【技术实现步骤摘要】
本专利技术涉及舰船作业保障，具体提供一种基于clba模型的舰船运动预报方法、设备及介质。
技术介绍
1、舰船在航行过程中受到风、浪、流等复杂海况的影响，产生不同程度的六个自由度运动，会影响舰船设备的安全作业。为了保障航行安全，需要提前有效地预测舰船运动情况，其预报结果能够为优选转向时机、辅助航行控制、减少恶劣海况下作业事故率、提高海上设备运行精度提供必要数据，具有极高的民用和军事价值。因此，建立一种可靠的舰船运动方法尤为重要。
2、舰船的运动数据为多元复杂时序序列，其内部具有复杂的时空相关性。然而传统方法对时空依赖性的捕捉能力有限，对舰船运动非线性动力系统难以精确建模与准确表达。
3、相应地，本领域需要一种新的基于clba模型的舰船运动预报方案来解决上述问题。
技术实现思路
1、为了克服上述缺陷，提出了本专利技术，以解决舰船运动预测准确率低的问题。
2、在第一方面，本专利技术提供一种基于clba模型的舰船运动预报方法，包括以下步骤：
3、获取待测舰船的历史运动数据；
4、将所述待测舰船的历史运动数据输入clba模型中，获取待测舰船的运动预测结果；所述clba模型包括convlstm网络、c2quantumba算法；基于选取的网络结构构建初始舰船运动预报网络，所述选取的网络结构为同时考虑时序和空间信息的convlstm网络，所述初始舰船运动预报网络包括：编码网络、预测网络；基于c2quantumba算法对所述初始舰船运动预报
5、在上述基于clba模型的舰船运动预报方法的一个技术方案中，获取待测舰船的历史运动数据之后还包括：
6、对所述待测舰船的历史运动数据进行预处理，所述预处理至少包括：
7、对数据集中的异常数据进行修复、去噪和归一化处理；
8、基于舰船运动信息与环境因素数据建立数据二维矩阵。
9、在上述基于clba模型的舰船运动预报方法的一个技术方案中，所述运动信息至少包括时间和横摇、纵摇、艏摇、横荡、纵荡和升沉六个自由度，所述环境因素信息至少包括风、浪、流。
10、在上述基于clba模型的舰船运动预报方法的一个技术方案中，基于选取的网络结构构建初始舰船运动预报网络的过程至少包括：选取convlstm网络作为网络结构构建初始舰船运动预报网络，其中，编码网络、预测网络分别通过n个convlstm层的叠加构建的，每层convlstm网络节点个数为mi，其中i∈a,a＝{1,2,…,2n}。
11、在上述基于clba模型的舰船运动预报方法的一个技术方案中，基于选取的网络结构构建初始舰船运动预报网络的过程还包括：
12、将进行预处理后的待测舰船的历史运动数据输入到所述编码网络中，得到编码网络每层的状态；
13、将所述编码网络每层的状态复制到对应的所述预测网络层中；
14、通过将所述预测网络中的所有状态连接起来，传递到卷积层以生成最终预测值。
15、在上述基于clba模型的舰船运动预报方法的一个技术方案中，基于c2quantumba算法对所述初始舰船运动预报网络进行超参数优化，得到clba模型的过程至少包括：
16、构建c2quantumba算法；
17、将所述初始舰船运动预报网络和所述初始舰船运动预报网络的超参数输入所述c2quantumba算法中进行训练，使其满足预先设置的训练终止条件；所述训练终止条件是指在训练集均方根误差达到既定阈值或满足最大优化次数要求；
18、将训练和验证损失作为适应度函数值反馈给所述c2quantumba算法，优化超参组合，重复训练步骤，直至满足训练终止条件；
19、输出模型的最优超参数组合。
20、在上述基于clba模型的舰船运动预报方法的一个技术方案中，构建c2quantumba算法的过程包括：
21、设置c2quantumba算法的初始化参数，所述初始化参数至少包括：蝙蝠种群大小、迭代次数、扰动尺度因子、混合执行参数、聚合参数；
22、计算适应度函数值，更新最优蝙蝠位置；
23、基于量子旋转门，循环迭代更新所有蝙蝠个体位置；
24、计算新精英种群适应度值，使用每个个体当前的最佳位置生成一个新种群，对所述新种群使用个体的适应值进行排序，分为较好性能与较差性能两个部分，表现较好部分采用局部云在较小范围内搜索，以产生新的优秀个体，表现较差部分施加三维cat混沌映射全局扰动，更新种群位置；
25、计算新种群中每个个体的适应度函数值，若满足预先设置的训练终止条件，则输出最优种群，否则继续更新蝙蝠个体位置。
26、在上述基于clba模型的舰船运动预报方法的一个技术方案中，所述超参数包括初始舰船运动预报网络的深度与宽度，所述深度为模型层数，所述宽度为每层节点数。
27、在第二方面，本专利技术提供一种电子设备，包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述基于clba模型的舰船运动预报方法的技术方案中任一项技术方案所述的基于clba模型的舰船运动预报方法。
28、在第三方面，本专利技术提供一种计算机可读存储介质，其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述基于clba模型的舰船运动预报方法的技术方案中任一项技术方案所述的基于clba模型的舰船运动预报方法。
29、本专利技术上述一个或多个技术方案，至少具有如下一种或多种有益效果：
30、在实施本专利技术的技术方案中，本专利技术提供了一种基于clba模型的舰船运动预报方法，包括以下步骤：获取待测舰船的历史运动数据；将所述待测舰船的历史运动数据输入clba模型中，获取待测舰船的运动预测结果；所述clba模型包括convlstm网络、c2quantumba算法；基于选取的网络结构构建初始舰船运动预报网络，所述选取的网络结构为同时考虑时序和空间信息的convlstm网络，所述初始舰船运动预报网络包括：编码网络、预测网络；基于c2quantumba算法对所述初始舰船运动预报网络进行超参数优化，得到clba模型。与现有技术相比，本专利技术所提供的基于clba模型的舰船运动预报方法的有益效果为：
31、本方法基于clba模型构建的舰船运动预报方法预报精度更高，对各级海况有较好的适应性，具有较高的预测精度。其中采用convlstm网络，同时考虑了舰船运动的时序和空间信息，能够更准确地预测舰船的运动轨迹；然后基于c2quantumba更新初始舰船运动预报网络的超参数，能够获得更优质的超参组合，有效解决舰船运动预报模型人工调参难、耗时长的问题。
32、进一步的，基于convlstm网络构建初始舰船运动预报网络，其中，卷积层能够更好的获取舰船运动时空特性信息，lstm网络能够更好的解决传统循环神经网本文档来自技高网...
【技术保护点】
1.一种基于CLBA模型的舰船运动预报方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，获取待测舰船的历史运动数据之后还包括：
3.根据权利要求2所述的方法，其特征在于，所述运动信息至少包括时间和横摇、纵摇、艏摇、横荡、纵荡和升沉六个自由度，所述环境因素信息至少包括风、浪、流。
4.根据权利要求2所述的方法，其特征在于，基于选取的网络结构构建初始舰船运动预报网络的过程至少包括：选取ConvLSTM网络作为网络结构构建初始舰船运动预报网络，其中，编码网络、预测网络分别通过n个ConvLSTM层的叠加构建的，每层ConvLSTM网络节点个数为mi，其中i∈A,A＝{1,2,…,2n}。
5.根据权利要求4所述的方法，其特征在于，基于选取的网络结构构建初始舰船运动预报网络的过程还包括：将进行预处理后的待测舰船的历史运动数据输入到所述编码网络中，得到编码网络每层的状态；
6.根据权利要求1所述的方法，其特征在于，基于C2QuantumBA算法对所述初始舰船运动预报网络进行超参数优化，得到CLBA模型的过
7.根据权利要求6所述的方法，其特征在于，构建C2QuantumBA算法的过程包括：
8.根据权利要求1所述的方法，其特征在于，所述超参数包括初始舰船运动预报网络的深度与宽度，所述深度为网络层数，所述宽度为每层节点数。
9.一种电子设备，包括处理器和存储装置，所述存储装置适于存储多条程序代码，其特征在于，所述程序代码适于由所述处理器加载并运行以执行权利要求1至8中任一项所述的基于CLBA模型的舰船运动预报方法。
10.一种计算机可读存储介质，其中存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行权利要求1至8中任一项所述的基于CLBA模型的舰船运动预报方法。
...【技术特征摘要】
1.一种基于clba模型的舰船运动预报方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，获取待测舰船的历史运动数据之后还包括：
3.根据权利要求2所述的方法，其特征在于，所述运动信息至少包括时间和横摇、纵摇、艏摇、横荡、纵荡和升沉六个自由度，所述环境因素信息至少包括风、浪、流。
4.根据权利要求2所述的方法，其特征在于，基于选取的网络结构构建初始舰船运动预报网络的过程至少包括：选取convlstm网络作为网络结构构建初始舰船运动预报网络，其中，编码网络、预测网络分别通过n个convlstm层的叠加构建的，每层convlstm网络节点个数为mi，其中i∈a,a＝{1,2,…,2n}。
5.根据权利要求4所述的方法，其特征在于，基于选取的网络结构构建初始舰船运动预报网络的过程还包括：将进行预处理后的待测舰船的历史运动数据输入到所述编码网络中，...
【专利技术属性】
技术研发人员：李明伟，徐瑞喆，杨中仪，王宇田，李向阳，王梓鹤，耿敬，
申请(专利权)人：哈尔滨工程大学，
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。