一种浮标运动特性的数据驱动建模与预测方法技术

本发明专利技术提供了一种浮标运动特性的数据驱动建模与预测方法，包括以下步骤：(1)确定预测模型的输入和输出变量，收集建模样本集S＝{X,Y}；(2)建立浮标运动特性的局部LSSVR模型，包括：(2.1)自动将样本集S分成2个样本子集，即正常工况的S1和和极端工况的S2；(2.2)每个样本子集单独进行学习训练，建立浮标运动特性的局部LSSVR预测模型LSSVR1和LSSVR2；(3)自动为每个新的测试样本，选择合适的局部LSSVR预测模型。本发明专利技术的有益效果为：本发明专利技术提出的数据驱动建模与预测方法，可基于有限建模样本，实现复杂频变海洋环境中浮标运动特性的建模和预测。相比机理模型建模过程的复杂性、仿真建模过程对设计者经验水平的依赖性，该方法提供了一种工程上容易实施的方法。一种工程上容易实施的方法。一种工程上容易实施的方法。

【技术实现步骤摘要】
一种浮标运动特性的数据驱动建模与预测方法


[0001]本专利技术涉及浮标设计阶段重要参数建模和预测方法的
，主要是一种浮标运动特性的数据驱动建模与预测方法。

技术介绍

[0002]装有各种探测设备的海洋浮标是海洋监测系统的重要组成部分。由于浮标经常工作在复杂恶劣的海洋环境中，浮标的运动特性对保障其完成预定的海洋监测任务十分重要。因此，研究浮标运动特性与复杂频变海洋环境间的相互作用，对指导浮标工程设计，确保其稳定运行具有重要意义。
[0003]国内外学者基于机理描述和数值仿真技术，对各种型式的浮标进行了大量研究。但由于浮标实际工作于波浪、海流、海风等共同耦合作用下的复杂环境中，建立一种较精确的机理或仿真模型均十分困难。总的来说，上述针对各种浮标运动特性的研究大都仅考虑了波浪的作用，未涉及波浪、海流、海风等共同作用，不足以描述浮标所处的频变复杂环境特性。同时，描述各种浮标运动特性的机理模型较为复杂，模型中许多参数均难以从实验中获得，依赖设计者的经验，限制了其工程应用。因此，有必要建立一种通用性较强，准确度较高的浮标运动特性模型以适应复杂频变的海洋环境。
[0004]近几年，数据驱动经验模型以不需要实质性的了解复杂的内部现象，不需要过多的依赖设计者的经验，已被用于海洋工程。这些优势可同时解决上述机理和仿真建模难题，为浮标运动特性的建模和预测提供一种新方法。鉴于影响浮标运动特性的海洋环境因素较多，两者之间存在复杂的非线性关系，可利用最小二乘支持向量机(LSSVR)建模方法，融合波浪、海流、海风环境因素，较完整的描述浮标运动特性。同时，由于正常和极端海洋环境中，浮标运动呈现不同的特性，为提高LSSVR模型的预测精度，分别建立了适合正常和极端工况的局部LSSVR模型。经文献检索发现，没有将LSSVR模型用于预测浮标运动特性的方法。

技术实现思路

[0005]本专利技术针对机理和数值仿真建模过程存在的不足和缺陷，而提供一种适合在复杂频变海洋环境下，浮标运动特性的数据驱动建模与预测方法，利用LSSVR模型预测浮标运动特性。
[0006]本专利技术的目的是通过如下技术方案来完成的。一种浮标运动特性的数据驱动建模与预测方法，包括步骤如下：
[0007](1)、确定预测模型的输入和输出变量，收集建模样本集S；其中(1)、确定预测模型的输入和输出变量，收集建模样本集S；其中i＝1,
…
,N；
[0008](2)、建立浮标运动特性的局部LSSVR预测模型，包括
[0009](2.1)、将样本集S分成2个样本子集，即正常工况的S1和极端工况的S2；
[0010](2.2)、样本子集S1单独进行学习训练，建立浮标运动特性的局部LSSVR预测模型
LSSVR1；样本子集S2单独进行学习训练，建立浮标运动特性的局部LSSVR预测模型LSSVR2；
[0011](3)、为每个新的测试样本x
t
，t＝1,
…
,T，选择合适的局部LSSVR预测模型。
[0012]本专利技术的有益效果为：本专利技术提出的数据驱动建模与预测方法，可基于有限建模样本，实现复杂频变海洋环境中浮标运动特性的建模和预测。相比机理模型建模过程的复杂性、仿真建模过程对设计者经验水平的依赖性，该方法提供了一种工程上容易实施的方法。
附图说明
[0013]图1是本专利技术方法的流程图；
[0014]图2a～图2c是本专利技术中正常工况下，新输入样本的实验结果与LSSVR模型预测结果的比较，其中图2a是新输入样本集的航向结果比较，图2b是新输入样本集的纵摇结果比较，图2c是新输入样本集的横摇结果比较。
[0015]图3a～图3c是本专利技术中极端工况下，新输入样本的实验结果与LSSVR模型预测结果的比较，其中图3a是新输入样本集的航向结果比较，图3b是新输入样本集的纵摇结果比较，图3c是新输入样本集的横摇结果比较。
具体实施方式
[0016]下面将结合附图和实施例对本专利技术做详细的介绍：
[0017]如图1所示，一种浮标运动特性的数据驱动建模与预测方法，包括以下步骤：
[0018](1)确定预测模型的输入和输出变量，收集建模样本集(1)确定预测模型的输入和输出变量，收集建模样本集i＝1,
…
,N；
[0019](2)建立浮标运动特性的局部LSSVR模型；
[0020](2.1)自动将样本集S分成2个样本子集，即正常工况的S1和和极端工况的S2；
[0021]以第i个输入变量(l＝1,
…
,L表示输入变量的个数)为例说明分类方法。利用下述公式
[0022][0023]式中Δx
i,l
和分别表示x
i,l
的残差和均值，权重系数λ≥0，代表均方差。如果Δx
i,l
≥λσ
l
,则分至样本子集S2，对应极端工况模型的建模样本；否则,s
i
分至S1，对应正常工况模型的建模样本。
[0024](2.2)每个样本子集单独进行学习训练，建立浮标运动特性的局部LSSVR预测模型LSSVR1和LSSVR2；
[0025]以建立LSSVR1为例，根据LSSVR定义，第i个输入变量x
i
的输出y
i
可表示为：
[0026]y
i
＝f(w,c,x
i
)+e
i
＝w
T
φ(x
i
)+c+e
i
,i＝1,
…
,N
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0027]式中，f表示待求模型，φ是非线性函数，w和c分别表示权值向量和偏置，e
i
表示相应的噪声项。其求解模型为：
[0028][0029]式中,e＝[e1,
…
,e
N
]T
表示误差向量；||w||2/2为正则化项。γ>0为惩罚系数，用于控制模型解的光滑度，其值越大代表对误差的惩罚力度越强。采用拉格朗日乘子法求解式(3)的等式约束优化问题，可得如下线性方程组：
[0030][0031]式中，b＝[b1,
…
,b
N
]T
是拉格朗日乘子，1＝[1,
…
,1]T
∈R
N
为全1向量，G＝(K+Iγ)
‑1，I∈R
N
×
N
为单位阵，K是一个核矩阵，其元素对一个新的测试样本x
t
，其输出y
t
的预测值
[0032][0033]式中，是输出样本的核矩阵。
[0034]进一步，为了提高LSSVR模型的精度和泛化性能，采用快速留一交叉验证法(FLOO)在线求取合适的LSSVR模型参数对[γ,σ]，即当本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种浮标运动特性的数据驱动建模与预测方法，其特征在于：包括步骤如下：(1)、确定预测模型的输入和输出变量，收集建模样本集S；其中(1)、确定预测模型的输入和输出变量，收集建模样本集S；其中(2)、建立浮标运动特性的局部LSSVR预测模型，包括(2.1)、将样本集S分成2个样本子集，即正常工况的S1和极端工况的S2；(2.2)、样本子集S1单独进行学习训练，建立浮标运动特性的局部LSSVR预测模型LSSVR1；样本子集S2单独进行学习训练，建立浮标运动特性的局部LSSVR预测模型LSSVR2；(3)、为每个新的测试样本x
t
，t＝1,
…
,T，选择合适的局部LSSVR预测模型。2.根据权利要求1所述的浮标运动特性的数据驱动建模与预测方法，其特征在于：步骤(2)具体包括：(2.1)将样本集S分成2个样本子集，即正常工况的S1和极端工况的S2，其中以第i个输入变量表示输入变量的个数，利用下述公式式中Δx
o,l
和分别表示x
i,l
的残差和均值，权重系数λ≥0，代表均方差；如果Δx
i,l
≥λσ
l
,则分至样本子集S2，对应极端工况模型的建模样本；否则,s
i
分至S1，对应正常工况模型的建模样本；(2.2)每个样本子集单独进行学习训练，建立浮标运动特性的局部LSSVR预测模型LSSVR1和LSSVR2；以建立LSSVR1为例，根据LSSVR定义，第i个输入变量x
i
的输出y
i
表示为：y
i
＝f(w,c,x
i
)+e
i
＝w
T
φ(x
i
)+c+e
i
,i＝1,
··
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式中，...

【专利技术属性】
技术研发人员：李新天，边宇舰，王文浩，杨飞，何志强，
申请(专利权)人：杭州瑞利海洋装备有限公司，
类型：发明
国别省市：