【技术实现步骤摘要】
一种船舶三自由度的混合神经网络模型预测方法及系统
[0001]本专利技术涉及船舶三自由度预测方法,尤其涉及一种基于双向长短期记忆网络的船舶三自由度混合预测方法及系统。
技术介绍
[0002]船舶在海上航行时受到海风、海浪以及洋流等不确定性海况的影响,不可避免地会发生三自由度的摇荡运动。主要从以下两个角度进行分析:从民用角度分析,船舶的剧烈摇荡运动所产生的动力效应,如砰击、上浪、失速,甚至是回转飘移现象,都会给大风浪中的舰面作业,如货物搬移、动力定位、锚泊等,产生巨大的安全隐患,时刻存在因作业时机不当而导致船舶发生翻沉及走锚事故的风险;从军用角度分析,舰载机或舰载直升机在恶劣海况下起降作业时,机体接触甲板的瞬态附加速度和甲板的横摇增加了其冲离甲板或撞击舰体的危险,加之可视信号差,且易受夜间天气制约,严重威胁着舰机的着落安全。
[0003]此时若能短时精确预测未来船舶横摇姿态信息,不仅可以使民船甲板操作员规避海上作业危险时段,还可使舰载机飞行员预判机体在接触甲板时的舰体摇荡状态,提前筹划着舰预案,降低舰载机起降风险,保障 ...
【技术保护点】
【技术特征摘要】
1.一种船舶三自由度的混合神经网络模型预测方法,其特征在于,包括如下步骤:1)由船舶上安装的姿态传感器获取原始船舶摇晃姿态数据,将原始船舶摇晃姿态数据通过重采样进行解码得到船舶摇晃姿态时间序列;2)将船舶摇晃姿态时间序列通过自适应经验小波变换方法进行自适应分解得到分解后多个子序列,形成子序列矩阵,以降低船舶三自由度运动非线性非平稳性;3)基于步骤2)分解后得到的子序列矩阵,划分为训练集、验证集和测试集;4)引入双向长短期记忆网络以从过去和未来两个方向学习船舶三自由度的时间特征,包括将训练集中的每个子序列样本依次输入至双向长短期记忆网络,通过双向长短期记忆网络预测得到未来时刻船舶姿态序列,结合实时刻船舶姿态序列构建损失函数模型,进一步通过梯度下降训练方式对双向长短期记忆网络的神经元权重和超参数进行优化训练,所述超参数包括隐含层节点数和学习率,得到更新后双向长短期记忆网络的神经元权重和超参数,用于初始化双向长短期记忆网络,得到初始的双向长短期记忆网络模型;5)将步骤3)所得验证集输入至步骤4)所得初始的双向长短期记忆网络,使用引力搜索算法与粒子群算法结合的混合优化算法对隐含层节点数和学习率进行寻优,得到优化后隐含层节点数、优化后学习率,将优化后隐含层节点数、优化后学习率输入初始的双向长短期记忆网络模型,得到优化后双向长短期记忆网络;6)评价步骤5)优化后的双向长短期记忆网络,包括将步骤3)所得测试集输入步骤5所得优化后的双向长短期记忆网络进行鲁棒性测试,对预测结果进行误差分析,评价预测结果是否可靠,可靠则基于优化后的双向长短期记忆网络预测并输出结果。2.根据权利要求1所述的一种船舶三自由度的混合神经网络模型预测方法,其特征在于:步骤2)中,根据船舶三自由度数据的摇晃规律,对船舶姿态时间序列进行傅里叶变换。3.根据权利要求1所述的一种船舶三自由度的混合神经网络模型预测方法,其特征在于:步骤2)中,对信号频谱求解二阶导数,获取信号频谱的极大值点个数,以此为依据划分每个频带区间,每个频带区间对应各子序列,实现自适应分解的过程。4.根据权利要求1所述的一种船舶三自由度的混合神经网络模型预测方法,其特征在于:步骤2)中,对经验模态分量进行希尔伯特变换得到分解后序列矩阵。5.根据权利要求1或2或3或4所述的一种船舶三自由度的混合神经网络模型预测方法,其特征在于:步骤3)中,将分解后的子序列矩阵,结合行的长度L按照8:1:1的比列划分为训练集、验证集和测试集。6.根据权利要求1或2或3或4所述的一种船舶三自由度的混合神经网络模型预测方法,其特征在于:步骤5)中,...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。