基于支持向量回归机和粒子群算法的船舶操纵运动模型辨识.pdf

本文主要探讨了一种用于船舶操纵运动模型辨识的新方法，该方法结合了支持向量回归机（Support Vector Regression, SVM）和粒子群优化算法（Particle Swarm Optimization, PSO）。该研究由张心光、邹早建和王岩松共同完成，发表在2016年的《船舶力学》期刊上。 支持向量回归机是一种机器学习方法，常用于非线性回归分析。在船舶操纵运动模型的辨识中，SVM通过分析Z形试验的仿真数据来构建模型。Z形试验是一种评估船舶操纵性能的标准实验，通过船舶做Z字形轨迹来测量其运动响应。通过对这些数据的分析，SVM可以捕捉到模型中的复杂非线性关系，提取出影响船舶操纵性的关键参数，即操纵性指数。 粒子群优化算法在此过程中起到了重要作用。在SVM中，一个关键的超参数是惩罚因子C，它决定了模型的复杂度和泛化能力。通常，选择合适的C值对模型的精度有很大影响。PSO是一种全局优化算法，受到鸟群飞行模式的启发，能够搜索参数空间以找到最优解。在这里，PSO被用来优化C值，减少了人为选择C值时的主观性和不确定性，从而提高模型辨识的精度。 通过比较使用优化后的模型进行Z形试验运动预报的结果与原始的仿真试验数据，研究者验证了这种方法的有效性。这种比较有助于确认所建立的操纵运动模型能否准确预测船舶的实际运动，进一步证明了SVM和PSO结合方法在船舶操纵性研究中的实用性。 该研究为船舶操纵运动模型的辨识提供了一个创新且有效的方法，结合了机器学习的高级理论和优化技术。这对于提升船舶操纵性预报的准确性，以及设计更安全、更高效的船舶操纵系统具有重要意义。此外，该方法还可以应用于其他需要高精度模型辨识的领域，比如航空航天或机械工程等，具有广泛的借鉴价值。