1.一种基于深度置信网络的船舶自动舵,其特征在于,包括:微处理器模块、存储器模块、通信模块及人机接口模块;
所述微处理器模块的输入输出端与所述存储器模块的输出输入端相连;所述微处理器模块与所述通信模块的输出输入端相连;所述微处理器模块与所述人机接口模块的输出端相连;
所述微处理器模块接收所述人机接口模块的船员考试数据信息,并根据所述船员考试数据信息建立深度置信网络模型,再将所述深度置信网络模型转换成普通神经网络模型;
所述存储器模块存储所述普通神经网络模型;
所述通信模块接收船舶航行环境信息,并将所述船舶航行环境信息发送到所述微处理器模块,所述微处理器模块通过所述普通神经网络模型对所述船舶航行环境信息进行计算获得舵角数据。
2.如权利要求1所述的基于深度置信网络的船舶自动舵,其特征在于,所述深度置信网络模型包括:一层输入层、四层隐藏层以及一层输出层;
输入层的节点数量为70个,第一隐藏层节点的数量为输入层数量的1/3~2/3,第二隐藏层节点的数量为第一隐藏层数量的1/3~2/3,第三、四层隐藏层节点的数量等于第二、一隐藏层节点的数量,输出节点数量为7。
3.如权利要求1所述的基于深度置信网络的船舶自动舵,其特征在于,所述船员考试数据信息为高级船员/引航员考试培训系统的信息;
所述船员考试数据信息包括:船舶航行的外部环境、船速和舵角,所述船舶航行的外部环境至少包括:浪、流及天气。
4.如权利要求1所述的基于深度置信网络的船舶自动舵,其特征在于,根据所述船员考试数据信息建立深度置信网络模型,再将所述深度置信网络模型转换成普通神经网络模型,包括:采用对比散度算法对组成所述深度置信网络模型的受限波尔兹曼机进行逐层训练,得到所述深度置信网络模型的初始数据;
将所述深度置信网络模型转换为所述普通神经网络模型;
利用反向传播算法,并结合所述船员考试数据信息中操船成绩较好的历史数据,对所述普通神经网络模型进行微调。
5.如权利要求1所述的基于深度置信网络的船舶自动舵,其特征在于,所述船舶航行环境信息至少包括:流、浪以及天气。
6.如权利要求1所述的基于深度置信网络的船舶自动舵,其特征在于,所述微处理器模块获得所述舵角数据后,将所述舵角数据发送至船舶主控机,所述船舶主控机操作船舶舵机工作。
7.如权利要求1所述的基于深度置信网络的船舶自动舵,其特征在于,所述微处理器模块为嵌入式微处理器或移动式桌面微处理器。
8.如权利要求1所述的基于深度置信网络的船舶自动舵,其特征在于,所述通信模块包括但不限于:串行RS232接口、422/485接口、USB接口以及网络接口。