【技术实现步骤摘要】
本专利技术属于船舶与海洋工程，尤其涉及一种融入时频分析的船舶运动长时预报方法及系统。
技术介绍
1、船舶在海面航行过程时，由于复杂的海洋环境作用，会不可避免地产生六自由度摇荡运动，剧烈的摇荡运动会给船舶的正常行驶和海上作业带来严重的影响。对船舶运动时历实现精准预报，有助于增强对船舶的精确控制，为海上作业提供必要的辅助决策信息，对提升船舶的航行安全性与作业效率具有重要意义。
2、而对于船舶运动的预报工作，目前有以下问题需要被解决。在当前的许多海上作业任务中，对于船舶运动预报的时长需求已经达到了分钟级，而由于船舶运动时历数据是周期性数据且周期较短，传统船舶运动预报模型在对运动时历数据进行预报时，有效预报时长较短，在长时预报中的误差较大，其精度难以满足实际的工程需要。因此，如何在保持预报精度的同时尽可能地延长有效预报时长，实现船舶运动的多周期预测成为目前亟待解决的问题。
3、现有的船舶运动预报模型主要分为基于传统机器学习和基于rnn模型两类，由于两类模型均是基于隐马尔科夫模型（hidden markov model，h...
【技术保护点】
1.一种融入时频分析的船舶运动长时预报方法，其特征在于，该方法包括：
2.根据权利要求1所述的融入时频分析的船舶运动长时预报方法，其特征在于，在步骤S1中，所述船舶历史运动时历数据为
3.根据权利要求1所述的融入时频分析的船舶运动长时预报方法，其特征在于，在步骤S2中，将训练集数据和测试集数据输入基于PatchTST架构的神经网络模型包括：
4.根据权利要求3所述的融入时频分析的船舶运动长时预报方法，其特征在于，所述快速傅里叶变换包括：根据得到的训练特征数据集，对其中的各个特征数据通过快速傅里叶变换从时域转换到频域，得到频率集合以及...
【技术特征摘要】
1.一种融入时频分析的船舶运动长时预报方法，其特征在于，该方法包括：
2.根据权利要求1所述的融入时频分析的船舶运动长时预报方法，其特征在于，在步骤s1中，所述船舶历史运动时历数据为
3.根据权利要求1所述的融入时频分析的船舶运动长时预报方法，其特征在于，在步骤s2中，将训练集数据和测试集数据输入基于patchtst架构的神经网络模型包括：
4.根据权利要求3所述的融入时频分析的船舶运动长时预报方法，其特征在于，所述快速傅里叶变换包括：根据得到的训练特征数据集，对其中的各个特征数据通过快速傅里叶变换从时域转换到频域，得到频率集合以及对应的振幅集合，取振幅最大值所对应的频率，并对频率取倒数作为该段特征数据的特征周期；
5.根据权利要求3所述的融入时频分析的船舶运动长时预报方法，其特征在于，所述逐波分析包括：根据得到的训练特征数据集，对其中的各个特征数据，提取其中的极大值和极小值，若，则将与对应的运动幅值进行比较；其中，若，则将提取为极大值，最终得到该段特征数据的极大值集合，对应的时间戳集合为：；若，则将提取为极小值，最终得到该段特征数据的极小值集合，，对应的时间戳集合为：；计算每个相邻的极大值与极小值之间的时间间隔得到极值间...
【专利技术属性】
技术研发人员：黄礼敏，李貌，陈航宇，孙高翔，
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。