ABSTRAK
PERANCANGAN SISTEM KONTROL POSISI DAN KECEPATAN PADA
KAPAL SELAM MENGGUNAKAN JARINGAN SARAF TIRUAN
Agus Syahril / 0322013
Jurusan Teknik Elektro, Fakultas Teknik Universitas Kristen Maranatha
Jl. Prof. Drg. Suria Sumantri 65, Bandung 40164, Indonesia E-mail : syahril_agus@yahoo.com
Pada kenyataannya, perancangan sistem kontrol banyak melibatkan sistem-sistem
yang tidak linier. Salah satu contoh sistem yang memiliki ketidaklinieran yang tinggi
adalah sistem kapal selam. Merancang suatu pengontrol yang tidak linier bukanlah
pekerjaan yang mudah, karena membutuhkan proses yang berulang-ulang dan
perhitungan yang rumit. Berdasarkan kenyataan tersebut maka jaringan saraf tiruan
merupakan solusi yang tepat dalam menyelesaikan proses yang berulang-ulang dan
perhitungan yang rumit.
Pada tugas akhir ini dibicarakan tentang penggunaan jaringan saraf tiruan dengan
algoritma propagasi balik untuk mengontrol kecepatan dan posisi kapal selam. Beberapa
faktor yang mempengaruhi performa dari jaringan saraf tiruan seperti : nilai laju belajar,
nilai momentum, jumlah neuron pada lapisan tersembunyi, dan fungsi aktifasi juga
dibahas dalam tugas akhir ini.
Percobaan menggunakan jaringan saraf tiruan algoritma belajar propagasi balik
dengan empat lapisan tersembunyi menunjukkan performa terbaik pengontrolan dicapai
dengan arsitektur jaringan sebagai berikut : jumlah neuron pada masing-masing lapisan
tersembunyi adalah 30,20,10,5 menggunakan fungsi aktifasi tansig pada lapisan
tersembunyi pertama dan kedua, dua lapisan tersembunyi yang terakhir menggunakan
fungsi aktifasi logsig. Dengan nilai laju belajar dan momentum masing-masing 0,01 dan
0,001.
Kata kunci : jaringan saraf tiruan, propagasi balik, kapal selam, identifikasi sistem
ABSTRACT
POSITION AND SPEED CONTROL SYSTEM DESIGN OF UNDERWATER
VEHICLE USING ARTIFICIAL NEURAL NETWORK
Agus Syahril / 0322013
Department of Electrical Engineering, Faculty of Technic Maranatha Christian University
Jl. Prof. Drg. Suria Sumantri 65, Bandung 40164, Indonesia E-mail : syahril_agus@yahoo.com
In reality, most of the systems involved in a control designed are non-linear. One
example of a system with highly non-linearity is underwater-vehicle system. Designing a
nonlinear controller is not an easy task which involves a demanding repetition and
complex computation. Due to its nature, the artificial neural network is suitable to solve a
problem having repetition and complex computation.
In this final project, the employment of artificial neural network with
back-propagation learning algorithm for controlling the speed and position of an underwater
vehicle is discussed. Several factors which influence the performance of artificial neural
network with back-propagation algorithm such as: learning rate values, momentum
values, number of neuron at hidden layer, and activation function are addressed in this
final project.
The experimental results with four hidden layer in the back-propagation algorithm
show that the best control performance is achieved for the following architecture: the
number of each hidden layer is 30,20,10,5 with tansig activation function at the first and
the second hidden layer, the last two hidden layer using logsig activation function, with
learning rate and momentum are 0.01 and 0.001, respectively.
Keywords: artificial neural network, back-propagation, under-water vehicle,
identification system.
DAFTAR ISI
Halaman
KATA PENGANTAR……….. i
ABSTRAK ……… iii
ABSTRACT ………. iv
DAFTAR ISI………. v
DAFTAR GAMBAR……… vii
DAFTAR TABEL………. ix
BAB I PENDAHULUAN 1.1 Latar belakang……… 1
1.2 Identifikasi masalah……… 2
1.3 Perumusan masalah……… 3
1.4 Tujuan………….. ………... 3
1.5 Pembatasan masalah……….. 3
1.6 Spesifikasi program……….. 4
1.7 Sistimatika penulisan……… 4
BAB II JARINGAN SARAF TIRUAN (JST) 2.1 Sejarah perkembangan JST……….. 6
2.2 Aplikasi JST pada bidang pengontrolan……… 7
2.3 Pemodelan JST………. 8
2.3.1 Analogi JST……… 8
2.3.2 Model matematis JST……… 9
2.3.3 Fungsi aktifasi JST………. 10
2.3.4 Pelatihan JST………. 13
2.3.5 JST propagasi balik……… 14
2.3.6 Identifikasi dan pengontrolan dengan JST………… 16
2.3.6.1 Identifikasi……… 16
2.3.6.2 Jenis sistem kontrol ……… 18
2.3.6.3 Pengontrolan menggunakan invers dari model sistem 19 BAB III PEMODELAN KAPAL SELAM 3.1 Dinamika kapal selam………. 21
3.2 Persamaan dinamika kapal selam……… 22
3.3 Referensi kapal selam……….. 25
3.4 Nilai parameter matriks dinamika kapal selam…………. 27
BAB IV PERANCANGAN DAN SIMULASI 4.1 Perancangan sistem kontrol………. 28
4.1.1 Sistem linier……… 28
4.1.2 Sistem tidak linier………. 29
4.1.3 Ketidaklinieran dinamika kapal selam………. 30
4.1.4 Model kontrol invers menggunakan JST………. 33
4.2 Simulasi……….. 34
4.2.1 Arsitektur JST………. 34
4.2.2 Parameter JST………. 37
4.2.3 Pengontrolan kecepatan dan posisi………. 38
4.2.4 Prosedur percobaan………. 39
4.3 Hasil percobaan………. 41
4.3.1 Percobaan I………. 42
4.3.2 Percobaan II……… 48
4.3.3 Percobaan III………... 49
4.3.4 Percobaan IV……… 50
BAB V KESIMPULAN DAN SARAN 5.1. Kesimpulan……… 52
5.2. Saran……….. 53
DAFTAR PUSTAKA……… 54 LAMPIRAN A
DAFTAR GAMBAR
Halaman
Gambar 2.1(a) neuron biologis …………..……… 9
Gambar 2.1(b) model neuron………..…... 9
Gambar 2.1 (c) cara kerja sebuah neuron……… 9
Gambar 2.2 grafik sigmoid biner………. 11
Gambar 2.3 grafik sigmoid bipolar………. 12
Gambar 2.4 grafik fungsi linier……… 12
Gambar 2.5 JST dua lapisan……….………. 14
Gambar 2.6 digram alir identifikasi sistem……… 16
Gambar 2.7 diagram blok pengidentifikasian……… 17
Gambar 2.8 blok diagram pengontrolan………. 19
Gambar 3.1 kerangka acuan pemodelan dan gerakan kapal selam…. 22 Gambar 4.1 respon keluaran plant kapal selam terhadap masukan … 30 sinusoidal Gambar 4.2 respon pada keluaran kecepatan sumbu x……… 31
Gambar 4.3 respon pada keluaran kecepatan sumbu y……… 32
Gambar 4.4 respon pada keluaran kecepatan sumbu z……… 32
Gambar 4.5 digram blok kontrol invers JST……… 33
Gambar 4.6 modifikasi digram blok kontrol invers JST……… 33
Gambar 4.7 masukan pertama ke plant……… 34
Gambar 4.8 masukan kedua ke plant……… 35
Gambar 4.9 respon plant terhadap masukan yang diberikan………. 35
Gambar 4.10 arsitektur JST yang dipakai dalam percobaan………. 37
Gambar 4.11 hasil percobaan A……… 39
Gambar 4.12 hasil percobaan B………..……….…… 39 Gambar 4.13 (a) pengontrolan kecepatan dengan nilai laju belajar 0,001 42
Gambar 4.13 (b) pengontrolan posisi dengan nilai laju belajar 0,001…. 42 Gambar 4.14 (a) pengontrolan kecepatan dengan nilai laju belajar 0,005 43 Gambar 4.14 (b) pengontrolan posisi dengan nilai laju belajar 0,005…. 43 Gambar 4.15 (a) pengontrolan kecepatan dengan nilai laju belajar 0,01 44 Gambar 4.15 (b) pengontrolan posisi dengan nilai laju belajar 0,01…. 44 Gambar 4.16 (a) pengontrolan kecepatan dengan nilai laju belajar 0,05 45 Gambar 4.16 (b) pengontrolan posisi dengan nilai laju belajar 0,05…. 45 Gambar 4.17 (a) pengontrolan kecepatan dengan nilai laju belajar 0,1 46 Gambar 4.17 (b) pengontrolan posisi dengan nilai laju belajar 0,1…. 46
DAFTAR TABEL
Halaman
Tabel 3.1 parameter matriks struktur model NEROV………. 24
Tabel 3.2. notasi pemodelan kapal selam…………..……….. 24
Tabel 4.2 hasil percobaan I………. 47
Tabel 4.3 hasil percobaan II………. 48
Tabel 4.4 hasil percobaan III………. 49
Tabel 4.5 hasil percobaan IV………. 50
LAMPIRAN A
******************** Model pengambilan data latih*************************
********************* Model hasil pengontrolan kecepatan**************
################### Input data dinamika kapal selam ####################
u = 12.86;v = 8.86;w = 5.86;p = 0.35;q = 1.79;r = 1.80;pi = 5;theta = 5;B = 1800; M = diag([215,265,265,40,80,80]);
D = diag([70+100*u , 100+200*v ,100+200*w , 30+50*p , 50+100*q , 50+100*r]); g = [0;0;0;0.02*B*theta*pi;0.02*B*theta;0];
C = [0 -185*r 185*q 0 80*w -80*v ; 185*r 0 -185*p -80*w 0 30*u ; -185*q 185*p 0 80*v -30*u 0 ; 0 80*w -80*v 0 50*r+r^2 -80*q ; -80*w 0 30*u -50*r-30*r^2 0 40*p ; 80*v -30*u 0 80*q -40*p 0];
%persamaan dinamika Vppm:(jurnal neural network augmented identification of underwater vehicle models)
%V dot(ppm) = inv(M)*{T - C(Vppm)*Vppm - D(Vppm)*Vppm - g} %T =[100 100 100 0 0 0]'
%persamaan dinamika sistem dalam bentuk state-space:
x = -C-D;
Appm = inv(M)*x;
Bppm = [0.4651 0;0.3774 0;0.3774 0;0 -22.5;0 -2.25;0 0]; Cppm = diag([1,1,1,0,0,0]);
Dppm = zeros(6,2);
############################# Pengontrol JST#############################
% ambil data latih dari workspace P = [u1';y1';y2';y3']; % data latih
T = u1'; % target pelatihan
% jaringan saraf tiruan propagasi balik %
% 5 input dengan 4 hidden layer,2 output dengan fungsi aktivasi purelin % hidden layer-1 :10 neuron,fungsi aktivasi tansig
% hidden layer-2 :30 neuron,fungsi aktivasi tansig % hidden layer-3 :20 neuron,fungsi aktivasi logsig % hidden layer-4 : 5 neuron,fungsi aktivasi logsig
% P dan T adalah vektor masukan dan keluaran dari jaringan saraf tiruan
net = newff(minmax(P),[10 20 5 30
2],{'tansig','tansig','logsig','logsig','purelin'},'traingdx','learngdm ');
[Y1,e,perf]=sim(net,P,[],[],T); % simulasi keluaran awal jaringan sebelum training,Y1=hasil simulasi, e = error
% parameter training jaringan: net.trainParam.epochs = 20000; net.trainParam.goal = 1e-4; net.trainParam.mc = 0.001; net.trainParam.lr = 0.01;
% training jaringan
[net,tr,Y2,E,Pf,Af] = train(net,P,T,[],[]);%Y2=hasil training jaringan, E = error jaringan setelah training
% simpan hasil training save hasil_training;
####################Transformasi kecepatan ke posisi#####################
% Transformasi dari kecepatan menjadi posisi dengan menggunakan data dari hasil pelatihan JST
fk = [0.2773 0.8967 0.9363;0.8972 0.6194 3.0297;1.1249 0.2656 -0.2773]; %faktor pengali untuk transformasi kecepatan ke posisi PoK = fk*[udot';vdot';wdot'];
%Transformasi dari kecepatan menjadi posisi dengan menggunakan data dari
%target kecepatan yang ingin dicapai
PoT = fk*[j';j1';j2'];
##################### Plot hasil pelatihan JST###########################
% u1 adalah input ke plant sekaligus target pelatihan jaringan saraf tiruan yang ingin dicapai
% Y1 adalah keluaran awal dari jaringan saraf tiruan(sebelum dilakukan training)
% Y2 adalah hasil akhir training jaringan
subplot(211),plot(t,u1,'x',t,Y1,'o'),title('Keluaran Awal JST') hold
subplot(212),plot(t,u1,'x',t,Y2,'o'),title('Hasil Training JST'),xlabel('waktu')
###################Plot hasil pengontrolan kecepatan###################
subplot(311), plot(t1,udot,'b',t1,j,'r',t2,us,'g'),title('HASIL PENGONTROLAN KECEPATAN')
xlabel('kecepatan sumbu x') hold
subplot(312),plot(t1,vdot,'b',t1,j1,'r',t2,vs,'g') xlabel('kecepatan sumbu y')
hold
subplot(313),plot(t1,wdot,'b',t1,j2,'r',t2,ws,'g') xlabel('kecepatan sumbu z')
########################Plot hasil pengontrolan posisi######################
pok1=PoK(1,:); pok2=PoK(2,:); pok3=PoK(3,:); pot1=PoT(1,:); pot2=PoT(2,:); pot3=PoT(3,:);
pok11=PoK1(1,:); pok22=PoK1(2,:); pok33=PoK1(3,:);
subplot(311),plot(t1,pot1,'r',t1,pok1,'b',t2,pok11,'g'),title('HASIL PENGONTROLAN POSISI')
xlabel('posisi sumbu x')
subplot(312),plot(t1,pot2,'r',t1,pok2,'b',t2,pok22,'g') xlabel('posisi sumbu y')
subplot(313),plot(t1,pot3,'r',t1,pok3,'b',t2,pok33,'g') xlabel('posisi sumbu z')
BAB I
PENDAHULUAN
1.1 Latar belakang
Di dalam implementasi perancangan sistem kontrol sering ditemukan sistem yang tidak linier. Ketidaklinieran ini merupakan suatu kendala yang sulit diatasi. Oleh karena itu, untuk merancang pengontrol bagi sistem yang tidak linier ini biasanya digunakan linierisasi. Cara melinierisasi yang paling sering digunakan adalah mendapatkan matriks Jacobi dari sistem tersebut.
Bila metode linierisasi ini diimplementasikan pada suatu sistem, maka pengontrol yang dirancang adalah pengontrol yang linier. Pada sistem yang memiliki satu titik kestabilan dan beroperasi pada daerah tertentu (daerah kerjanya relatif kecil) pengontrol yang linier ini dapat digunakan, tetapi untuk beberapa sistem tertentu seperti sistem persenjataan, penerbangan, robotik, dan pengontrolan proses metode linierisasi kurang bisa diterima, karena untuk sistem-sistem tersebut daerah kerjanya luas. Jika metode linierisasi masih digunakan akan
sangat sulit untuk mencapai performansi sistem yang diinginkan.
Beberapa kesulitan yang terjadi dalam merancang suatu pengontrol yang tidak linier ini disebabkan oleh proses perhitungan dan perancangan yang berulang-ulang dalam merancang pengontrol untuk mencapai suatu performansi pengontrolan yang diinginkan. Kesulitan yang dihadapi tersebut ternyata telah mendorong perkembangan dalam perancangan sistem kontrol ke arah komputasi yang lebih tinggi, karena ketidaklinieran dari suatu sistem yang biasanya diabaikan sekarang harus dimasukkan ke dalam perhitungan. Metode perancangan sistem pengontrolan yang menggunakan komputasi yang tinggi ini lebih dikenal dengan nama intelligent control (kontrol cerdas). Ada beberapa cara yang digunakan pada metode ini, salah satunya yang akan digunakan pada tugas akhir ini adalah jaringan saraf tiruan
1.2 Identifikasi masalah
Kapal selam merupakan suatu sistem yang tidak linier, ketidaklinieran yang terjadi pada kapal selam diakibatkan oleh gaya sentripetal yang terjadi karena gerakan rotasi pada kapal selam.
Perancangan pengontrol pada sistem yang tidak linier dengan metode linier sering sekali memberi hasil yang kurang memuaskan, karena hampir keseluruhan orde yang tinggi pada sistem diabaikan. Hal ini mengakibatkan
banyak parameter dari pengontrol yang tidak sesuai dengan parameter pengontrol yang seharusnya.
Jaringan saraf tiruan Jaringan saraf tiruan (JST) yang merupakan replika dari jaringan saraf biologis manusia yang memiliki kemampuan untuk belajar, mengingat, memahami, menyimpan dan memanggil kembali informasi yang pernah dipelajari dapat mendekati fungsi pemetaan kontinu lewat proses belajar. Kemampuan ini dapat digunakan untuk mengontrol plant yang tidak linier. Selain itu JST melakukan pengolahan data paralel yang memungkinkan pengolahan data secara cepat sehingga mempunyai tolerasi kesalahan yang kecil pada perhitungannya.
Proses belajar pada JST dilakukan melalui proses pelatihan. Pada JST ada beberapa metode yang biasa digunakan dalam proses pelatihan. Proses pelatihan ini dilakukan untuk belajar agar pola keluaran dari JST mendekati pola keluaran yang diinginkan . Salah satunya adalah metode supervised training, yaitu sebuah metode pelatihan yang memasangkan setiap masukan dengan sebuah target yang merepresentasikan keluaran JST.
Dalam tugas akhir ini JST akan digunakan untuk mengontrol kecepatan dan posisi kapal selam, keluaran dari JST merupakan sinyal kontrol yang akan digunakan untuk mengontrol kecepatan dan posisi kapal selam agar mencapai target pengontrolan yang diinginkan.
1.3 Perumusan masalah
1 Bagaimana cara merancang pengontrol JST dalam pengontrolan posisi dan kecepatan kapal selam ?
2. Apakah hasil pelatihan yang dilakukan oleh JST dapat mencapai target pengontrolan posisi dan kecepatan yang diinginkan ?
3. Faktor apa saja yang mempengaruhi kemampuan dari JST untuk mencapai target pengontrolan yang diinginkan
1.4 Tujuan
Tujuan dari tugas akhir ini adalah merancang pengontrol menggunakan JST, serta mengetahui faktor-faktor yang mempengaruhi kecepatan belajar dari JST dalam mencapai target dari pengontrolan posisi dan kecepatan pada kapal selam.
1.5 Pembatasan masalah
• Plant
Plant yang dikontrol diasumsikan stabil .
• Metoda pengontrolan
Digunakan metoda direct inverse control dengan konfigurasi feedforward yang berarti, perbaikan error dilakukan pada pengontrol yang berupa JST. Setelah nilai error yang diinginkan tercapai maka data hasil pelatihan JST disimpan dan digunakan untuk mengontrol plant kapal selam (dianggap tidak ada perubahan lagi pada dinamika kapal selam).
• Pengontrol
Pengontrol yang digunakan adalah JST algoritma belajar propagasi balik, dengan melakukan pemberian momentum(selisih antara bobot pada iterasi saat ini dengan iterasi sebelumnya) pada saat pelatihannya.
• Variabel kontrol
Variabel yang dikontrol adalah kecepatan translasi sumbu x,y,dan z sedangkan, pengontrolan posisi didapatkan dari mentransformasi hasil
pengontrolan kecepatan.
1.6 Spesifikasi program
Program yang akan digunakan dalam tugas akhir ini adalah Matlab dengan toolbox simulink dan neural network.
1.7 Sistimatika penulisan
Bab I Pendahuluan
Berisi tentang latar belakang, identifikasi masalah, perumusan masalah, tujuan, pembatasan masalah, serta spesifikasi program yang digunakan dalam mengerjakan tugas akhir.
Bab II Jaringan Saraf Tiruan (JST)
Membahas tentang sejarah singkat perkembangan JST serta pemodelan dari JST, algoritma belajar propagasi balik, dan aplikasi JST dalam pengidentifikasian dan pengontrolan.
Bab III Pemodelan kapal Selam
Berisi tentang dinamika kapal selam, notasi pemodelan kapal selam serta jenis kapal selam yang dipakai.
Bab IV Perancangan dan Simulasi
Membahas tentang langkah – langkah perancangan pengontrolan kapal selam dan percobaan dan tujuan percobaan yang akan dilakukan pada simulasi pengontrolan kecepatan dan posisi kapal selam
Bab V Data Pengamatan
Berisi tentang hasil dari percobaan dan hasil analisis dari data-data percobaan yang dilakukan.
Bab VI Kesimpulan dan Saran
Berisi tentang kesimpulan dari hasil simulasi yang didapatkan dan saran dalam pengerjaan tugas akhir.
BAB V
KESIMPULAN DAN SARAN
Bab ini berisikan kesimpulan dari hasil simulasi pengontrolan kecepatan dan posisi kapal selam beserta saran-saran yang bisa dipikirkan kembali untuk menggunakan JST sebagai pengontrol.
5.1 Kesimpulan
Dari hasil pengamatan dan analisis data tugas akhir ini, diperoleh beberapa kesimpulan mengenai pengontrolan kecepatan dan posisi kapal selam menggunakan JST. Beberapa kesimpulan tersebut antara lain :
• Performa dari hasil pengontrolan tidak dapat ditentukan dari nilai error yang terjadi pada hasil pengontrolan kecepatan dan posisi karena nilai error pada masing-masing variabel yang dikontrol berbeda, melainkan dari performa pelatihan JST. Semakin sedikit jumlah epoch yang dilakukan oleh JST untuk mencapai kriteria error yang diinginkan maka semakin cepat waktu yang dibutuhkan oleh pengontrol untuk mengejar target dari pengontrolan kapal selam.
• Performa yang baik dari pelatihan pengontrol JST tidak selalu menghasilkan
performa pengontrolan yang terbaik untuk setiap variabel. (sebagai contoh dapat dilihat pada tabel 4.2 . Bandingkan error yang terjadi pada kecepatan di sumbu y pada saat nilai jumlah epoch 12530 dengan nilai jumlah epoch 14134).
• Pada pelatihan pengontrol JST menggunakan arsitektur JST 4 hidden layer
(30,20,10,5) dengan fungsi aktifasi ‘tansig’ pada layer pertama dan kedua
sedangkan pada layer ketiga dan keempat menggunakan fungsi aktifasi ‘logsig’, didapatkan performa yang terbaik karena kriteria error yang diinginkan dicapai dengan jumlah pelatihan yang minimum (9848 epoch).
5.2 Saran
Beberapa saran yang dapat diberikan untuk pengembangan penggunaan JST sebagai pengontrol adalah sebagai berikut :
• Karena agak sulit untuk menentukan arsitektur pengontrol JST terbaik, maka
akan lebih baik bila jumlah pengontrol JST yang digunakan sebanding dengan jumlah variabel yang dikontrol ( multiple SISO).
• Pada pelatihan JST sebagai pengontrol nilai bobot awal jaringan lebih baik
ditentukan terlebih dahulu, untuk mendapatkan data performa pelatihan JST yang lebih valid.
(Misal : sebuah arsitektur JST dengan parameter A pada pelatihan pertama untuk mencapai kriteria error yang diinginkan memerlukan epoch sebanyak N. Sedangkan pada pelatihan kedua untuk mencapai kriteria error yang sama memerlukan epoch sebanyak M. Perbedaan jumlah epoch ini mungkin dapat teratasi bila saran di atas direalisasikan).
DAFTAR PUSTAKA
[1]. Abdia Away, Gunaidi. The shortcut of MATLAB programming. Bandung : informatika.2006.
[2]. Hadijanto, Lukman. Tugas akhir “Jaringan Saraf Tiruan sebagai pengontrol Adaptif Metode Langsung pada proses laju aliran”. 1995.
[3]. Kim, Myung-Hyun dan Daniel J. Inman, Direct Adaptive control of Underwater Vehicle using neural networks.Sage publications.2003.
[4]. Kusumadewi, Sri. Membangun Jaringan Syaraf Tiruan menggunakan MATLAB dan EXCEL LINK. Jogjakarta : Graha ilmu.2004.
[5]. Noorgard.M, O.Ravn, N.K.Poulsen, L.K.Hansen,. Neural Network Augmented Identification of Underwater Vehicles Models. Springer. 1999. [6]. Samarasinghe, Sandhya. Neural Network for Applied sciences and
Engineering. New York : Auerbach.
[7]. Setiawan, Sandi. Mengenal Network saraf. Jogjakarta : Andi offset. 1991 [8]. Slotine, J.J.E. dan W.Li. Applied Nonlinear Control. New Jersey,
Engelwoods Cliff : Prentice Hill.1991.
[9]. Van deVen, Pepijn, Tor A. Johansen, Asgeir J. Sorensen, Colin Flanagan, Daniel Toal, Neural Networks Augmented Identifications of underwater
vehicle models.
