1、船舶操縱性是船舶重要的水動力性能之一，與航行安全緊密相關。隨著造船和航運業(yè)的蓬勃發(fā)展，船舶呈現(xiàn)出大型化、多樣化等特點，操縱復雜度和難度越來越大，發(fā)生海上事故的概率也在增大。為此，早在1985年，國際海事組織(International Maritime Organization，IMO)就提出了估算船舶操縱性能的初步指南，規(guī)定了船舶操縱性的基本要求。之后，IMO在1993年和2002年分別頒布了船舶操縱性暫行標準和船舶操縱性標準，對船舶

2、操縱性提出了明確的定量要求。
　　 根據(jù)IMO的要求，為了提高船舶航行安全性，避免設計、建造不滿足操縱性基本要求的船舶，應該在船舶初始設計階段就對船舶操縱性進行預報。船舶操縱性預報的方法主要包括數(shù)據(jù)庫或經(jīng)驗公式方法、自航模試驗方法、船舶操縱運動數(shù)學模型加計算機模擬的方法和基于計算流體動力學(Computational Fluid Dynamics，CFD)的直接數(shù)值模擬方法。其中，數(shù)學模型加計算機模擬的方法是目前應用最廣和最有效

3、的方法之一。應用該方法，精確確定數(shù)學模型中的水動力導數(shù)和操縱性指數(shù)是提高預報精度的關鍵。
　　 目前，有四種方法可用于在船舶設計階段確定數(shù)學模型中的水動力導數(shù):數(shù)據(jù)庫或經(jīng)驗公式方法、約束模試驗方法、理論與數(shù)值計算方法以及結合模型試驗的系統(tǒng)辨識方法。其中，數(shù)據(jù)庫或經(jīng)驗公式方法受船型影響較大，應用受到限制。約束模試驗方法不僅需要特殊的試驗設施，費時、費力，而且存在“尺度效應”的問題。理論與數(shù)值計算方法可以計算作用在船體上的流體水動力

4、和力矩，但要計算所有的水動力導數(shù)，特別是非線性水動力導數(shù)，目前還有很大的困難，不能滿足所需要的工程精度。結合模型試驗的系統(tǒng)辨識方法是一種船舶操縱運動建模的有效方法，有很長的發(fā)展和應用歷史，隨著現(xiàn)代試驗測量技術和系統(tǒng)辨識方法的不斷發(fā)展，該方法得到了越來越廣泛的應用。
　　 船舶操縱運動數(shù)學模型主要有兩大類，即水動力模型和響應模型。水動力模型包括Abkowitz模型和MMG模型。Abkowitz模型又稱為整體型模型，它是把作用在船-

5、槳-舵系統(tǒng)上的水動力看作為一個整體，并將水動力表達式在直航運動狀態(tài)平衡點附近按Taylor級數(shù)進行展開。MMG模型又稱為分離型模型，它把水動力分解為作用在船體、螺旋槳和舵上的三部分，并充分考慮了船體、螺旋槳和舵之間的相互干擾影響。響應模型可以由線性的水動力模型導出，它反映的是船舶對操舵的轉首運動響應，主要被應用于自動舵的設計，但也可以應用于簡單的操縱運動預報。
　　 本論文應用一種新型的系統(tǒng)辨識方法——支持向量機(Support

6、 Vector Machines，SVM)對船舶操縱性試驗進行分析，包括自航模試驗分析和約束模試驗分析，由此對船舶操縱運動數(shù)學模型進行辨識建模。SVM主要包括最小二乘支持向量機(Least Square-SVM，LS-SVM)、ε-支持向量機(ε-SVM)、v-支持向量機(v-SVM)等。本論文主要以Abkowitz模型為對象，針對船舶操縱性試驗分析過程中出現(xiàn)的非線性問題，應用ε-SVM和神經(jīng)網(wǎng)絡對模型中的非線性函數(shù)關系進行辨識研究;在

7、船舶操縱性試驗數(shù)據(jù)預處理方面，應用素有“數(shù)學顯微鏡”之稱的小波分析方法進行船舶操縱性試驗數(shù)據(jù)消噪。
　　 在自航模試驗分析方面，對ε-SVM方法及其應用進行了仿真驗證，應用ε-SVM對仿真的自航模試驗數(shù)據(jù)進行了分析。仿真試驗類型為仿真Z形試驗，所采用的數(shù)學模型為Abkowitz模型和響應模型。通過對仿真試驗進行分析，首次應用基于線性核的ε-SVM辨識了數(shù)學模型中的模型參數(shù)，并利用所建立的數(shù)學模型進行了船舶Z形操縱運動預報;通過將

8、模型參數(shù)辨識結果及操縱運動預報結果分別和用于仿真試驗的模型參數(shù)值及仿真試驗結果進行比較，驗證了ε-SVM方法應用于船舶操縱自航模試驗分析的可行性。在響應模型的辨識建模中，采用的模型為線性響應模型;為了研究ε-SVM的不敏感因子ε對船舶操縱性試驗分析的影響，應用具有不同不敏感因子ε的ε-SVM對線性響應模型進行了回歸并對船舶Z形操縱運動進行了預報，結果表明，通過調節(jié)不敏感因子ε值，ε-SVM具有同時達到學習效率和預報精度最佳的能力。在Ab

9、kowitz模型的辨識建模中，為減緩辨識建模過程中出現(xiàn)的參數(shù)漂移，采取了向訓練樣本對中添加隨機數(shù)序列的方法，結果表明，該方法有效地抑制了參數(shù)漂移。
　　 在數(shù)學模型非線性函數(shù)關系辨識方面，為了克服經(jīng)典BP神經(jīng)網(wǎng)絡的固有缺陷，如收斂速度慢，容易陷入局部極小值等，本論文開發(fā)了一種新型的神經(jīng)網(wǎng)絡——基于切比雪夫(Chebyshev)正交基的神經(jīng)網(wǎng)絡，簡稱“切比雪夫(Chebyshev)神經(jīng)網(wǎng)絡”，并將其首次應用于船舶操縱數(shù)學模型非線性

10、函數(shù)關系的辨識，該網(wǎng)絡模型以一組Chebyshev正交多項式作為隱含層神經(jīng)元的激勵函數(shù)，并根據(jù)標準BP算法導出了權值修正的迭代公式。文中以舵角和操縱運動變量為輸入，以水動力為輸出，分別應用ε-SVM、經(jīng)典BP神經(jīng)網(wǎng)絡和Chebyshev神經(jīng)網(wǎng)絡對Abkowitz模型中的非線性函數(shù)關系進行了辨識，利用辨識得到的非線性函數(shù)關系進行了水動力預報，預報結果的比較表明，ε-SVM學習性能最優(yōu)，Chebyshev神經(jīng)網(wǎng)絡次之，經(jīng)典BP神經(jīng)網(wǎng)絡最差。

11、
　　 在約束模試驗分析方面，以國際拖曳水池會議(Internatioanl Towing Tank Conference，ITTC)操縱性技術委員會推薦的用于比較研究的超大型油輪KVLCC1船型為對象，利用韓國海事及海洋工程研究所(MOERI)船模水池的斜拖試驗結果和意大利羅馬水池（INSEAN）的純橫蕩試驗結果，對ε-SVM方法及其應用進行了試驗驗證。通過對約束模試驗數(shù)據(jù)進行分析，首次應用ε-SVM回歸了Abkowitz模型

12、中的水動力表達式，并應用所得到的水動力表達式對不同工況下的水動力進行了預報，預報結果和約束模試驗結果的比較驗證了ε-SVM方法應用于船舶操縱約束模試驗分析的可行性。在純橫蕩試驗分析過程中，為了消除水動力表達式變量之間的高度線性相關性，將水動力表達式進行了等價變換，有效地避免了參數(shù)漂移。
　　 在船舶操縱性試驗數(shù)據(jù)預處理方面，本文首次在國際上應用小波分析方法進行了船舶操縱性試驗數(shù)據(jù)消噪研究。為驗證該方法的有效性，以響應模型為對象，

13、通過向仿真的Z形試驗數(shù)據(jù)中添加隨機數(shù)序列，獲得了含有野值的試驗數(shù)據(jù)，進而應用小波分析方法對含有野值的試驗數(shù)據(jù)進行消噪;基于含有野值的試驗數(shù)據(jù)和經(jīng)過消噪處理的試驗數(shù)據(jù)，應用ε-SVM辨識了響應模型中的模型參數(shù)，并利用辨識得到的模型進行了船舶Z形操縱運動預報;通過將模型參數(shù)辨識值及運動預報結果分別和用于仿真試驗的模型參數(shù)值及運動仿真數(shù)據(jù)進行比較，驗證了小波分析方法應用于船舶操縱性試驗數(shù)據(jù)預處理的有效性。
　　 本文工作的創(chuàng)新點如下:

14、
　　 1.在國際上首次應用ε-SVM進行了基于船舶操縱性試驗分析（包括自航模試驗分析和約束模試驗分析）的辨識建模研究。
　　 2.開發(fā)了一種新型的神經(jīng)網(wǎng)絡——基于切比雪夫(Chebyshev)正交基的神經(jīng)網(wǎng)絡，簡稱“切比雪夫(Chebyshev)神經(jīng)網(wǎng)絡”，并在國際上首次將其應用于Abkowitz模型中的非線性函數(shù)關系辨識。
　　 3.在國際上首次應用小波分析方法對船舶操縱性試驗數(shù)據(jù)進行預處理，并對該方法的有效

15、性進行了驗證。
　　 4.在自航模仿真Z形試驗分析過程中，采用向訓練樣本對中添加隨機數(shù)序列的方法來減弱Abkowitz模型變量之間的線性相關性，有效地減緩了Abkowitz模型辨識建模過程中出現(xiàn)的參數(shù)漂移;在約束模純橫蕩試驗分析過程中，通過對Abkowitz模型的水動力表達式進行等價變換，有效地消除了水動力表達式中變量之間的高度線性相關性，避免了參數(shù)漂移。
　　 本文對基于操縱性試驗分析的ε-SVM方法及其在船舶操縱運動