能是更大的QNN转向控制器的计算负担。这是一个潜在的QNN的缺点。然而,由于强大的学习能力和快速收敛性能的特点,提出了QNN转向控制器可用于学习其他先进的控制器,不仅限制了PID控制器。因此,拟议的QNN转向控制器可能是一个通用控制器的设计结构和计划未来IASV转向反馈控制模块。

5。结论

摘要QNN转向控制器设计方法提出了基于计划和控制的概念。通过数值模拟转向控制器基于传统BP神经网络和QNN,可以推断,QNN转向控制器具有更快的收敛速度比传统的BP神经网络转向控制器。同时,数值仿真结果表明,该QNN转向控制器也有类似的课程与培训老师PID控制性能比较转向控制器。此外,实际QNN转向控制实验在一个IASV BAICHUAN表明,拟议的QNN转向控制器是可行的,要具备一个实际IASV未来转向偏航控制IASV计划和控制工程。特别是强劲的学习特点和有效收敛QNN转向控制器的性能可能先进IASV转向控制器的发展趋势。然而,QNN转向控制器提出了可能的第一步IASV采用先进的人工智能控制器。此外,提出了QNN控制器结构可以适用于其他海洋控制工程实践。

数据可用性

所有生成的数据或分析在本研究中包括这篇文章。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了国家自然科学基金(51409033和51409033号)和中央大学的基础研究基金(3132019343)。

引用

1. j·e·曼利,“无人地面车辆15年的发展,”海洋学报》魁北克市,页1 - 4,QC,加拿大,2008年9月。视图:出版商的网站|谷歌学术搜索
2. f (g . Zenglu z永生,w . Guofeng”USV信息网络和控制系统的设计,”学报2015年第54仪器和控制工程师学会的年度会议上,日本(马夫)杭州,页1126 - 1131年,中国,2015年7月。视图:出版商的网站|谷歌学术搜索
3. n . h . Tran h . s . Choi j.y.哦,和研究。宋”,动态定位控制系统的设计和实现为USV”AETA 2015。电气工程和相关科学的最新进展施普林格,页633 - 644年,可汗,瑞士,2016。视图:出版商的网站|谷歌学术搜索
4. 依Sarda, i r . Bertaska a .曲和k·d·冯·Ellenrieder“USV位置保持控制器的发展,”海洋学报》2015,页1 - 10,热那亚,意大利,2015年5月。视图:出版商的网站|谷歌学术搜索
5. Couzin拿身份证,j . Krause r·詹姆斯·g·d·鲁克斯顿和n·r·弗兰克斯”集体记忆和空间排序在动物组织中,“理论生物学杂志》上,卷218,不。1、1 - 11,2002页。视图:出版商的网站|谷歌学术搜索
6. j . Van Amerongen”自适应操舵的船模型参考方法,”自动化,20卷,不。1,3 - 14,1984页。视图:出版商的网站|谷歌学术搜索
7. j . Van Amerongen和a·j·Udink十美食,“船舶模型参考自适应蒙特里。”自动化,11卷,不。5,441 - 449年,1975页。视图:出版商的网站|谷歌学术搜索
8. c . y . Tzeng和k·f·林”,适应船舶操舵自动驾驶仪设计与饱和和转换速率限制致动器,”国际期刊的自适应控制和信号处理,14卷,不。4、411 - 426年,2000页。视图:出版商的网站|谷歌学术搜索
9. g . Rigatos和美国Tzafestas船舶操舵的自适应模糊控制问题。”机电一体化,16卷,不。8,479 - 489年,2006页。视图:出版商的网站|谷歌学术搜索
10. y . j .和杨任”,通过小增益自适应模糊鲁棒跟踪控制器的设计方法及其应用,”IEEE模糊系统,11卷,不。6,783 - 795年,2003页。视图:出版商的网站|谷歌学术搜索
11. t . i Fossen和j.p.链,”教程非线性逐步退焊法:应用船舶控制,”建模、识别和控制:挪威研究公告,20卷,不。2、83 - 135年,1999页。视图:出版商的网站|谷歌学术搜索
12. k·d·做,江z . p . j .,“欠驱动船舶全球跟踪在放松的情况下,“IEEE自动控制卷,47号9日,第1536 - 1529页,2002年。视图:出版商的网站|谷歌学术搜索
13. s Das, a . Bhatt, s . e . Talole“乌兰建立船舶自动舵,逐步退焊法设计”《2015年国际工业自动化仪表与控制(ICIC)会议普纳,页417 - 422年,印度,2015年5月。视图:出版商的网站|谷歌学术搜索
14. 郭j . Du c、s . Yu和y赵,“自适应自动驾驶仪设计与完全未知时变不确定船舶控制系数,”IEEE海洋工程》杂志上,32卷,不。2、346 - 352年,2007页。视图:出版商的网站|谷歌学术搜索
15. t . j . Li Li z粉丝,r·布鲁里溃疡,问:李和j·胡,”鲁棒自适应反推设计船舶航向保持控制具有参数不确定性和输入饱和,”学报2011年国际会议上的软计算和模式识别(SoCPaR)大连,页63 - 67年,中国,2011年10月。视图:出版商的网站|谷歌学术搜索
16. e . w . McGookin d . j . Murray-Smith y,和t . i Fossen“船舶转向控制系统使用遗传算法优化,“控制工程实践,8卷,不。4、429 - 443年,2000页。视图:出版商的网站|谷歌学术搜索
17. l .元,H.-s。吴”,终端滑模模糊控制基于多个滑动表面为非线性船舶自动舵系统,”海洋科学与应用杂志》上,9卷,不。4、425 - 430年,2010页。视图:出版商的网站|谷歌学术搜索
18. l .盛y . Ping, l .欣欣,d . Yan-chun”应用H无穷控制船舶操舵系统,”海洋科学与应用杂志》上,5卷,不。1,6尺11寸,2006页。视图:出版商的网站|谷歌学术搜索
19. n·A·j·威特r·萨顿和k·m·米勒”轨道船指导,使神经网络控制器”IFAC诉讼卷,28卷,不。2、385 - 392年,1995页。视图:出版商的网站|谷歌学术搜索
20. g·e·赫恩y张,p . Sen,“另类的设计基于神经网络的蒙特里:比较研究,“IFAC诉讼卷,30卷,不。22日,第88 - 83页,1997年。视图:出版商的网站|谷歌学术搜索
21. r·p·费曼,“量子力学计算机”,物理学的基础,16卷,不。6,507 - 531年,1986页。视图:出版商的网站|谷歌学术搜索
22. s . k . Jeswal和美国Chakraverty”,最近的事态发展和应用在量子神经网络:复习一下,”档案在工程计算方法,26卷,不。4、793 - 807年,2019页。视图:出版商的网站|谷歌学术搜索
23. s . c .谷湖的“量子神经计算”先进的成像和电子物理卷,94年,页259 - 313,爱思唯尔,阿姆斯特丹,荷兰,1995年。视图:谷歌学术搜索
24. g·托斯,c . s .借给,p . d . Tougaw et al .,“量子细胞神经网络,”超晶格和微观结构,20卷,不。4、473 - 478年,1996页。视图:出版商的网站|谷歌学术搜索
25. n .松井m . Takai h .西村,“基于qubitlike神经元网络模型对应于量子电路”日本电子产品和通讯(第三部分:基本电子科学),卷83,不。10日,67 - 73年,2000页。视图:出版商的网站|谷歌学术搜索
26. n Kouda:松井,h .西村,f·佩珀“量子位神经网络及其学习效率,”神经计算和应用,14卷,不。2、114 - 121年,2005页。视图:出版商的网站|谷歌学术搜索
27. g·j·谢、d .周和h .问:粉丝,“一种基于量子门的神经网络模型细胞和它的应用程序,“系统工程理论与实践,25卷,不。5,113 - 117年,2005页。视图:谷歌学术搜索
28. p·c·李,李郑胜耀量子BP神经网络的学习算法和应用基于通用量子门”系统工程与电子技术》杂志上,19卷,不。1,第174 - 167页,2008。视图:出版商的网站|谷歌学术搜索
29. m·j·曹·c·李和h·肖,“量子神经网络应用于PID参数调整,”计算机工程,37卷,不。12日,第189 - 182页,2011年。视图:谷歌学术搜索
30. y张平,l·陈,h·a·郝”新的音频水印算法基于量子神经网络”信号处理卷,29号6,684 - 690年,2013页。视图:谷歌学术搜索
31. n . Renu s Sanjai, g . Achal“心血管风险预测:弗雷明汉的比较研究,基于量子神经网络的方法,”病人的偏好和依从性,10卷,第1270 - 1259页,2016年。视图:出版商的网站|谷歌学术搜索
32. c·h·关,m . Liu李et al .,“分类识别模型基于小波包变换的电击断层和量子神经网络,”中国农业工程学会的事务,34卷,不。5,183 - 190年,2018页。视图:谷歌学术搜索
33. r·纳,美国Chakraverty诉p·辛格(manmohan Singh)“基于量子神经网络的机器翻译为英语,印地语,“应用软计算,38卷,第1075 - 1060页,2016年。视图:出版商的网站|谷歌学术搜索
34. w·关w·曹、j .太阳和z苏,”转向控制器设计基于CSF的智能自主的水面舰艇L2增益鲁棒策略,”IEEE访问7卷,第109989 - 109982页,2019年。视图:出版商的网站|谷歌学术搜索
35. p . x路”,研究BP神经网络算法基于拟牛顿方法,”应用力学和材料卷,686年,第394 - 388页,2014年。视图:出版商的网站|谷歌学术搜索

版权

版权©2019魏关等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。