一、船舶横向受扰力的周期图建模预测（论文文献综述）
张彪[1]（2020）在《船舶运动姿态估计与预报方法研究》文中认为船舶行业的蓬勃发展和海上贸易的持续扩张,让船舶研究成为学术界的研究热点。其中,关于船舶摇荡运动的研究备受瞩目。激烈的船舶摇荡运动会严重影响船员的舒适感和船舶的安全性,甚至可能导致翻船。这些安全隐患一旦爆发,往往会造成无法估量的损失。因此,对船舶摇荡姿态进行有效准确的估计和预报已成为一个重要的课题。本论文具体研究内容包括以下几方面:首先,为了更加真实有效地描述船舶运动特性,对船舶运动数学模型、船舶舵机模型进行了理论性分析,建立了一个能有效反映船舶实际运动情况的六自由度非线性数学模型,并推导建立了船舶平面运动数学模型。同时,分析建立了海洋环境扰动模型,包括海浪干扰力和干扰力矩、海风以及海流模型。并根据长峰波随机海浪理论对海浪在三种不同情况下的纵荡力、横荡力和艏摇力矩进行了仿真分析。然后,针对船舶运动姿态系统量测值异常突变的问题,提出了基于改进无迹卡尔曼滤波（Modified Unscented Kalman Filter,MUKF）的船舶运动滤波方法。设计了基于量测残差统计信息的异常值检测函数,用以判断系统的量测值是否异常;再根据量测残差协方差修正无迹卡尔曼滤波器增益,并设计了船舶运动非线性滤波器,降低了量测值异常对船舶运动姿态系统的影响,使船舶运动姿态的估计具有更准确的精度及更好的时效性。其次,在船舶运动姿态的六个自由度中,横摇运动、纵摇运动和升沉运动很大程度上决定了船舶的适航性,因此,对这三个自由度上运动的极短期预报进行了重点研究。深入分析长短期记忆（Long Short-Term Memory,LSTM）神经网络模型,提出了基于粒子群优化（Particle Swarm Optimization,PSO）LSTM的船舶运动姿态极短期预报模型;针对PSO中粒子容易向自身局部最优位置聚集,并陷入局部极值的问题,提出了一种多层异质粒子群（Multi-layer Heterogeneous Particle Swarm Optimization,MHPSO）算法,通过建立粒子行为池,让早熟粒子进行行为随机选择,增强了算法运行过程中粒子与粒子之间的信息交互能力,提升了算法的寻优能力。再次,根据实际船舶运动中存在非平稳的特性,设计了基于经验模态分解（Empirical Mode Decomposition,EMD）与改进LSTM组合的船舶运动姿态极短期预报模型。通过经验模态分解,可得到有限个独立的、能够突出原始数据不同局部特征信息的本征模态函数（Intrinsic Mode Function,IMF）,针对每个IMF分量,建立改进LSTM神经网络预报模型,再对各个预报分量的结果进行求和,并输出最终的预报结果,提高了预报精度。最后,研究了船舶运动姿态的在线建模递推预报方法。船舶运动是一个随时间不断变化的动态过程,在预报过程中,不断有新的数据产生,较旧的样本与当前及未来的运动特征相关性会越来越小,而较新的样本与其相关性较大。由于采用离线训练方式的预报模型在训练时并没有考虑样本的动态特性,导致长时间的预报精度下降且实时性较差,因此,针对该问题,提出快速稀疏最小二乘支持向量机（Fast Sparse Approximation Least Squares Support Vector Machine,FSALS-SVM）与双向长短期记忆（Bidirectional Long Short-Term Memory,Bi LSTM）神经网络相结合的在线建模递推预报模型（FSALS-SVM-Bi LSTM）。利用Bi LSTM神经网络对样本数据进行训练,得到训练残差;通过FSALS-SVM算法对训练残差进行建模和预报;并采用误差补偿机制自动更新Bi LSTM模型的参数,对船舶运动姿态进行实时预报。这种建模方法可在运动过程的不同变化时段调整预报模型的表达式,具有一定的自适应调节能力。
夏雨[2]（2019）在《船舶运动模拟器动力学建模与动感模拟算法研究》文中认为船舶运动模拟器的使用对驾驶人员熟悉船舶操作,进行驾驶模拟训练有着极大的便利,以此训练船员的操纵技能,锻炼其在不同海况下的应急能力,来尽可能的避免因人为错误操作导致的船舶失事。模拟器的核心一是建立船舶在海洋航行下的运动数学模型,二是实现可视化视景系统,三是模拟驾驶舱。对船舶运动模拟器的研究具有工程和实际应用意义。基于MMG分离型建模的思想,将船体看作刚体建立船舶在风浪中的六自由度运动数学模型。MMG模型在计算船舶受到的流体动力时分别建立船体、桨、舵上的流体动力模型并考虑相互之间存在的耦合。对环境干扰力的计算,将海面上随机风简化为定常风,给出了风干扰力数学模型,根据Froude-Krylov假设,并利用箱型船将船舶外形简化为正六面体,建立了规则波中波浪干扰力数学模型。以建立的运动仿真数学模型为基础,进行旋回实验得到船舶在静水中的回转轨迹,进行Z型操纵实验来验证船舶的操纵性能。将仿真结果与自航模试验结果进行对比,参照对船舶操作性回转能力要求和船舶偏航纠正和航向稳定能力要求,验证了所建立的运动数学模型的合理性。对船舶在不同等级海况下的直航与回转运动进行了操纵仿真试验,分析影响船舶在风浪中运动时回转轨迹及摇荡运动的因素。设计用于运动模拟器的运动洗出算法,利用人体前庭感觉器官的特性,综合考虑平台运动空间与人体感觉到的加速度信号误差,确定洗出算法中的滤波器参数。最后添加音效模拟系统、模拟操纵控制设备与运动系统等各分系统完成了模拟器总体设计,在模拟器上实现了船舶在风浪中的六自由度运动模拟,满足模拟器可以改变船舶主机转速,改变模拟环境中风浪等级等功能需求。
刘世林[3]（2019）在《船舶运动姿态短时高精度预测方法研究》文中研究表明船舶在海上航行时受到海风、海浪以及洋流等不确定性海况的影响,不可避免会产生存在相互耦合作用的六自由度摇荡运动,对船舶在海上的航行和作业产生很大的安全隐患,其中横摇和纵摇运动的影响尤为严重。因此,如果能预测船舶在未来短时间内（几秒或者十几秒）的运动姿态,将极大地提高船舶海上作业的安全性和稳定性。本文在对船舶运动进行建模和分析的基础上,以横摇和纵摇运动为研究对象,深入研究目前所广泛应用的船舶运动姿态经典预测算法,并在此基础上,提出建立一种EEMD-IPSO-SORR组合预测模型实现对船舶运动姿态的短时高精度预测。论文首先对船舶运动进行建模分析,其中详细介绍船舶的六自由度摇荡运动,对船舶横向运动和纵向运动进行深入研究,得到船舶横向运动状态方程和纵向运动状态方程;详细分析了随机海浪的扰动特性,并对海浪谱进行分解,建立海浪波倾角模型,从而对随机海浪扰动信号进行仿真分析;在此基础上,实现对船舶横向运动和纵向运动的仿真分析。其次,对船舶运动姿态经典预测算法进行研究,其中重点介绍了自回归（AR）和卡尔曼滤波（Kalman）两种预测算法的基本原理。详细介绍自回归理论以及模型的参数估计方法和定阶准则,并选用递推最小二乘参数估计方法建立递推预测模型实现对船舶运动姿态的预测仿真;详细介绍卡尔曼滤波理论,针对系统存在的有色噪声,对其进行白化处理,然后代入到卡尔曼滤波算法中使得状态方程的维数得到扩大,即扩展卡尔曼滤波算法,并基于扩展卡尔曼滤波算法对船舶运动姿态进行预测仿真。由于船舶运动姿态存在非线性和非平稳性特征,论文建立了基于集合经验模态分解和支持向量机回归的组合预测模型——EEMD-SVR进行预测分析。其中利用经验模态分解算法对原始时间序列数据进行平稳化处理,并针对标准经验模态分解存在的不足,提出一种集合经验模态分解（EEMD）的改进方法;对分解后的分量分别使用支持向量机回归（SVR）预测算法进行分类预测,最后将预测结果加权求和得到最终船舶运动姿态预测值。最后,基于前文构建的EEMD-SVR组合预测模型,采用改进的粒子群算法（IPSO）对参数进行寻优处理,同时提出一种改进的支持向量机回归算法,即连续过松弛支持向量机回归算法（SORR）,与EEMD分解方法组合得到一种新的船舶运动姿态预测方法,即EEMD-IPSO-SORR组合预测模型。论文通过采用实测的某型船舶在三级和五级海况下的横摇和纵摇运动姿态数据进行仿真实验,其中针对不同的训练长度和预测长度,分别使用AR预测模型、SVR预测模型、EEMD-SVR组合预测模型以及EEMD-IPSO-SORR组合预测模型进行预测仿真实验,同时,对比分析这四种预测方法在相同训练长度下的预测结果和仿真时间,其结果表明EEMD-IPSO-SORR组合预测模型针对短时船舶运动姿态预测具有学习速度快,预测精度高的特点。
李翔[4]（2018）在《深海缆控潜水器定位与循线控制技术研究》文中研究指明海洋资源开发技术的提高成为发展海洋产业的关键,新型海洋工程装备的设计与开发对于提升我国海洋工程产业技术水平具有重要意义。由于海洋环境错综复杂,潜水器成为勘探和开发海洋资源的重要工具。有缆遥控潜水器（ROV,Remotely Operated Vehicle）具有功能多样、作业能力强和安全系数高等技术优势,广泛地应用于海洋资源的开发和探索,成为海洋资源开发、水下工程等方面的重要装备。本文以缆控潜水器为对象,针对缆控的核心本质特点,围绕缆控潜水器的定位与循线控制系统设计进行展开,具体完成了以下主要内容:（1）将有缆遥控潜水器系统按布放作业模式进行了系统分类,根据脐带缆类型以及水下形态,将缆控潜水器系统分为垂直悬吊系统和柔性脐带缆系统,并建立了在海流条件下的空间六自由度动力学模型。（2）建立了海底重载装备和铠装脐带缆构成的垂直悬吊系统在外干扰下和海流条件下的横向偏移振动的动力学模型,并根据阻尼项的不同形式,分别采用平均法和线性化处理方法,得出动力学方程的近似解析解,验证了求得的近似解析解对海流环境中的海底重载装备振动模拟的有效性。同时设计了双回路PID闭环控制方法用于重载装备的姿态调整和定位控制。（3）对柔性脐带缆系统的稳态和动态分析方法进行了研究,采用集中质量法建立了柔性脐带缆的动态分析方法,同时结合试验数据对方法进行了验证,并建立了ROV、脐带缆及两者相互耦合的动力学模型。（4）建立了柔性脐带缆控潜水器系统四自由度非线性滑模型观测器,建立了海流观测器和柔性脐带缆干扰力简化模型,证明了观测器的收敛性和稳定性,并通过不同工况仿真验证了所设计的观测器的适用性和观测性能,实现了对海流流速、缆干扰力等不可测量的状态量的有效观测。指出了提高观测器观测精度的有效方法,即对干扰力建立简化模型可以有效地对干扰力进行估计,采用干扰力补偿的方法能够有效地提高观测器的观测精度。（5）建立了柔性脐带缆控潜水器的控制系统结构,结合观测器和脐带缆干扰力简化模型,设计了基于干扰力补偿的滑模控制器和PID型滑模控制器两种四自由度非线性控制器,证明了控制器的收敛性和稳定性,提出了ROV定位和循线运动模式的控制策略。对存在外部干扰等复杂情况,提出了两种提高ROV运动控制精度的有效方法:一是对干扰力进行建模,结合观测器对控制模型进行干扰力补偿;一种是融合多种控制方法,提高控制器的鲁棒性和抗干扰能力。最后通过定位与循线运动仿真试验对控制系统性能进行了验证。通过本文的工作,建立了不同缆索系统的动力学模型与分析方法,实现了缆控潜水器定位与循线控制系统的设计,为其它类型有缆遥控潜水器的设计和应用提供了依据和参考。
杨雪晶[5]（2011）在《基于智能模型的船舶横向运动控制研究》文中研究表明海洋占地球表面的三分之二,具有重要军事战略价值,与国家的安全、发展息息相关。海洋经济是世界经济的重要支柱,当今世界贸易约90%的货物总量,约70%的价值总量是由船舶海运行业运送的。提高船舶航行的安全性是这一领域恒久不变的重点。在海面航行的船舶受风浪干扰产生六自由度的复杂运动,危害航行安全,其中横摇和艏摇运动最易发生且危害最大。对横摇和艏摇运动进行减摇控制是提高航行安全性的重要方法。然而船舶模型在不同航行环境下的不确定性始终是减摇控制的难题。本文以“十一五”国防科研基金课题为背景,重点研究模型不确定的船舶横摇和艏摇运动控制。全文分析了两类船舶模型不确定的减摇控制问题。针对第一类可以通过水池实验获得部分模型信息的船舶,独创地提出了基于智能模型的自适应LQG （Linear Quadratic Gaussian）控制框架。其核心思想是充分发掘已有的模型信息,离线建立完备的水动力参数模型库,根据当前的航行环境调取相应的模型,对特定模型设计随即最优控制器。文中利用RBF神经网络和水池实验数据建立了一个基于航速、海情、航向同水流方向遭遇角的三维空间完备的船舶水动力参数模型库。根据实验数据对海浪扰动建模,扩充船舶模型使其包含海浪扰动信息,根据卡尔曼滤波和分离原理设计最优估计和最优控制器。根据航行传感器测得的航速、海情、遭遇角信息,从离线建立的智能模型库中调取对应的水动力参数,进行最优控制。针对第二类无法进行水动力实验、没有先验模型信息的船舶,独创地提出了基于智能模型的自组织控制系统的框架。其核心思想是通过实际系统和虚拟系统两个闭合的回路将建模、训练控制器和实际控制三种工作分开,使三者并行自组织地进行。文中针对横摇运动,以及横摇和艏摇耦合运动设计了自组织神经网络控制系统,利用反馈神经网络和RTRL算法在线模拟船舶前行模型,利用nprKF算法和基于参数的EKF算法在线训练控制器。仿真结果表明,针对模型不确定的船舶,基于智能模型的自适应LQG控制系统和自组织控制系统各有优势,两种方法均可有效控制横摇艏摇运动,两种控制系统对其它模型不确定的动态系统控制也有指导意义。
孙敬武[6]（2010）在《基于周期图和神经网络船舶运动预报方法研究》文中进行了进一步梳理船舶在海浪中航行受到海浪、海风等环境因素的干扰,不可避免地产生摇摆,尤其在恶劣的海况条件下,对船舶的海上作业造成很大的安全隐患。如果能提前几秒或十几秒预报出船舶的运动趋势,不仅改善船员海上的生活工作环境还提高船舶航行的安全性,使船舶海上作业任务顺利完成。所以对于船舶运动预报的研究具有重大的实际意义。本文深入研究了周期图建模预报方法,分别研究了周期图预报方法、基于数据交叠分段改进周期图预报方法、基于加窗函数改进周期图预报方法以及基于数据交叠分段和加窗函数改进周期图预报方法。从以上四种方法的大量实例仿真中总结出一定的规律,从而进一步地改进周期图预报方法。在数据交叠分段改进周期图预报方法中总结出数据段段间交叠比率取1/2时预报效果更好,在加窗函数改进周期图法中总结出所加窗函数为海明窗时预报效果更好,在数据交叠分段和加窗函数改进周期图法中总结出阈值取到1/50左右时预报效果更好。综合以上三种方法,在数据交叠分段和加窗函数改进周期图法中当数据段段间交叠比率取1/2、所加窗函数为海明窗、阈值取到1/50左右时预报效果是最好的。仿真结果表明改进后的周期图预报方法使船舶运动预报的预报精度更高,满足船舶运动实际应用需要。本文还研究了神经网络方法并用于船舶运动预报。在研究中选择BP神经网络应用于船舶运动预报,首先对船舶运动姿态数据做预处理,然后通过大量的实例仿真确定BP神经网络中隐含层的神经元数目,再调整神经元上的传递函数改善BP神经网络船舶运动预报方法,最后分别利用正则化方法改进BP神经网络船舶运动预报方法和引进动量因子方法改进BP神经网络船舶运动预报方法。通过大量的实例仿真表明正则化后的BP神经网络船舶运动预报方法预报效果更好,引进动量因子后的BP神经网络船舶运动预报方法预报效果也更好。这样改进后的BP神经网络船舶运动预报方法进一步地满足船舶实际应用需要。
王允峰[7]（2010）在《船舶纵横摇和升沉运动预报方法研究》文中提出水面舰船在复杂海况下航行时会产生各种摇荡运动,其中纵横摇和升沉运动对船的危害和影响最大。激烈的纵横摇和升沉会严重影响船员的舒适感和安全,使航速下降、主机功率变低、船的稳定性破坏,甚至可能导致翻船,产生严重的后果。因此,对船舶摇荡姿态有效准确的预报已成为一个重要的课题,它对于提高船舶的耐波性和适航性,对船体摇荡提前进行补偿控制具有极为重要的意义。基于上述情况本文开展了船舶纵横摇和升沉运动预报研究。首先,基于切片理论建立了大型水面船的六自由度运动微分方程,为船舶摇荡运动仿真研究提供了精确的数学模型。由于随机海浪是产生船舶摇荡的主要原因,建立理想的随机海浪模型,是进行船舶摇荡运动研究的基础条件。因而根据长峰波随机海浪理论对海浪扰动力和扰动力矩进行仿真计算。本文主要采用两种方法对船舶纵横摇和升沉运动进行预报。一是基于卡尔曼滤波法的预报,包括系统建模、成形滤波器设计、系统扩展等仿真研究。二是应用时间序列法预报,通过对船舶运动姿态统计分析,利用AR（Auto Regressive Model）时间序列模型进行预报。采用递推最小二乘方法进行AR模型参数估计,并应用经典AIC准则对模型定阶。利用上述两种方法,针对某大型水面船进行了船舶纵横摇及升沉运动极短期预报仿真研究并得出仿真结果。通过结果分析,验证了上述方法准确、有效。通过理论分析和大量仿真结果证明,对于船舶纵横摇和升沉运动预报,卡尔曼估计法和时间序列分析法都能取得较为满意的效果。时间序列分析法计算简单快捷,只需要运动位移或姿态角变化的历史数据作为模型输入。而卡尔曼估计法针对具体系统分析,其预报效果更好,虽然使用条件较多,但预报精度很高,有着广阔的应用前景。本论文的研究成果和结论对于船舶纵横摇和升沉运动极短期实时预报具有一定的参考价值。
王显峰[8]（2009）在《船舶运动鲁棒H∞估计与预报研究》文中研究指明船舶在海浪中航行时,在波浪扰动力和力矩的作用下必然会产生六自由度的摇摆运动。如果能够对船舶摇摆状态进行估计和预报,将对舰载机起降、船舶减摇、船舶对接等都具有重要意义。因此,船舶运动估计与预报一直是备受关注的课题。本论文结合国防基金预研项目“航母运动极短期预报及舰载机着舰引导姿态预报系统”和“水面舰船姿态预报控制及仿真研究”,基于鲁棒H∞滤波及奇异系统理论对船舶运动估计和预报问题进行研究。论文的研究内容如下：论文基于切片理论,运用流体力学知识对船舶运动模型中水动力系数进行了分析,并对水动力系数进行海浪谱加权处理,建立了基于海浪谱加权平均的船舶运动模型,为船舶运动估计与预报的研究提供了标称模型。在船舶运动水动力系数摄动情况下,通过对卡尔曼滤波误差的分析,论证了采用鲁棒H∞方法研究船舶运动估计和预报的必要性。论文提出了鲁棒H∞估计与预报方法,即综合考虑模型摄动和干扰统计特性未知的因素,针对船舶运动模型摄动设计稳定的滤波器与预报器,并使海浪干扰到船舶运动状态的估计误差和预报误差的衰减水平（H∞范数）小于给定值。主要包括以下三个方面的工作：1.对于船舶运动估计,利用线性矩阵不等式（LMI）方法,设计了基于二次稳定的船舶运动鲁棒H∞滤波器和基于参数依赖Lyapunov函数的船舶运动鲁棒H∞滤波器,并得到了滤波器的稳定条件及其参数矩阵的求解方法。二次稳定意义下的滤波器设计不需考虑系统参数摄动和干扰的具体性状,设计方法简单易行。但该方法要求对于所有允许的不确定参数存在统一的Lyapunov函数,导致具有较大的保守性。基于参数依赖的鲁棒H∞滤波器,是通过设计与系统的不确定性相关联的Lyapunov函数得到的,减少了设计的保守性,提高了船舶运动估计的精度。2.船舶运动系统存在奇异摄动现象,论文提出了基于奇异系统的鲁棒H∞估计器的设计方法,并给出了估计器存在的条件,即误差系统是正则、无脉冲和稳定的,利用LMI方法对参数矩阵进行求解。将该方法应用于船舶运动估计,对基于奇异系统理论的船舶运动估计问题进行了仿真研究,验证了该方法的有效性。3.对于船舶运动预报,提出了船舶运动鲁棒H∞预报器的设计方法,给出了预报器的稳定条件及其参数矩阵的求解过程。将鲁棒H∞预报问题转化为时滞系统的鲁棒H∞滤波问题,并根据时滞依赖和时滞独立的思想,分别设计了预报长度无关型和预报长度相关型鲁棒H∞预报器,利用LMI的线性目标函数最小化方法完成了H∞预报器的求解。该方法解决了模型摄动和海浪干扰统计特性未知时的船舶运动预报问题。
孙宏放[9]（2009）在《具有斜舵的船舶综合减摇控制及预报方法研究》文中研究指明船舶减摇及预报是船舶与海洋工程的重要研究课题之一,论文基于“十五”国防预研基金项目“船舶舵减摇控制研究”进行系统研究,从建模和控制的角度出发,采用斜舵为减摇装置,来探讨船舶运动控制,并对船舶运动姿态建模预报方法进行研究。首先,基于切片理论建立了斜舵船舶运动方程,为斜舵船舶减摇控制的研究提供了数学模型。其次,利用基于改进递推最小二乘法的算法对海浪扰动力和扰动力矩进行建模,并对海浪扰动力和扰动力矩的估计方法进行了分析。结合海浪扰动模型和斜舵船舶运动模型,给出了以白噪声作为系统干扰的拓展船舶运动模型,对扩展后的新系统,运用线性二次高斯（LQG）控制方法计算出扩展卡尔曼滤波增益阵和扩展随机最优控制增益阵；给出了斜舵的倾斜角度对减摇效果的影响的理论分析。仿真结果表明,基于斜舵利用经典的LQG控制方法实现船舶减纵／横摇控制是可行的。鉴于船舶模型中的水动力参数是在某一海情下试验获得的,故需要研究船舶水动力参数在标称值附近发生随机变化时,船舶运动姿态及受扰卡尔曼估计的鲁棒性。为此论文建立了斜舵船舶运动姿态及受扰卡尔曼估计的概率模型,并以此进行了受扰卡尔曼滤波的鲁棒性统计分析,给出了在操舵存在误差时,操舵对船舶横摇、纵摇运动的分析结果。系统水动力参数经常发生明显摄动,其水动力参数矩阵表现出奇异性。针对船舶参数的正则摄动、奇异摄动和海浪干扰的不确定性,提出了奇异系统鲁棒控制方法,该方法可以很大程度地放宽控制系统对模型的依赖性。利用奇异系统鲁棒控制方法,针对船舶减纵摇运动过程进行了仿真,证明了方法的有效性。最后,研究在随机海浪扰动下的船舶运动姿态建模预报,采用改进的平滑周期图方法,对船舶运动姿态进行建模预报,得出预报曲线,并对预报结果分析总结。比较平滑周期图算法与直接周期图算法的预报精度,分析两种方法的算法复杂度及两种算法的可实现性和实用性。
马云飞[10]（2009）在《基于扰动补偿的船舶横向运动LQG控制研究》文中指出由于受到海浪、海风及其他干扰的影响,船舶产生了六自由度的复杂运动,具有很强的随机性的非线性。这就导致船舶运动姿态进行控制具有一定难度,无论在理论上还是实际工程应用上都还需要进一步的探讨。本文采用减摇水舱和航向舵作为减摇装置,进行基于扰动补偿的LQG控制研究,主要进行了以下工作:1.了解船舶横向减摇控制研究现状,总结国内外的研究方法。2.基于切片原理建立横荡、横摇与艏摇相互耦合的船舶横向运动方程,详细讨论船舶在波浪中横向受力情况。利用卡尔曼滤波器对横向受海浪扰动力与力矩进行估计,以便于掌握船舶受力状况及可能产生的运动姿态。3.详细介绍可控被动式减摇水舱的减摇原理。它通过控制气阀的启闭,使水舱内水的横向流动周期与船的摇摆运动周期同步,且方向相反,从而达到了补偿船舶受扰力矩的目的。4.采用LQG最优控制方法对船舶横向运动进行多变量控制,得到相关的仿真结果。5.提出基于扰动补偿的LQG控制方法。它是一种采用减摇水舱和航向舵作为联合减摇装置的控制方法。首先,采用减摇水舱对船舶的受扰力矩进行补偿。然后,利用航向舵对补偿后船舶横向运动进行最优LQG控制。将补偿前后得到的仿真结果进行比较,结果表明补偿后的最优控制效果最佳。
二、船舶横向受扰力的周期图建模预测（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、船舶横向受扰力的周期图建模预测（论文提纲范文）
（1）船舶运动姿态估计与预报方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外船舶运动滤波方法研究现状 |
| 1.3 国内外船舶运动姿态预报方法研究现状 |
| 1.4 论文研究内容与结构 |
| 第2章 船舶运动非线性数学模型 |
| 2.1 引言 |
| 2.2 船舶运动模型 |
| 2.2.1 坐标系定义 |
| 2.2.2 坐标系的变换 |
| 2.2.3 船舶运动数学模型 |
| 2.3 船舶平面运动合外力(力矩) |
| 2.3.1 船体流体惯性力和力矩 |
| 2.3.2 船体流体黏性力和力矩 |
| 2.3.3 螺旋桨的流体动力及力矩 |
| 2.4 船舶舵及舵机模型 |
| 2.5 海洋环境扰动模型 |
| 2.5.1 规则波 |
| 2.5.2 海浪 |
| 2.5.3 海风 |
| 2.5.4 海流 |
| 2.6 本章小结 |
| 第3章 基于改进UKF的船舶运动滤波方法研究 |
| 3.1 引言 |
| 3.2 改进的无迹卡尔曼滤波算法 |
| 3.2.1 船舶运动模型 |
| 3.2.2 无迹卡尔曼滤波算法 |
| 3.2.3 改进的无迹卡尔曼滤波算法 |
| 3.2.4 收敛性分析 |
| 3.3 船舶运动过程的仿真试验 |
| 3.3.1 仿真试验船模型及参数 |
| 3.3.2 算法性能评价 |
| 3.4 仿真试验与分析 |
| 3.4.1 仿真模拟试验结果 |
| 3.4.2 敏感性分析结果 |
| 3.4.3 仿真结果分析 |
| 3.5 本章小结 |
| 第4章 基于改进LSTM算法的船舶运动极短期预报 |
| 4.1 引言 |
| 4.2 改进的LSTM算法 |
| 4.2.1 LSTM神经网络模型 |
| 4.2.2 粒子群改进算法 |
| 4.2.3 一种多层异质粒子群改进算法(MHPSO) |
| 4.3 MHPSO算法性能分析 |
| 4.3.1 仿真环境 |
| 4.3.2 MHPSO算法仿真 |
| 4.3.3 仿真结果对比与分析 |
| 4.4 基于PSO-LSTM和 MHPSO-LSTM的预报模型 |
| 4.4.1 基于PSO优化的LSTM神经网络模型(PSO-LSTM) |
| 4.4.2 基于MHPSO优化的LSTM神经网络模型(MHPSO-LSTM) |
| 4.5 三种预报模型的船舶运动预报仿真试验及分析 |
| 4.5.1 升沉位移预报分析 |
| 4.5.2 横摇运动预报分析 |
| 4.5.3 纵摇运动预报分析 |
| 4.6 EMD-MHPSO-LSTM组合预报模型 |
| 4.6.1 经验模态分解(EMD)算法 |
| 4.6.2 基于EMD-MHPSO-LSTM组合预报模型的船舶运动预报 |
| 4.7 船舶运动预报仿真试验及分析 |
| 4.7.1 升沉位移预报分析 |
| 4.7.2 横摇运动预报分析 |
| 4.7.3 纵摇运动预报分析 |
| 4.8 本章小结 |
| 第5章 船舶运动姿态在线建模递推预报方法研究 |
| 5.1 引言 |
| 5.2 快速稀疏最小二乘支持向量机 |
| 5.2.1 支持向量机 |
| 5.2.2 最小二乘支持向量机 |
| 5.2.3 FSALS-SVM算法 |
| 5.3 双向LSTM神经网络 |
| 5.3.1 双向循环神经网络 |
| 5.3.2 Bi LSTM神经网络 |
| 5.4 基于FSALS-SVM与 Bi LSTM组合的船舶运动姿态在线预报模型 |
| 5.5 仿真试验分析 |
| 5.5.1 横摇运动预报 |
| 5.5.2 纵摇运动预报 |
| 5.5.3 升沉位移预报 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
| 附录A 专有名词的英文缩写列表汇总 |
（2）船舶运动模拟器动力学建模与动感模拟算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源及研究背景和意义 |
| 1.1.1 课题来源 |
| 1.1.2 课题研究的背景和意义 |
| 1.2 国内外船舶运动与建模发展与研究现状 |
| 1.3 国内外船舶运动模拟器的发展与研究现状 |
| 1.3.1 国外船舶运动模拟器发展与研究现状 |
| 1.3.2 国内船舶运动模拟器发展与研究现状 |
| 1.3.3 虚拟现实技术在模拟器上的应用 |
| 1.4 国内外研究现状分析 |
| 1.5 本文主要研究内容 |
| 第2章 船舶动力学建模 |
| 2.1 引言 |
| 2.2 船舶动力学方程 |
| 2.2.1 坐标系及其变换 |
| 2.2.2 船舶六自由度动力学方程 |
| 2.3 船体上的流体动力和力矩计算 |
| 2.3.1 流体惯性力和力矩计算 |
| 2.3.2 流体粘性力和力矩计算 |
| 2.4 螺旋桨推力和力矩计算 |
| 2.5 舵上的流体动力和力矩计算 |
| 2.6 环境干扰力和力矩计算 |
| 2.6.1 风的干扰力和力矩计算 |
| 2.6.2 波浪干扰力和力矩计算 |
| 2.7 动力学仿真模型的建立 |
| 2.8 本章小结 |
| 第3章 船舶动力学模型验证与仿真 |
| 3.1 引言 |
| 3.2 静水中的船舶操纵运动仿真 |
| 3.3 有风干扰下的操纵运动仿真 |
| 3.3.1 船舶直航时受到风作用 |
| 3.3.2 船舶回转时受到风作用 |
| 3.4 有浪干扰下的操纵运动仿真 |
| 3.4.1 船舶直航时受到波浪作用 |
| 3.4.2 船舶回转时受到波浪作用 |
| 3.5 风浪联合作用下的操纵运动仿真 |
| 3.6 本章小结 |
| 第4章 用于船舶模拟器的运动洗出算法研究 |
| 4.1 引言 |
| 4.2 人体感觉系统 |
| 4.3 模拟器洗出算法设计 |
| 4.3.1 运动洗出的作用和分类 |
| 4.3.2 经典洗出算法设计 |
| 4.4 经典洗出算法仿真与分析 |
| 4.5 本章小结 |
| 第5章 运动洗出算法实验验证 |
| 5.1 引言 |
| 5.2 模拟器系统组成原理 |
| 5.2.1 模拟原理 |
| 5.2.2 工作原理 |
| 5.3 各分系统原理 |
| 5.3.1 实时仿真计算机 |
| 5.3.2 视景系统 |
| 5.3.3 音效生成系统 |
| 5.3.4 指挥控制台 |
| 5.3.5 模拟操纵界面 |
| 5.3.6 运动系统 |
| 5.4 洗出算法的实验验证 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（3）船舶运动姿态短时高精度预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 船舶运动模型建立与分析 |
| 2.1 船舶运动模型 |
| 2.1.1 船舶六自由度运动 |
| 2.1.2 船舶横向运动分析 |
| 2.1.3 船舶纵向运动分析 |
| 2.2 随机海浪扰动建模 |
| 2.2.1 随机海浪扰动特性 |
| 2.2.2 海浪谱分解 |
| 2.2.3 海浪波倾角模型 |
| 2.2.4 随机海浪扰动信号仿真 |
| 2.3 船舶横向运动和纵向运动仿真 |
| 2.3.1 船舶横向运动仿真 |
| 2.3.2 船舶纵向运动仿真 |
| 2.4 本章小结 |
| 第3章 船舶运动姿态经典预测算法研究 |
| 3.1 船舶运动姿态经典预测算法概述 |
| 3.2 船舶运动姿态预测技术要求 |
| 3.3 自回归预测算法 |
| 3.3.1 自回归理论概述 |
| 3.3.2 模型的参数估计方法 |
| 3.3.3 模型的定阶准则 |
| 3.3.4 基于递推最小二乘参数估计的递推预测算法 |
| 3.3.5 船舶运动姿态预测仿真 |
| 3.4 卡尔曼滤波预测算法 |
| 3.4.1 卡尔曼滤波理论 |
| 3.4.2 扩展卡尔曼滤波算法 |
| 3.4.3 基于扩展卡尔曼滤波的船舶运动姿态预测算法 |
| 3.4.4 船舶运动姿态预测仿真 |
| 3.5 本章小结 |
| 第4章 EEMD-SVR组合预测算法 |
| 4.1 经验模态分解理论 |
| 4.1.1 经验模态分解基本概念 |
| 4.1.2 经验模态分解原理 |
| 4.1.3 经验模态分解的关键问题 |
| 4.1.4 经验模态分解的改进算法 |
| 4.2 支持向量机回归理论 |
| 4.2.1 统计学习理论 |
| 4.2.2 支持向量机回归模型 |
| 4.2.3 自适应参数选择 |
| 4.2.4 基于支持向量机回归的船舶运动姿态预测算法 |
| 4.2.5 船舶运动姿态预测仿真 |
| 4.3 基于EEMD和 SVR的组合预测方法 |
| 4.3.1 EEMD-SVR组合预测算法 |
| 4.3.2 船舶运动姿态预测仿真 |
| 4.4 基于实测船舶运动姿态的非线性非平稳性分析 |
| 4.5 基于实测船舶运动姿态的预测结果分析 |
| 4.6 本章小结 |
| 第5章 基于改进支持向量机回归的组合预测方法 |
| 5.1 粒子群优化算法 |
| 5.1.1 标准粒子群优化算法 |
| 5.1.2 粒子群优化的改进算法 |
| 5.1.3 IPSO优化过程 |
| 5.2 SORR回归算法 |
| 5.3 EEMD-IPSO-SORR组合预测算法 |
| 5.4 基于实测船舶运动姿态的预测结果分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（4）深海缆控潜水器定位与循线控制技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 缆控潜水器发展现状 |
| 1.2.1 潜水器概述 |
| 1.2.2 国外研究现状 |
| 1.2.3 国内研究现状 |
| 1.3 缆控潜水器系统建模方法综述 |
| 1.3.1 缆控潜水器的建模方法研究现状 |
| 1.3.2 缆索系统建模方法研究现状 |
| 1.4 缆控潜水器控制方法综述 |
| 1.5 研究目的与研究意义 |
| 1.6 本文主要的研究内容和创新点 |
| 1.6.1 本文研究内容 |
| 1.6.2 本文创新点 |
| 1.7 本文的组织结构 |
| 第二章 缆控潜水器的动力学模型 |
| 2.1 缆控潜水器系统 |
| 2.2 ROV动力学和运动学模型 |
| 2.2.1 空间运动基本假设 |
| 2.2.2 坐标系和参数定义 |
| 2.2.3 运动学模型 |
| 2.2.4 动力学模型 |
| 2.3 海流干扰 |
| 2.3.1 定常海流干扰下的模型修正 |
| 2.3.2 缓变流场建模 |
| 2.4 动力学模型的简化形式 |
| 2.4.1 基于载体坐标系的六自由度动力学方程 |
| 2.4.2 基于固定坐标系的六自由度动力学方程 |
| 2.5 本章小结 |
| 第三章 垂直悬吊系统运动分析与控制方法研究 |
| 3.1 垂直悬吊系统 |
| 3.2 横向运动动态分析方法 |
| 3.2.1 模型建立 |
| 3.2.2 近似解析解 |
| 3.2.2.1 存在非线性阻尼项的近似解析解求解 |
| 3.2.2.2 存在线性和非线性阻尼项的近似解析解求解 |
| 3.2.3 横向振动的仿真分析 |
| 3.2.3.1 存在非线性阻尼项的运动仿真 |
| 3.2.3.2 存在线性和非线性阻尼项的运动仿真 |
| 3.3 横向运动控制 |
| 3.4 本章小结 |
| 第四章 柔性脐带缆系统运动分析方法研究 |
| 4.1 稳态分析方法 |
| 4.2 动态分析方法 |
| 4.2.1 集中质量法模型 |
| 4.2.2 边界条件和初始条件 |
| 4.2.3 数值方法 |
| 4.2.4 模型的试验验证 |
| 4.3 本章小结 |
| 第五章 缆控潜水器系统动态仿真和运动分析 |
| 5.1 缆控潜水器系统参数 |
| 5.1.1 ROV水动力 |
| 5.1.2 推力系统 |
| 5.1.2.1 螺旋桨敞水实验与性能 |
| 5.1.2.2 推进器液压模型 |
| 5.1.3 推力分配 |
| 5.2 ROV运动状态分析与计算流程 |
| 5.2.1 初始状态配平分析 |
| 5.2.2 ROV系统仿真计算流程 |
| 5.3 ROV系统参数影响分析 |
| 5.3.1 缆分段数的影响 |
| 5.3.2 脐带缆长度的影响 |
| 5.3.3 推力改变的影响 |
| 5.3.4 海流流向的影响 |
| 5.3.5 流速大小的影响 |
| 5.3.6 流速分布的影响 |
| 5.3.7 水面母船运动的影响 |
| 5.3.8 水面波浪的影响 |
| 5.4 ROV的运动仿真与分析 |
| 5.4.1 前进运动 |
| 5.4.2 横向运功 |
| 5.4.3 升沉运动 |
| 5.4.4 转向运动 |
| 5.5 本章小结 |
| 第六章 ROV非线性观测器设计与仿真 |
| 6.1 观测器结构 |
| 6.2 非线性观测器设计 |
| 6.2.1 观测器原理 |
| 6.2.2 非线性观测器 |
| 6.2.3 缆干扰力简化模型设计 |
| 6.3 非线性观测器仿真 |
| 6.3.1 无缆干扰力的理想情况下的观测器仿真 |
| 6.3.2 有缆干扰力、无补偿情况下的观测器仿真 |
| 6.3.3 有缆干扰力补偿下的观测器仿真 |
| 6.4 本章小结 |
| 第七章 ROV运动控制系统设计与仿真 |
| 7.1 控制器设计 |
| 7.1.1 滑模控制器原理 |
| 7.1.1.1 滑模控制的概念 |
| 7.1.1.2 滑模控制趋近律 |
| 7.1.1.3 滑模控制的特性 |
| 7.1.2 基于干扰力补偿的滑模控制器 |
| 7.1.3 PID型滑模控制器 |
| 7.2 定位和循线控制策略 |
| 7.2.1 运动控制基本模式 |
| 7.2.2 循线模式控制策略 |
| 7.3 ROV定位控制仿真 |
| 7.3.1 静水、无缆干扰情况下的悬停控制仿真 |
| 7.3.2 有海流、有缆干扰力情况下的悬停控制仿真 |
| 7.4 ROV循线运动控制仿真 |
| 7.4.1 静水、无缆干扰情况下的位置跟踪控制仿真 |
| 7.4.2 有海流、有缆干扰力情况下的位置跟踪控制仿真 |
| 7.4.3 ROV循线控制仿真 |
| 7.5 本章小结 |
| 第八章 总结与展望 |
| 8.1 全文总结 |
| 8.2 研究工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的成果 |
（5）基于智能模型的船舶横向运动控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景 |
| 1.2 国内外研究概况 |
| 1.3 本文主要工作 |
| 第2章 船舶横向运动智能化模型建立 |
| 2.1 引言 |
| 2.2 船舶运动坐标系 |
| 2.3 船舶横向运动数学模型 |
| 2.3.1 切片理论 |
| 2.3.2 船舶运动微分方程 |
| 2.3.3 水动力参数模型 |
| 2.4 船舶横向运动智能模型建立 |
| 2.4.1 船舶横向运动智能模型概念 |
| 2.4.2 基于径向基函数神经网络的水动力参数智能模型 |
| 2.5 仿真结果分析 |
| 2.6 本章小结 |
| 第3章 船舶横向运动自适应LQG控制研究 |
| 3.1 引言 |
| 3.2 船舶运动数学模型分析 |
| 3.2.1 离散状态空间模型的建立 |
| 3.2.2 系统稳定性分析 |
| 3.3 海浪扰动建模与估计 |
| 3.3.1 海浪扰动样本数据处理 |
| 3.3.2 海浪成型滤波器及系统扩展 |
| 3.3.3 海浪扰动最优估计 |
| 3.3.4 海浪扰动仿真结果分析 |
| 3.4 船舶横向运动自适应LQG控制 |
| 3.4.1 随机最优控制理论 |
| 3.4.2 基于智能模型的自适应LQG控制系统 |
| 3.4.3 基于智能模型的自适应LQG控制仿真分析 |
| 3.5 本章小结 |
| 第4章 船舶横摇运动自组织控制系统 |
| 4.1 引言 |
| 4.2 横摇运动自组织控制系统结构 |
| 4.3 横摇运动前向智能模型 |
| 4.3.1 反馈神经网路 |
| 4.3.2 反馈神经网络稳定性 |
| 4.3.3 横摇运动前向智能模型设计 |
| 4.3.4 横摇运动前向智能模型的仿真分析 |
| 4.4 基于前向智能模型的横摇运动控制器设计 |
| 4.5 本章小结 |
| 第5章 船舶横摇艏摇耦合运动自组织控制系统 |
| 5.1 引言 |
| 5.2 船舶横摇艏摇耦合运动自组织控制系统结构 |
| 5.3 横摇艏摇耦合运动的船舶前向智能模型 |
| 5.3.1 横摇艏摇耦合运动前向模型网络结构 |
| 5.3.2 横摇艏摇耦合运动前向智能模型网络训练 |
| 5.3.3 横摇艏摇耦合运动前向智能模型的仿真分析 |
| 5.4 横摇艏摇耦合运动控制器网络设计 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
| 个人简历 |
| 附录A 水动力参数计算结果 |
| 附录B 水动力参数一级拟和曲线 |
| 附录C 水动力参数二级拟和曲面 |
| 附录D 水动力参数逼近精度 |
| 附录E 扰动力及力矩估计 |
| 附录F 自适应LQG控制效果 |
| 附录G 横摇前向模型神经网络预报效果 |
| 附录H 横摇艏摇前向模型神经网络预报效果 |
（6）基于周期图和神经网络船舶运动预报方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的目的和意义 |
| 1.2 船舶运动预报研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 周期图预报方法原理 |
| 2.1 周期图预报方法的引入 |
| 2.2 周期图预报方法理论概述 |
| 2.3 周期图预报方法使用步骤 |
| 2.4 周期图预报方法实例仿真与分析 |
| 2.5 本章小结 |
| 第3章 改进周期图船舶运动预报方法 |
| 3.1 数据交叠分段改进周期图法与仿真分析 |
| 3.1.1 数据交叠分段改进周期图法原理 |
| 3.1.2 数据交叠分段改进周期图法实例仿真 |
| 3.2 加窗函数改进周期图法与仿真分析 |
| 3.2.1 加窗函数改进周期图法原理 |
| 3.2.2 加窗函数改进周期图法实例仿真 |
| 3.3 数据交叠分段和加窗函数改进周期图法与仿真分析 |
| 3.3.1 数据交叠分段和加窗函数改进周期图法原理 |
| 3.3.2 数据交叠分段和加窗函数改进周期图法实例仿真 |
| 3.4 本章小结 |
| 第4章 基于改进的神经网络船舶运动预报方法 |
| 4.1 BP 神经网络理论基础 |
| 4.1.1 BP 神经网络的网络结构以及学习方式和学习规则 |
| 4.1.2 BP 神经网络学习过程和使用步骤 |
| 4.1.3 BP 神经网络的设计技巧和初始值的选取 |
| 4.1.4 BP 神经网络的不足 |
| 4.2 改进BP 神经网络船舶运动预报方法 |
| 4.2.1 对船舶运动姿态数据做预处理 |
| 4.2.2 船舶运动预报中BP 神经网络隐含层神经元数目的确定 |
| 4.2.3 调整神经元上的传递函数改善船舶运动预报效果 |
| 4.2.4 利用正则化改进BP 神经网络船舶运动预报方法 |
| 4.2.5 引进动量因子改进BP 神经网络船舶运动预报方法 |
| 4.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（7）船舶纵横摇和升沉运动预报方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究的目的和意义 |
| 1.2 舰船运动极短期预报方法及仿真技术研究现状 |
| 1.3 本文的主要工作 |
| 第2章 船舶运动及海浪干扰数学模型 |
| 2.1 船舶六自由度运动 |
| 2.1.1 船舶运动坐标系 |
| 2.1.2 船舶六自由度运动 |
| 2.2 长峰波随机海浪建模 |
| 2.2.1 随机海浪的基本概念 |
| 2.2.2 随机海浪数学描述 |
| 2.2.3 长峰波随机海浪仿真 |
| 2.3 切片理论与船舶运动建模 |
| 2.3.1 切片理论的概述 |
| 2.3.2 船舶运动微分方程的建立 |
| 2.3.3 船舶纵向耦合运动 |
| 2.3.4 船舶横向耦合运动 |
| 2.4 随机海浪下船舶纵横摇和升沉运动实时仿真 |
| 2.4.1 系统仿真中的计算机实现 |
| 2.4.2 某大型水面船摇荡仿真 |
| 2.5 本章小结 |
| 第3章 卡尔曼滤波法预报 |
| 3.1 卡尔曼预报状态方程的建立 |
| 3.1.1 船舶纵向运动状态方程 |
| 3.1.2 船舶横向运动状态方程 |
| 3.2 卡尔曼预报器的设计 |
| 3.2.1 卡尔曼预报器的设计原理 |
| 3.2.2 预报初值的选取 |
| 3.3 卡尔曼预报器的仿真研究 |
| 3.4 扩展卡尔曼预报器的设计 |
| 3.4.1 白色噪声和有色噪声的白化 |
| 3.4.2 随机海浪的成形滤波器 |
| 3.4.3 扩展卡尔曼预报器的原理 |
| 3.5 扩展卡尔曼预报器的仿真研究 |
| 3.6 本章小结 |
| 第4章 时间序列法预报 |
| 4.1 时间序列模型概述 |
| 4.2 时间序列模型的选定 |
| 4.2.1 时间序列的特征函数 |
| 4.2.2 时间序列模型结构识别 |
| 4.2.3 船舶纵横摇和升沉运动预报时间序列模型的确定 |
| 4.3 时间序列模型的建立 |
| 4.3.1 时间序列模型辨识与参数估计 |
| 4.3.2 时间序列模型的定阶方法 |
| 4.4 利用AR(p)时间序列模型预报 |
| 4.5 AR(p)时间序列模型预报仿真研究 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（8）船舶运动鲁棒H∞估计与预报研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源、目的和意义 |
| 1.2 船舶运动估计与预报发展概述 |
| 1.2.1 船舶运动估计与预报国外研究现状 |
| 1.2.2 船舶运动估计与预报国内的研究和发展 |
| 1.3 鲁棒滤波和预报研究与发展概况 |
| 1.3.1 鲁棒滤波技术的发展与现状 |
| 1.3.2 奇异系统鲁棒滤波研究概述 |
| 1.3.3 鲁棒预报的发展与现状 |
| 1.4 本文主要工作 |
| 第2章 船舶运动模型建立与分析 |
| 2.1 引言 |
| 2.2 船舶六自由运动模型 |
| 2.2.1 船舶运动分析的坐标系 |
| 2.2.2 船舶六自由度的定义 |
| 2.2.3 船舶运动模型 |
| 2.3 船舶运动水动力系数分析 |
| 2.3.1 切片理论与水动力系数 |
| 2.3.2 海浪及海浪谱分解 |
| 2.3.3 海浪谱加权平均的水动力系数 |
| 2.4 水动力系数摄动时卡尔曼滤波的估计误差分析 |
| 2.5 本章小结 |
| 第3章 船舶运动鲁棒H∞滤波估计 |
| 3.1 引言 |
| 3.2 鲁棒H∞方法预备知识 |
| 3.3 系统不确定性描述 |
| 3.3.1 线性分式不确定性 |
| 3.3.2 多胞型不确定性 |
| 3.4 船舶运动鲁棒H∞滤波估计问题描述 |
| 3.4.1 鲁棒H∞滤波估计问题 |
| 3.4.2 船舶运动鲁棒H∞滤波估计问题 |
| 3.5 基于二次稳定的鲁棒H∞滤波 |
| 3.5.1 滤波器的稳定条件 |
| 3.5.2 滤波器设计 |
| 3.6 基于参数依赖Lyapunov函数的鲁棒H∞滤波 |
| 3.6.1 滤波器稳定条件 |
| 3.6.2 滤波器设计 |
| 3.7 船舶运动鲁棒H∞滤波估计仿真分析 |
| 3.8 本章小结 |
| 第4章 船舶运动奇异系统鲁棒H∞估计 |
| 4.1 引言 |
| 4.2 问题的提出 |
| 4.3 船舶运动奇异系统问题描述 |
| 4.3.1 奇异系统问题 |
| 4.3.2 船舶运动奇异系统问题 |
| 4.4 奇异系统鲁棒H∞估计 |
| 4.4.1 估计器的稳定性条件 |
| 4.4.2 估计器的设计 |
| 4.5 船舶运动奇异系统鲁棒H∞估计仿真与分析 |
| 4.6 本章小结 |
| 第5章 船舶运动鲁棒H∞预报 |
| 5.1 引言 |
| 5.2 船舶运动鲁棒H∞预报问题描述 |
| 5.2.1 鲁棒H∞预报问题 |
| 5.2.2 船舶运动鲁棒H∞预报问题 |
| 5.3 预报长度无关型鲁棒H∞预报 |
| 5.3.1 预报器的稳定性条件 |
| 5.3.2 预报器设计 |
| 5.4 预报长度相关型鲁棒H∞预报 |
| 5.4.1 预报器的稳定性条件 |
| 5.4.2 预报器设计 |
| 5.5 船舶运动鲁棒H∞预报仿真分析 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（9）具有斜舵的船舶综合减摇控制及预报方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源、目的和意义 |
| 1.2 船舶减摇研究和发展概述 |
| 1.2.1 船舶减摇的途径 |
| 1.2.2 舵减摇国外研究状况 |
| 1.2.3 舵减摇国内研究状况 |
| 1.2.4 舵减摇技术存在的问题 |
| 1.3 本文的主要工作 |
| 第2章 具有斜舵的船舶运动建模 |
| 2.1 船舶运动建模 |
| 2.1.1 船舶六自由度运动 |
| 2.1.2 基于切片理论的船舶运动建模 |
| 2.1.3 船舶运动微分方程建立 |
| 2.2 基于斜舵的船舶运动模型 |
| 2.2.1 斜舵减摇原理 |
| 2.2.2 船舶运动水动力系数分析 |
| 2.2.3 船舶运动离散状态空间模型 |
| 2.2.4 离散状态空间模型的建立 |
| 2.2.5 状态空间模型的稳定性分析 |
| 2.3 海浪扰动建模 |
| 2.3.1 海浪模拟 |
| 2.3.2 海浪谱分解 |
| 2.4 本章小结 |
| 第3章 基于斜舵的船舶运动LQG控制 |
| 3.1 随机LQG最优控制简介 |
| 3.2 船舶运动状态估计 |
| 3.2.1 经典卡尔曼滤波理论 |
| 3.2.2 扩展卡尔曼滤波(EKF) |
| 3.3 基于斜舵的船舶姿态扩展随机LQG最优控制 |
| 3.3.1 纵向运动姿态扩展随机最优控制 |
| 3.3.2 横向运动姿态扩展随机最优控制 |
| 3.3.3 纵/横向运动姿态综合扩展随机最优控制 |
| 3.4 本章小结 |
| 第4章 基于斜舵的船舶运动姿态及受扰卡尔曼估计的鲁棒性研究 |
| 4.1 船舶横向运动与受扰卡尔曼估计的鲁棒性能概率建模 |
| 4.1.1 受扰的有色卡尔曼估计 |
| 4.1.2 扩展卡尔曼估计的鲁棒性研究 |
| 4.1.3 扩展卡尔曼估计的统计特性 |
| 4.1.4 仿真计算结果 |
| 4.2 船舶纵向运动与受扰卡尔曼估计精度统计分析 |
| 4.2.1 扩展卡尔曼滤波估计 |
| 4.2.2 统计建模方法 |
| 4.2.3 仿真计算结果 |
| 4.3 本章小结 |
| 第5章 斜舵船舶运动奇异系统鲁棒控制 |
| 5.1 问题的提出 |
| 5.2 奇异标称系统的鲁棒稳定性及鲁棒可镇定条件 |
| 5.2.1 奇异标称自治系统的鲁棒稳定性 |
| 5.2.2 奇异标称系统的鲁棒可镇定条件 |
| 5.3 奇异标称系统的鲁棒H_∞控制 |
| 5.3.1 奇异标称系统的鲁棒H_∞性能 |
| 5.3.2 奇异标称系统的鲁棒H_∞控制器设计 |
| 5.4 不确定奇异系统的鲁棒H_∞控制 |
| 5.4.1 当D_2=0时,讨论系统(5-31)的鲁棒H_∞控制问题 |
| 5.4.2 当D_2≠0时,系统(5-31)的鲁棒H_∞控制问题 |
| 5.5 斜舵船舶纵摇运动鲁棒H_∞状态反馈控制器设计 |
| 5.6 本章小结 |
| 第6章 周期图及平滑周期图算法 |
| 6.1 周期图算法 |
| 6.1.1 周期图的引入 |
| 6.1.2 周期图算法的性能分析 |
| 6.1.3 谱分辨率与"谱泄露" |
| 6.2 平滑周期图算法 |
| 6.2.1 Welch法 |
| 6.2.2 时间抽取(DIT)基2FFT算法 |
| 6.2.3 平滑周期图建模预报的步骤 |
| 6.3 仿真计算结果 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（10）基于扰动补偿的船舶横向运动LQG控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源、目的和意义 |
| 1.2 船舶横向减摇控制研究现状 |
| 1.3 本文的主要工作 |
| 第2章 船舶横向运动分析及建模 |
| 2.1 坐标系 |
| 2.2 船舶横向运动方程的建立 |
| 2.2.1 船舶运动受力分析 |
| 2.2.2 船舶横向运动方程 |
| 2.2.3 船舶运动水动力系数分析 |
| 2.3 船舶运动离散状态空间模型 |
| 2.3.1 离散状态空间模型的建立 |
| 2.3.2 状态空间模型的稳定性分析 |
| 2.4 船舶运动智能化模型 |
| 2.4.1 船舶运动智能化模型的建立 |
| 2.4.2 船舶运动智能化模型的稳定性分析 |
| 2.5 本章小结 |
| 第3章 海浪扰动建模 |
| 3.1 海浪特性分析 |
| 3.1.1 随机海浪的基本概念 |
| 3.1.2 海浪谱密度分析 |
| 3.2 海浪扰动力及力矩估计和成形滤波器 |
| 3.2.1 经典功率谱估计 |
| 3.2.2 成形滤波器 |
| 3.3 船舶横向运动受扰估计的三种方法 |
| 3.3.1 中心差分法 |
| 3.3.2 卡尔曼滤波估计 |
| 3.3.3 扩展的卡尔曼滤波估计 |
| 3.4 仿真结果及其分析 |
| 3.5 本章小结 |
| 第4章 可控被动式减摇水舱 |
| 4.1 可控被动式减摇水舱装置简介 |
| 4.2 减摇前船舶运动方程 |
| 4.3 "船舶-水舱"系统运动方程 |
| 4.4 水舱控制策略 |
| 4.5 系统仿真 |
| 4.6 本章小结 |
| 第5章 基于扰动补偿的船舶横向运动 LQG 控制研究 |
| 5.1 随机LQG最优控制简介 |
| 5.2 分离原理 |
| 5.3 船舶横向运动的随机LQG最优控制 |
| 5.4 基于扰动补偿的船舶横向运动LQG控制 |
| 5.5 仿真结果及其分析 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
| 附录 LQG控制效果曲线及舵角曲线 |
四、船舶横向受扰力的周期图建模预测（论文参考文献）
- [1]船舶运动姿态估计与预报方法研究[D]. 张彪. 哈尔滨工程大学, 2020(04)
- [2]船舶运动模拟器动力学建模与动感模拟算法研究[D]. 夏雨. 哈尔滨工业大学, 2019(02)
- [3]船舶运动姿态短时高精度预测方法研究[D]. 刘世林. 哈尔滨工程大学, 2019(08)
- [4]深海缆控潜水器定位与循线控制技术研究[D]. 李翔. 上海交通大学, 2018
- [5]基于智能模型的船舶横向运动控制研究[D]. 杨雪晶. 哈尔滨工程大学, 2011(05)
- [6]基于周期图和神经网络船舶运动预报方法研究[D]. 孙敬武. 哈尔滨工程大学, 2010(05)
- [7]船舶纵横摇和升沉运动预报方法研究[D]. 王允峰. 哈尔滨工程大学, 2010(05)
- [8]船舶运动鲁棒H∞估计与预报研究[D]. 王显峰. 哈尔滨工程大学, 2009(01)
- [9]具有斜舵的船舶综合减摇控制及预报方法研究[D]. 孙宏放. 哈尔滨工程大学, 2009(02)
- [10]基于扰动补偿的船舶横向运动LQG控制研究[D]. 马云飞. 哈尔滨工程大学, 2009(11)