System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于船舶与海洋工程,尤其涉及图神经网络融入自注意力机制的船舶运动预报方法及系统。
技术介绍
1、船舶在航行过程中,由于受到周围环境中风、浪、流等因素的影响会产生六自由度摇荡运动,其中横摇、纵摇和垂荡运动会对船舶作业造成较大的影响,在中高海况下甚至会对船舶航行安全造成威胁。因此,提前对船舶运动姿态进行预报,进而为船舶海上航行与执行作业任务提供辅助决策信息对于保障船舶安全具有重大意义。
2、现有的船舶运动序列预报研究中,为提高单自由度运动预报精度,部分学者采用船舶六自由度运动序列作为模型输入。而根据船舶耐波性理论,船舶六自由度运动序列存在耦合关系,目前的研究并未将船舶六自由度运动耦合关系融入预报模型中,这会降低船舶运动预报精度。因此,如何将船舶六自由度运动耦合关系进行表征并融入船舶运动预报任务中,成为一个重要的问题。
3、船舶运动序列之间的耦合关系是一种隐藏的数据特征,基于输入的船舶六自由度运动时历片段采用自注意力机制计算得到运动序列相关性矩阵,进而以此为邻接矩阵构建船舶运动图数据,实现基于图数据结构的船舶运动序列耦合关系表征。然后基于构建的船舶运动图数据,采用图卷积(gcn)神经网络融合船舶运动时序特征和船舶运动序列耦合特征,对船舶运动特征进行重构。并在此基础上引入门控循环网络(gru)模型,对重构后的船舶运动数据进行时序特征提取,进而实现对船舶运动六自由度运动数据的高精度预报。
4、现有技术《基于耦合特征lstm的船舶运动预报方法研究》中提出的预报模型。该现有技术中采用的时序模型是长
5、通过上述分析,现有技术存在的问题及缺陷为:船舶运动数据中船舶运动序列耦合关系是一种隐藏特征,这种耦合关系隐藏在船舶六自由度运动序列之间,没有被直接表示,导致船舶运动耦合特征的表示和融合存在困难。因此在船舶运动极短期预报的现有技术中,采用船舶运动多序列输入的预报模型并未考虑船舶六自由度运动的耦合关系,导致船舶运动预报精度较低。综上,想要在船舶运动极短期预报中融入船舶运动多序列耦合特征,需要解决两个技术问题:如何基于船舶运动多序列数据的耦合关系表示、如何融入船舶运动多序列耦合特征的预报模型构建。
技术实现思路
1、为克服相关技术中存在的问题,本专利技术公开实施例提供了图神经网络融入自注意力机制的船舶运动预报方法及系统。
2、所述技术方案如下:图神经网络融入自注意力机制的船舶运动预报方法,该方法基于船舶六自由度运动数据构造的图数据,将图卷积gcn神经网络和门控循环gru神经网络结合,构建船舶运动极短期预报模型,对船舶进行单自由度运动预报,具体包括以下步骤:
3、s1,采用自注意力机制,基于输入的船舶六自由度运动序列片段,计算六自由度运动序列之间的耦合权重,并基于耦合权重矩阵将船舶六自由度运动数据构造为图数据;其中,图数据中的节点数据为船舶六自由度运动幅值,图数据中的邻接矩阵为计算出的耦合权重矩阵,实现基于船舶运动多序列数据的耦合关系表示;
4、s2,采用gcn模型对所述图数据进行特征提取,根据邻接矩阵对节点数据进行融合,对被预报的单自由度运动数据进行特征重构;
5、s3,采用gru模型对gcn特征重构的单自由度运动数据进行时序特征提取和学习,完成对单自由度运动的预报。
6、在步骤s1中,所述采用自注意力机制,基于输入的船舶六自由度运动序列片段,计算六自由度运动序列之间的耦合权重,并基于耦合权重矩阵将船舶六自由度运动数据构造为图数据包括:
7、s101,得到的船舶六自由度运动数据,表达式为:
8、;
9、其中,为6行列矩阵,第1至6行依次表示船舶纵荡、横荡、垂荡、横摇、纵摇和艏摇运动数据,表示船舶六自由度运动数据的时间步总数;
10、设置训练集数据时间步总数为,将船舶六自由度运动数据分割为训练集数据和测试集数据,表达式分别为:
11、;
12、;
13、s102,采用滑动窗口法分割得到船舶运动极短期预报模型的训练集输入矩阵,船舶运动极短期预报模型的测试集输入矩阵,其中,表示一个输入片段,计算公式为:
14、;
15、式中,表示输入片段的起始时间步,同时分割得到训练集输出矩阵和测试集输出矩阵,表示一个输出片段,,表示输出片段的起始时间步;其中为训练集数据时间步总数,为输入长度,为输出长度,为预报自由度编号,,其中1至6依次表示船舶纵荡、横荡、垂荡、横摇、纵摇和艏摇运动。
16、在步骤s2中,所述采用gcn模型对所述图数据进行特征提取包括:
17、对于船舶运动极短期预报模型的训练集输入矩阵,其中,为训练集数据时间步总数,为输入长度,为输出长度,针对中的每个输入片段,表达式为:
18、;
19、式中,表示输入片段的起始时间步,采用gru模型分别提取六自由度运动特征,取gru提取的最后一个隐藏状态参数,表示船舶六自由度运动的时序特征,表示实数域,即所有实数的集合。
20、在步骤s2中,所述根据邻接矩阵对节点数据进行融合包括:基于隐藏状态参数计算自注意力机制中的查询矩阵和键矩阵,与输入片段对应的船舶六自由度运动耦合权重矩阵的计算公式为:,其中,为查询矩阵和键矩阵的隐藏维度;
21、基于图数据结构,将输入片段与其对应的船舶六自由度运动耦合权重矩阵结合,将输入片段构造为船舶六自由度运动图数据。
22、进一步,所述查询矩阵和键矩阵的计算公式分别为:
23、;
24、;
25、式中,和分别为自注意力机制中两个具有可学习参数的线性投影矩阵。
26、进一步,所述船舶六自由度运动图数据的表达式为:
27、;
28、式中,为单位矩阵,表示图数据g的节点数据,表示图数据g的邻接矩阵;
29、船舶六自由度运动图数据为包含6个节点的图数据。
30、在步骤s3中,完成对单自由度运动的预报包括:
31、基于船舶六自由度运动图数据,采用图卷积gcn神经网络,经过若干层图卷积操作,实现对第个自由度运动数据的特征重构,为预报自由度编号,其中1至6依次表示船舶纵荡、横荡、垂荡、横摇、纵摇和艏摇运动,得到重构后的运动数据,其中,表示重构后的第个自由度的船舶运动幅值。
32、进一步,所述图卷积的计算公式为:
33、;
34、其中,表示第层的隐藏状态,为图数据的度矩阵,为船舶六自由度运动耦合权重矩阵,表示第层的隐藏状态,表示第层的参数矩阵,为激活函数,,且第0层的隐藏状态为图数据g的节点数据。
35、进一步,基于重构后的第个自由度的船舶运动序列片段,采用门控循环gru神经网络,以重构后的本文档来自技高网...
【技术保护点】
1.一种图神经网络融入自注意力机制的船舶运动预报方法,其特征在于,该方法基于船舶六自由度运动数据构造的图数据,将图卷积GCN神经网络和门控循环GRU神经网络结合,构建船舶运动极短期预报模型,对船舶进行单自由度运动预报,具体包括以下步骤:
2.根据权利要求1所述的图神经网络融入自注意力机制的船舶运动预报方法,其特征在于,在步骤S1中,所述采用自注意力机制,基于输入的船舶六自由度运动序列片段,计算六自由度运动序列之间的耦合权重,并基于耦合权重矩阵将船舶六自由度运动数据构造为图数据包括:
3.根据权利要求1所述的图神经网络融入自注意力机制的船舶运动预报方法,其特征在于,在步骤S2中,所述采用GCN模型对所述图数据进行特征提取包括:
4.根据权利要求1所述的图神经网络融入自注意力机制的船舶运动预报方法,其特征在于,在步骤S2中,所述根据邻接矩阵对节点数据进行融合包括:基于隐藏状态参数计算自注意力机制中的查询矩阵和键矩阵,与输入片段对应的船舶六自由度运动耦合权重矩阵的计算公式为:,其中,为查询矩阵和键矩阵的隐藏维度;
5.根据权利要求4所述的
6.根据权利要求4所述的图神经网络融入自注意力机制的船舶运动预报方法,其特征在于,所述船舶六自由度运动图数据的表达式为:
7.根据权利要求1所述的图神经网络融入自注意力机制的船舶运动预报方法,其特征在于,在步骤S3中,完成对单自由度运动的预报包括:
8.根据权利要求7所述的图神经网络融入自注意力机制的船舶运动预报方法,其特征在于,所述图卷积的计算公式为:
9.根据权利要求7所述的图神经网络融入自注意力机制的船舶运动预报方法,其特征在于,基于重构后的第个自由度的船舶运动序列片段,采用门控循环GRU神经网络,以重构后的运动序列片段为特征,以对应的输出片段为标签,在整个训练过程中,将训练集输入矩阵作为特征输入,将计算结果与训练集输出矩阵进行误差计算,误差计算结果为每轮训练的损失函数值,图卷积GCN神经网络和门控循环GRU神经网络结合构建的船舶运动极短期预报模型自动根据损失函数值调整GCN和GRU模型的参数,实现船舶运动极短期预报模型的参数迭代优化,并将训练完成的参数进行保存,最后读取保存的文件,将测试集输入矩阵输入到船舶运动极短期预报模型中,计算得到船舶运动极短期预报结果,并将预报结果与测试集输出矩阵进行误差计算,得到船舶运动极短期预报模型预报误差。
10.一种图神经网络融入自注意力机制的船舶运动预报系统,其特征在于,该系统通过权利要求1-9任意一项所述的图神经网络融入自注意力机制的船舶运动预报方法实现,该系统包括:
...【技术特征摘要】
1.一种图神经网络融入自注意力机制的船舶运动预报方法,其特征在于,该方法基于船舶六自由度运动数据构造的图数据,将图卷积gcn神经网络和门控循环gru神经网络结合,构建船舶运动极短期预报模型,对船舶进行单自由度运动预报,具体包括以下步骤:
2.根据权利要求1所述的图神经网络融入自注意力机制的船舶运动预报方法,其特征在于,在步骤s1中,所述采用自注意力机制,基于输入的船舶六自由度运动序列片段,计算六自由度运动序列之间的耦合权重,并基于耦合权重矩阵将船舶六自由度运动数据构造为图数据包括:
3.根据权利要求1所述的图神经网络融入自注意力机制的船舶运动预报方法,其特征在于,在步骤s2中,所述采用gcn模型对所述图数据进行特征提取包括:
4.根据权利要求1所述的图神经网络融入自注意力机制的船舶运动预报方法,其特征在于,在步骤s2中,所述根据邻接矩阵对节点数据进行融合包括:基于隐藏状态参数计算自注意力机制中的查询矩阵和键矩阵,与输入片段对应的船舶六自由度运动耦合权重矩阵的计算公式为:,其中,为查询矩阵和键矩阵的隐藏维度;
5.根据权利要求4所述的图神经网络融入自注意力机制的船舶运动预报方法,其特征在于,所述查询矩阵和键矩阵的计算公式分别为:
6.根据权利要求4所述的图神经网络融入自注意力机制的船舶运动预报方法,其特征在于,所述船...
【专利技术属性】
技术研发人员:黄礼敏,孙高翔,李貌,陈航宇,
申请(专利权)人:青岛哈尔滨工程大学创新发展中心,
类型:发明
国别省市:
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。