- 相關(guān)推薦
機械人提供:基于LV-SVMs 的UUV NARX動態(tài)辨識模型(一)
基于LV-SVMs 的UUV NARX動態(tài)辨識模型提 要 鑒于水下無人控制機器人(UUV) 的動態(tài)控制越來越重要,本文針對當前辨識模型存在的所獲參數(shù)精確性不足,運用非線性黑箱辨識模型,提出了基于最小二乘支持向量機的UUV NARX 動態(tài)辨識模型。將該模型應(yīng)用于辨識UUV 的兩個關(guān)鍵參數(shù)偏航角γ和x y 平面內(nèi)的速度ν , 取得了良好的辨識效果。
主題詞 水下機器人 動態(tài)控制 非線性控制 參數(shù)識別 數(shù)學模型
水下無人控制機器人( UUV ———UnmannedUnderwater Vehicles) 目前已廣泛地運用到商業(yè)、科研、軍事等領(lǐng)域。但是,面對越來越長時間的工作量和種種未知的工作環(huán)境,對UUV 的動態(tài)控制也變得越來越復雜。因此,在UUV 中嵌入智能控制系統(tǒng),以使UUV 能更好地完成復雜的任務(wù)。UUV的動態(tài)控制系統(tǒng)的輸出,若能與參考模型的理想輸出一致,則可以獲得良好的控制性能,因而參考模型直接影響到動態(tài)控制系統(tǒng)能否對UUV 的當前狀態(tài)作出正確判斷。但是,UUV 的水動力學方程異常復雜[ 1 ] ,為此在以往的研究中,都是通過簡化方程來獲得UUV 的相關(guān)系統(tǒng)參數(shù)的,如文獻[ 6 ]運用最小二乘法,文獻[ 7 ]運用卡爾曼濾波法,都取得了不錯的辨識效果。但這些簡化都存在不同程度的損耗,降低了所獲得參數(shù)的精確性。為了提高UUV 參數(shù)的精確性, 進一步提高UUV 的動態(tài)控制性能,本文提出了一種基于最小二乘支持向量機(LVOSVMS) 的非線性黑箱建模(BlackObox modeling) 方法,建立了基于最小二乘支持向量機的UUV NARX 動態(tài)辨識模型。
1 非線性黑箱辨識模型
非線性黑箱辨識模型的結(jié)構(gòu)如圖1 所示。
圖1 非線性黑箱辨識模型結(jié)構(gòu)圖
對于輸入向量ut = [ u(1) , u(2) , ⋯, u( t) ] 和輸出向量yt = [ y (1) , y (2) , ⋯, y ( t) ] , 構(gòu)造函數(shù)如下[4 ] y ( t) = g (ψ( t) ) +ν( t) 。其中g(shù) (·) 為對y ( t) 的估計; ν( t) 為誤差項; ψ( t)=ψ( ut - 1 , yt- 1 ) 為回歸因子。g (·) 是從輸入向量ut ,到回歸因子和從回歸因子到輸出向量yt 這兩個映
射間的橋梁。
在實際應(yīng)用中,已經(jīng)建立了很多實用的非線性模型,常用的有:
(1) NFIR 模型,用u( t - k) 作為回歸因子;
(2) NARX 模型,用u( t - k) 和y ( t - k) 作為回歸因子;
(3) NOE 模型(也叫自回歸輸入/ 輸出模型或并行模型) ,用u( t - k) 和^y ( t - k) 作為回歸因子;
(4) NARMAX 模型,用u( t - k) , ^y ( t - k) 和ε( t - k) 作為回歸因子。
其中NOE 模型和NARMAX 模型對應(yīng)于循環(huán)結(jié)構(gòu),即回歸因子包含非線性模型的估計輸出(注意,是非線性模型的輸出而不是真實未知系統(tǒng)的輸出) ,這種回歸容易使系統(tǒng)不穩(wěn)定。NOE 模型在內(nèi)部形成反饋,這也可能造成模型的不穩(wěn)定性。NFIR模型,僅僅用u( t - k) 作為回歸因子,對于UUV 這樣復雜的系統(tǒng),回歸因子中變量太少。為此,本文采用NARX 模型。
2 最小二乘支持向量機
2. 1 算法
LSOSVMs 是由Suyken J A K提出的一種新型的支持向量機[2 ] ,有別于傳統(tǒng)支持向量機采用二次規(guī)劃方法解決分類和函數(shù)估計問題。最小二乘支持向量機是采用多類核的機器學習,即采用核函數(shù),根據(jù)Mercer 條件,從原始空間中抽取特征,將原始空間中的樣本映射為高維特征空間中的一個向量,以解決原始空間中線性不可分的問題。具體算法推導如下:對于給定的樣本數(shù)據(jù)集( xi , yi ) ( i = 1 ,2 , ⋯,l ; xi ∈Rn ; yi ∈Rn) , 利用高維特征空間中的函數(shù):
y ( x) = ωTφ( x) + b;ω ∈ Rnh , b ∈R來擬合樣本集。非線性映射φ( x) 把數(shù)據(jù)集從輸入空間映射到高維特征空間。式中ω為權(quán)向量; b為偏置量。根據(jù)結(jié)構(gòu)風險最小化原理,回歸問題轉(zhuǎn)化為約束優(yōu)化問題:min J (ω, e) = 12ωTω +C2 Σli = 1e2is. t . yi = ωTφ( xi ) + b + ei式中C 為可調(diào)參數(shù); ei ∈R 為誤差變量。建立Lagrange 函數(shù):
L ( ω, b, e;α) = J (ω, e) - Σli = 1αi [ωTφ( xi ) + b + ei - yi ]
根據(jù)KKT 條件可得5L5ω = 0 →ω = Σli = 1αiφ( xi )5L5b= 0 → Σli = 1αi = 05L5ei= 0 αi = Cei5L5αi= 0 →ωTφ( xi ) + b + ei - y = 0
消去原始變量ω、ei 可得對偶問題:
0 I TvIv K + 1/ Cbα=0y 式中: Iv = (1 ,1 , ⋯,1) TKij = φ( xi ) Tφ( x j ) i , j = 1 ,2 , ⋯, l
y = ( y1 , y2 , ⋯, yi ) Tα = (α1 ,α2 , ⋯,αi )
通過求解上面的線性方程,求出α和b , 可得最小二乘模型:
y ( x) = Σαi K ( xi , x) + b
其中核函數(shù)K( xi , x) 是滿足Mercer 條件的任一對稱函數(shù)。常用的核函數(shù)有: (1) 線性核
K( xi , x) = x T x i ;
(2) 徑向基核
K( xi , x) = exp ( -‖x - xi ‖22σ2 ) ;
(3) 多項式核
K( xi , x) = ( x T x i + 1) d , d = 1 ,2 , ⋯, N本文采用徑向基核函數(shù)。
2. 2 核參數(shù)的選擇
由上述算法推導可知,對于采用徑向基核的最小二乘支持向量機的主要參數(shù)是正則化參數(shù)C和徑向基核參數(shù)σ ,這兩個參數(shù)在很大程度上決定了最小二乘支持向量機的學習能力和泛化能力。根據(jù)文獻[5 ]采用多層動態(tài)自適應(yīng)優(yōu)化方法。具體步驟如
下:
(1) 確定參數(shù)C 和σ取值范圍,依據(jù)最小二乘支持向量機原理,最大取值范圍是
C ∈ [0. 1 ,10000 ] ,σ ∈[0. 1 ,100 ] 。
(2) 在最大取值范圍內(nèi)選取參數(shù)值,構(gòu)建參數(shù)對( Ci ,σj ) 二維網(wǎng)格平面,其中
i = 1 ,2 , ⋯, m; j = 1 ,2 , ⋯, n 。例如,兩個參數(shù)各選取10 個數(shù)值,則構(gòu)成10 ×10 網(wǎng)格平面和100 個( Ci ,σj ) 參數(shù)對。對于參數(shù)選取有兩種方法:第一種是,首先確定兩個參數(shù)的取值范圍,再根據(jù)所需參數(shù)對數(shù)進行均勻取值;第二種是,根據(jù)學習樣本的特征和經(jīng)驗確定參數(shù)對值。
(3) 輸入每個網(wǎng)格結(jié)點的參數(shù)對( Ci ,σj ) 到最小二乘支持向量機中,采用學習樣本進行學習, 并輸出學習誤差。取最小誤差對應(yīng)的節(jié)點值( Ci ,σj ) Emin 為最優(yōu)參數(shù)對。
(4) 如果學習精度沒有達到所需要求, 則以( Ci ,σj ) Emin 為中心,構(gòu)建新二維網(wǎng)絡(luò)平面,選取數(shù)值相近的參數(shù)值進一步學習,從而獲得更高精度的學習結(jié)果。這個新參數(shù)選取過程是自動執(zhí)行的,經(jīng)驗表明,一般以( Ci ,σj ) Emin 值的0. 01~5 倍為一個擴展網(wǎng)格寬度,構(gòu)建新參數(shù)對( Ci ,σj ) 二維網(wǎng)格平面,其中i = 1 ,2 , ⋯, k ; j = 1 ,2 , ⋯, l 。以此類推,可構(gòu)造多層參數(shù)優(yōu)化網(wǎng)格平面,不斷優(yōu)化最小二乘支持向量機參數(shù),直到達到需要的學習精度。
3 UUV 動態(tài)辨識模型
UUV 的水下運動是一個及其復雜的過程,共包括六個自由度,每個自由度多個參數(shù)用來描述UUV 的狀態(tài),這些參數(shù)之間都存在著非線性的關(guān)系。由文獻[1 ]可以知道,通過基本的物理學定理, 可以在加速度、速度、偏航角、橫滾角、UUV 推力、重力、浮力、阻力等之間建立一個6 自由度的非線性水動力方程。因此,可以采用LVOSVMs 非線性黑箱建模的方法對UUV 動態(tài)系統(tǒng)進行辨識。本文選取對UUV 運動姿態(tài)影響最大的兩個參數(shù): X Y 平面內(nèi)的速度v ,及偏航角γ來進行建模辨識。根據(jù)現(xiàn)有文獻,通過UUV 自帶的傳感器以及經(jīng)過初步處理,可以得到與我們需要辨識的兩個參數(shù)之間存在非線性關(guān)系的參數(shù)有UUV 的加速度Ûv和UUV 推進器的推力τ ,運用這些參數(shù)建立UUV的非線性黑箱辨識模型。引入NARX 模型如下:yt = Σni =1ai y t - i + Σmj =1bj f ( ut- j ) + et , (1)
其中yt = ( vt , γt ) 為輸出項; f (·) 為一非線性函數(shù), ut - j = ( Ûv t- j ,τt- j ) , yt- i = ( vt- i ,γt- i ) 為輸入項; et為誤差變量。由第一部分所述的LVOSVMs 原理,令f ( u) = ωTφ( u) + b0 , (2)選擇核函數(shù)
Ωk , l = K( uk , ul ) = φ( uk ) Tφ( ul ) ,把式(2) 代入式(1)
得yt = Σni =1ai y t - i + Σmj =1bj (ωTφ( u) + b0 ) + et 。(3)
令ωTj = bjωT , d = Σmj = 1bj b0 , 代入式(3) 得yt = Σni = 1ai y t- i + Σmj = 1ωTjφ( u) + d + et 。(4)
將回歸問題轉(zhuǎn)化為優(yōu)化問題:min J (ωj , e) = 12 Σmj =1ωTjωj +C2 ΣNt = re2t, (5)
s. t . yt = Σni =1ai y t- i + Σmj = 1ωTj φ( ut- j ) + d + et ,(6)
ΣNk =1ωTjφ( uk ) = 0 , j = 1 ,2 , ⋯, m (7)
建立Lagrange 函數(shù):
L (ωj , d , a , e;α,β) = J (ωj , e) - ΣNt = rαt { Σni = 1ai y t - i+ Σmj =1ωTjφ( ut- j ) + d + et - yt }
+ mj =1βj {ωTjφ( uk ) } 。
根據(jù)KKT 條件可得
5L5ωj= 0 →ωj = ΣNt = rαtφ( ut- j ) + Σmj =1βjφ( uk ) j = 1 ,2 , ⋯, m
5L5αi= 0 → ΣNt = rαt y t- i = 0 , i = 1 ,2 , ⋯, n
5L5 d= 0 → ΣNt = rαt = 0
5L5et= 0 →αt = Cet , t = r , ⋯, N
5L5αt= 0 → Eq. (6)
5L5βj= 0 → Eq. (7)
綜合以上各式得到
0 0 1 T 00 0 Y 0
1 Y T .K + C- 1 I K0
0 0 K0 T ‖Ω‖2F ·Imdaαβ=00y f0
其中 α = [αr ⋯αN ] T ;
β = [β1 ⋯βm ] T ;
a = [ a1 ⋯an ] T ;
y f = [ y r+1 ⋯yN ] T ;
Y =y r- 1 yr ⋯ yN - 1y r- 2 yr- 1 ⋯ yN - 2… … …y r- n y r- n+1 ⋯ yN - n;.Kp , q = Σmj = 1Ωp+ r- j , q+ r- j ;
K0p , q = Σnk = 1Ωk , p- q 。
通過以上線性方程求得α和d ,代入最小二乘模型即可得基于LVOSVMs 的UUV NARX 動態(tài)辯識模型:
f ( vt ,γt ) =αΣK( ut , u) + d
于是可得如圖2 所示的UUV 動態(tài)辨識模型的結(jié)構(gòu)原理圖。
圖2 UUV 動態(tài)辨識模型的結(jié)構(gòu)原理圖
4 辨識實例
為了檢驗本文所建立的辨識模型,我們設(shè)計了一個辨識實例,對上述模型進行了仿真試驗。軟件采用Matlab 。數(shù)據(jù)由文獻[ 1 ]中的UUV 水動力學方程產(chǎn)生。辨識測度采用如下性能指標:
(1) 辨識誤差為1
N ΣNi =1( yi - ^yi ) 2
其中yi 為期望輸出, ^yi 為辨識輸入。
(2) 訓練樣本采用在一百個時間單位內(nèi)采集的數(shù)據(jù),如圖3 所示。
圖3 訓練樣本
(3) 辨識過程。設(shè)置最小二乘支持向量機的參數(shù)C 和σ的取值范圍。采用兩層網(wǎng)格平面優(yōu)化,根據(jù)非線性控制系統(tǒng)特征,在第1 參數(shù)優(yōu)化層中,取
C =[0. 1 ,1 ,10 ,50 ,100 ,500 ,1000 ,2500 ,5000 ,10000 ] ,σ= [0. 1 ,0. 2 ,0. 5 ,1 ,5 ,10 ,15 ,25 ,50 ,100 ] , 即采用10 ×10 網(wǎng)格結(jié)構(gòu)。獲得參數(shù)對如下: ①對于速度v ,( C,σ) 為(10000 ,5) ; ②對于偏航角γ , ( C,σ) 為(5000 ,10) 。
然后,在第二參數(shù)優(yōu)化層中,以( Ci ,σj ) Emin 為網(wǎng)格平面中心,以( Ci ) Emin 值的±0. 1 倍值為C向擴展網(wǎng)格寬度,以(σj ) Emin的±0. 05 倍值為σ向擴展網(wǎng)格寬度,再次構(gòu)建10 ×10 網(wǎng)格平面,獲得速度v 的最優(yōu)參數(shù)對( Ci ,σj ) Emin為(15000 ,4. 25) ,偏航角γ的最優(yōu)參數(shù)對( Ci ,σj ) Emin為(4500 ,15) 。利用以上最優(yōu)參數(shù)對對速度v 和偏航角γ進行辨識結(jié)果如圖4 、圖5 所示。
對于速度v 的辨識誤差為0. 00213 ,偏航角γ的辨識誤差為0. 232 。上述結(jié)果表明,基于L SOSVMs
圖4 對速度進行辨識后的結(jié)果
實線為期望輸出,虛線為辨識輸出
圖5 對偏航角進行辨識后的結(jié)果
實線為期望輸出,虛線為辨識輸出
的UUV 非線性黑箱辨識模型的辨識精度較高,輸出的速度v 和偏航角γ與期望輸出相比,在不同的狀況下都取得了滿意的效果,表現(xiàn)出了很好的泛化能力。
5 結(jié)語
UUV 動態(tài)控制是保證UUV 能在復雜的水下環(huán)境中工作的關(guān)鍵。本文提出了一個基于L SOSVMs 的UUV 非線性黑箱辨識模型,將L SOSVMs應(yīng)用于UUV 的動態(tài)控制辨識中,取得了滿意的效果,為今后UUV 的動態(tài)控制提供了一定的參考。
【機械人提供:基于LV-SVMs 的UUV NARX動態(tài)辨識模型(一)】相關(guān)文章:
基于最小二乘模型的Bayes參數(shù)辨識方法03-07
基于動態(tài)股權(quán)激勵模型的員工崗位分配新模式03-21
基于價格折扣的無資產(chǎn)型TPL提供者供應(yīng)商選擇模型03-24
一種支持動態(tài)網(wǎng)站生成的模型與系統(tǒng)03-04
基于Blog的動態(tài)信息資源組織03-18
基于動態(tài)資源分配的WDM-PON結(jié)構(gòu)研究基于動態(tài)資源分配的WDM-PON結(jié)03-07
基于戰(zhàn)略系統(tǒng)的審計風險模型研究03-04
基于活動的日活動計劃模型研究11-22