一种基于深度学习的船舶横摇集成预测方法及系统技术方案

本发明专利技术提供一种基于深度学习的船舶横摇集成预测方法及系统，通过船舶上安装的姿态传感器所获取原始船舶横摇数据进行横摇运动预测，包括由船舶上安装的姿态传感器获取原始船舶横摇数据，将原始船舶横摇数据通过重采样进行解码得到船舶横摇时间序列；采用自适应二次分解对原始船舶横摇数据进行预处理，降低原始数据的非线性和非平稳特征；将二次分解后得到的子序列，划分为训练集、验证集和测试集；选用每个子序列中的训练集建立多输入多输出策略下的深度信念网络模型；使用多目标水母搜索方式优化模型超参数，建立自适应误差修正模型，获取最终预测结果，进行误差分析并输出。本发明专利技术提高了船舶横摇运动预测的稳定性与准确性。明提高了船舶横摇运动预测的稳定性与准确性。明提高了船舶横摇运动预测的稳定性与准确性。

【技术实现步骤摘要】
一种基于深度学习的船舶横摇集成预测方法及系统


[0001]本专利技术涉及船舶横摇运动预测方法，尤其涉及一种基于深度信念网络的船舶横摇集成预测方法及系统。

技术介绍

[0002]在航运业蓬勃发展的新时期下，船舶在波浪中的运动性能一直受到研究人员广泛的关注。船舶以某一速度在海上航行时，会受到海风、海浪、海流等环境因素影响，从而产生剧烈的具有六个自由度的摇荡运动，对船舶航行的安全性造成极大影响。而剧烈的横摇运动会引起船舶倾斜，也是六自由度运动中最危险的状态之一。船舶横摇运动包含低频分量和高频分量，低频分量由船舶的螺旋桨推力、舵力等产生，高频分量则是由海浪引起，随海浪的起伏而进行往复运动，海况等级越高，横摇变化越快，导致横摇运动具有极强的随机性和非线性特征。
[0003]为了满足船舶海上航行的安全性以及执行特定作业的需要，许多学者投入到船舶运动横摇运动预测问题的研究中。神经网络在船舶姿态预测方面已经发展成了一种有效可靠的工具。其中，深度信念网络是一种高效的深度学习神经网络模型，具有较强的数据分析和特征提取的能力。但是对于具有非平稳、非线性特征的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的船舶横摇集成预测方法，通过船舶上安装的姿态传感器所获取原始船舶横摇数据进行横摇运动预测，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横摇数据，将原始船舶横摇数据通过重采样进行解码得到船舶横摇时间序列；2)采用自适应二次分解对原始船舶横摇数据进行预处理，降低原始数据的非线性和非平稳特征，包括首先将船舶横摇时间序列采用经验小波变换EWT分解，自适应地对原始数据分解为若干个较平稳的子序列，再对每个子序列进行样本熵计算，检测每个子序列的复杂程度，选择样本熵值最大的子序列送至二次分解阶段；然后采用变模态经验分解VMD对样本熵值最大的子序列进行二次分解，降低子序列复杂程度；3)基于步骤2)二次分解后得到的子序列，划分为训练集、验证集和测试集；4)选用每个子序列中的训练集建立多输入多输出MIMO策略下的深度信念网络模型DBN；所述DBN模型是一种多步预测模型，包括可视层、隐含层和输出层，并使用MIMO策略克服一步输出的误差累计效应；模型中的可视层用于输入样本数据，隐含层通过逐层训练学习提取样本数据的特征；输出层采用梯度下降方法对整个网络权重进行反向微调，使DBN特征向量映射结果达到最优；5)将步骤3)所得验证集输入至步骤4)所得初始的DBN模型，使用多目标水母搜索方式MOJS优化DBN模型的超参数，包括神经元初始权重、隐含层节点数和学习率；设置均方根误差MSE和标准差SD作为优化的目标函数，分别从稳定性和预测精度方面寻找DBN模型的最优超参数；根据实际需要从优化结果形成的Pareto前沿中选择一组作为最优解；6)建立自适应误差修正模型，获取最终预测结果；包括根据步骤5)优化超参数后的DBN模型预测的船舶横摇数据和实际数据计算得到误差时间序列，先使用Ljung
‑
Box Q
‑
test检测误差序列的自相关性，若不通过检验，则建立ARIMA修正模型，得到修正后的误差序列，与初步预测数据相加后得到最终预测结果；7)评价步骤6)得到的多目标优化和自适应误差修正后的DBN模型，包括将步骤3)所得测试集输入步骤6)所得多目标优化和自适应误差修正的DBN模型进行鲁棒性测试，对预测结果进行误差分析，输出船舶横摇集成预测结果。2.根据权利要求1所述的一种基于深度学习的船舶横摇集成预测方法，其特征在于：步骤2)中，通过经验小波变换对船...

【专利技术属性】
技术研发人员：陈泽宗，魏鋆宇，赵晨，涂远辉，
申请(专利权)人：武汉大学，
类型：发明
国别省市：