一种基于CNN-LATM组合模型的波浪补偿预测方法技术

一种基于CNN‑LATM组合模型的波浪补偿预测方法，首先通过加速度传感器采集数据，再将加速度数据处理成位移数据，对组合的神经网络进行训练，最后利用训练好的模型预测出波浪补偿的位移量。本发明专利技术方法利用了卷积神经网络的局部感知能力，且计算量小，结合了长短期记忆网络可以实时更新最优权值和阈值的特点，使得组合预测模型具有预测精度高，稳定性好，鲁棒性强等优势。

A prediction method of wave compensation based on cnn-latm combined model

【技术实现步骤摘要】
一种基于CNN-LATM组合模型的波浪补偿预测方法
本专利技术涉及一种在众多海况中船舶波浪补偿
，尤其涉及一种基于CNN-LATM组合模型的波浪补偿预测方法。
技术介绍
海上作业是以船舶为基地，而船舶不同于陆地，由于受到风，浪，流的作用，海上作业浮式生产系统不可避免地要随风浪作不规则的摇荡和升沉运动，加以舱面建筑物对甲板附近的气流产生强烈的干扰，形成涡流等强烈的紊流流动，即结构复杂的空气尾流场，这给海上作业带来了许多的不便和风险。为此，现有技术多采用波浪补偿的方法来解决上述问题。为了充分对主被动型波浪补偿控制方法进行优化，开发出具有波浪预测，位移补偿，速度补偿，张力补偿的控制算法。卷积神经网络(CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，采用局部感知区域，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征。一维CNN可以很好的应用于传感器数据的时间序列分析。长短期记忆网络(LSTM)是循环神经网络的一种，它有输入门、遗忘门和输出门。当一个信息进入LSTM的网络当中本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络和长短期记忆网络的波浪补偿控制方法，其特征在于，包括如下步骤：/n(1)获取训练的数据：/n1)利用加速度传感器感应到船舶升沉方向的加速度，通过采集卡采集之后，在通过A/D转换器对模拟信号数字化后得出采样数据，将采样数据通过标定变换转换成实际相应的加速度数据；/n其中标定变换的公式为/n

【技术特征摘要】
1.一种基于卷积神经网络和长短期记忆网络的波浪补偿控制方法，其特征在于，包括如下步骤：
(1)获取训练的数据：
1)利用加速度传感器感应到船舶升沉方向的加速度，通过采集卡采集之后，在通过A/D转换器对模拟信号数字化后得出采样数据，将采样数据通过标定变换转换成实际相应的加速度数据；
其中标定变换的公式为



Yo为被测量量程的下限，
Ym为被测量量程的上限
Y为标定变换后所得到的被测量的实际物理量
NO为Yo对应的A/D转换后的数字量
Nm为Ym对应的A/D转换后的数字量
X为被测量实际值Y所对应的A/D转换后的数字量
2)将上述获得的实时加速度信号进行一次频域带通滤波处理，将频率大于1Hz的信号置零即得到光顺滤波，再采用最小二乘法来进行零点偏差的修正，最后将上述处理过的加速度信号进行两次积分运算转化为位移信号；
本发明中对于加速度的积分运算采用的是加速度频域积分原理，先将时域信号作傅里叶变换到频域内，则时域积分运算在频域就成了傅里叶分量系数的正弦、余弦积分互换，其结果在经过傅里叶逆变换，得到积分后的时域信号；
加速度时程的二阶频域积分即为运动位移，其中加速度信号频域二次积分的计算公式为



其中



式中k，n和r取值为0，1，2，……，N-1
fd和fa分别为带通滤波的下限截至频率和上限截至频率
X(k)为时域信号x(n)的傅里叶变换
Δf为频率分辨率...

【专利技术属性】
技术研发人员：唐刚，盛谨勤，雷金曼，胡雄，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：上海;31