本发明专利技术提供了一种基于优化的支持向量回归参数的船舶航迹预测方法，该方法首先给定训练集，选择核函数类型，并利用学习集进行模型训练，得到预测函数，判读预测函数的均方误差是否达到精度要求；若达到则利用该函数预测船舶航迹，若没有，生成参数搜索路径图，利用智能水滴算法搜索最优参数，直至达到精度要求。在搜索最优参数时，智能水滴在寻优过程中具有正反馈机制，搜索过程迅速有效；在每代水滴搜索结束后，路径含沙量都会根据当代最优水滴含沙量情况改变，避免早熟现象出现，搜索能力较强，使得最终预测函数能快速得到，且可实现船舶航迹的快速有效地预测。
【技术实现步骤摘要】
本专利技术涉及船舶航迹预测和分析技术，具体涉及ー种基于智能水滴算法优化最小ニ乘支持向量回归參数的船舶航迹预测方法。
技术介绍
在水上交通领域，船舶的航迹预测有着重要意义，如果能够对船舶的未来航迹走势作出正确的判断，就可以事先采取相应的措施，趋利避害，使目标船舶和附近其他船舶处于安全的运行环境。 目前，对于这一问题的研究多采用比较传统的方法，比如卡尔曼滤波、粒子滤波等，这些方法需要建立运动学或动力学方程，而风、流等环境因素对船舶运动影响较大，干扰的随机性、多祥性直接导致了运动的复杂性。此外，从工程角度考虑，预测必须具备时效性。但可以说，实时准确地建立数学方程不仅实现困难，而且对数据源要求较高。传统、単一的航迹预测方法很难适应机动目标航迹的高度复杂性、随机性和不确定性。目前，发展起来采用智能方法对船舶航迹进行预测，根据机动目标的历史航迹，对其运动规律进行推断和学习，从而对其未来的运动趋势作出判断。徐婷婷在《基于BP神经网络的船舶航迹实时预測》中提出过用神经网络预测船舶航迹的方法，但是神经网络易陷于局部最优、容易导致“过学习”现象，从而影响预测效果。支持向量回归(SVR)是在结构风险最小化原理的基础上发展起来的一种新的学习机器，它根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中，以获得良好的推广能力，为解决船舶航迹的预测提供了一种有效途径。SVR借助最优化方法解决数据挖掘中若干问题，在一定程度上克服了 “维数灾难”、“非线性”、“局部最小点”以及“过学习”等传统困难，在文本分类、生物信息、语音识别、遥感图像分析、故障识别和预测、时间序列预测、信息安全等诸多领域有了成功的应用。最小ニ乘支持向量回归(LSSVR)是SVR的一种变形形式，其所求解的最优化问题是一个只有等式约束的凸二次规划，极大的减小了计算量。LSSVR具有优良的学习能力，但是算法性能受參数如惩罚因子C以及高斯径向基函数的宽度σ的影响很大。惩罚因子C的作用是在确定的数据子空间中调节学习机器置信范围和经验风险的比例以使学习机器的推广能力最好。在确定的数据子空间中，C的取值小表示对经验误差的惩罚小，学习机器的复杂度小而经验风险值较大；反之亦然。高斯径向基函数的宽度σ对分类器的性能比较敏感，若σ —0，则所有的训练样本点都是支持向量，且它们全部能被正确的分类，但容易出现“过学习”的现象，推广能力较差，对测试样本的错误识别率较高；若σ 则高斯核支持向量机对所有样本ー视同仁,推广能力或对测试样本的正确判断能力为零。而參数选择没有固定的方法，因此，參数选择一直是ー个研究的热点问题。目前在实际应用中，SVR參数的确定方法主要有经验确定和网格捜索。经验确定是按照样本的分布规律，对各个參数给出经验估计值，这一方法需要使用者有较深厚的SVR理论基础，对于非专业人员并不适合；而网格搜索是将2个參数所处的空间划分成网格，在每ー个网格点上逐一实验以确定最优參数。这一方法的计算量随着參数数量的增加呈指数增长，对于实际中很多大型回归分析问题由于计算量太大而不实用。以上两种方法并没有有效地解决參数的选择问题。受自然启发兴起的智能算法最近几年发展迅猛，研究者开始利用某些智能算法对支持向量机參数进行优化。齐亮在《基于蚁群算法的支持向量机參数选择方法研究》(《系统仿真技木》，2008年01期)中提出过用蚁群算法优化支持向量机參数，而在蚁群优化算法中，蚂蚁在经过的路径上释放信息素的量以及整个迭代过程中速度是一定的，蚂蚁只能在经过的路径上释放信息素，而不能移去已经存在的信息素，因此搜索优化參数速度较慢；袁小芳在《基于混沌优化算法的支持向量机參数选取方法》(《控制与决策》，2006年01期)中采用ー种变尺度混沌优化算法来捜索最优的目标函数值从而找到合适的支持向量机參数的取值，由于混沌优化算法具有“随机性”的特点，寻优效果很大程度上依赖于初 始值设定，若初始值选择不合适，很容易导致參数捜索失败。基于上述，将现有的最小ニ乘支持向量回归应用到船舶航迹预测中，存在预测速度慢，预测结果不很准确的问题。
技术实现思路
本专利技术目的是采用智能水滴算法优化最小ニ乘支持向量回归參数，在此基础上提供一种有效的、快速的、准确的船舶航迹预测方法，解决了现有最小ニ乘支持向量回归应用到船舶航迹预测中的问题。本专利技术提供了一种基于优化的支持向量回归參数的船舶航迹预测方法，包括如下步骤步骤I :输入训练集，对训练集进行预处理，选定核函数类型，具体是(I. I)输入训练集T={Xi (Ci, Vi), Yi (Φ ,入 i), tj，i=l,…，n ;，其中，η 为样本数量，Xi为ti时刻的输入样本，包括ti时刻的航向Ci和航速Vi ；Yi为ti时刻的输出样本，包括ti+1时刻与h时刻的经度差供和纬度差入i ;(I. 2)对输入的训练集进行预处理对训练集进行归一化处理，并将归ー化处理的训练集分为学习集和测试集，学习集的样本数量为k，测试集的样本数量为n-k ；(I. 3)选定最小ニ乘支持向量回归(LSSVR)的核函数为高斯径向基核函数；步骤2:根据当前全局最优參数组合Ttb中的參数，利用学习集进行模型训练，得到预测函数，并利用测试集计算预测函数的均方误差；所述的当前全局最优參数组合Ttb中存储LSSVR惩罚因子C以及高斯径向基函数的宽度σ的最优值，初始随机设定最优值；步骤3:判断当前全局最优參数组合Ttb对应的预测函数的均方误差是否满足用户设定的精度要求，若满足要求则输出当前预测函数，转步骤7执行；若不满足，执行步骤4 ；步骤4:将惩罚因子和高斯径向基函数的宽度作为待优化变量，生成參数调整路径图；设惩罚因子C的有效位数为N1位，高斯径向基函数的宽度σ的有效位数为N2位，设參数Nib = NfN2，则參数调整路径图中垂直于X轴的线段有Nib个，标记为ん…，た.一,，各线段上均具有对应数值O 9的十个节点；步骤5 :利用智能水滴算法进行參数调整，具体方法如下(5. I)初始化静态參数水滴数量N和路径姆条边初始含沙量InitGSoil ;初始化动态參数姆滴水滴初始含沙量InitDSoil、水滴初始速度InitVel和迭代代数r,初始迭代代数r = O ;(5. 2)初始将所有水滴都置于參数调整路径图中L1上数值为O的节点处，然后取水滴h进入(5. 3)执行，同时更新迭代代数r = r+1 ；h表示第h个水滴,初始h=l ；(5.3)设水滴h当前处于i位置，i位置为參数调整路径图中Lp上的某个节点，则參数调整路径图中Lp+1上的任意ー个节点均为水滴h前进路径的下ー个可能的位置，确定水滴h选择Lp+1上的各节点的概率，将最小概率对应的Lp+1上的节点作为水滴h当前前进路径的下ー个位置j ;若最小概率对应的Lp+1上的节点有多个，则随机选取其中的一个节点作为水滴h当前前进路径的下ー个位置j ；(5. 4)水滴h由i位置到达j位置后，更新水滴h的速度 vefm{t+X)=vdIWD{t)+b^cv.sou^jy其中，av、bv和ら为速度调节參数；Vel (t+l)为t+1时刻水滴h的速度，VelITO(t)为t时刻水滴h的速度；初始的水滴h的速度为水滴初始速度InitVel ；soil (i，j)表示i位置与j位置间的路径含本文档来自技高网...
【技术保护点】
一种基于优化的支持向量回归参数的船舶航迹预测方法，其特征在于，包括如下步骤：步骤1：输入训练集，对训练集进行预处理，选定核函数类型，具体是：（1.1）输入训练集：T＝{xi:(ci,vi),yi:(φi,λi),ti}，i=1,…,n；，其中，n为样本数量，xi为ti时刻的输入样本，包括ti时刻的航向ci和航速vi；yi为ti时刻的输出样本，包括ti+1时刻与ti时刻的经度差和纬度差λi；（1.2）对输入的训练集进行预处理：对训练集进行归一化处理，并将归一化处理的训练集分为学习集和测试集，学习集的样本数量为k，测试集的样本数量为n？k；（1.3）选定最小二乘支持向量回归(LSSVR)的核函数为高斯径向基核函数；步骤2：根据当前全局最优参数组合TTB中的参数，利用学习集进行模型训练，得到预测函数，并利用测试集计算预测函数的均方误差；所述的当前全局最优参数组合TTB中存储LSSVR惩罚因子C以及高斯径向基函数的宽度σ的最优值，初始随机设定最优值；步骤3：判断当前全局最优参数组合TTB对应的预测函数的均方误差是否满足用户设定的精度要求，若满足要求则输出当前预测函数，转步骤7执行；若不满足，执行步骤4；步骤4：将惩罚因子和高斯径向基函数的宽度作为待优化变量，生成参数调整路径图；设惩罚因子C的有效位数为N1位，高斯径向基函数的宽度σ的有效位数为N2位，设参数NIB＝N1+N2，则参数调整路径图中垂直于X轴的线段有NIB个，标记为各线段上均具有对应数值0～9的十个节点；步骤5：利用智能水滴算法进行参数调整，具体方法如下：（5.1）初始化静态参数：水滴数量N和路径每条边初始含沙量InitGSoil；初始化动态参数：每滴水滴初始含沙量InitDSoil、水滴初始速度InitVel和迭代代数r，初始迭代代数r＝0；（5.2）初始将所有水滴都置于参数调整路径图中L1上数值为0的节点处，然后取水滴h进入(5.3)执行，同时更新迭代代数r＝r+1；h表示第h个水滴，初始h=1；（5.3）设水滴h当前处于i位置，i位置为参数调整路径图中Lp上的某个节点，则参数调整路径图中Lp+1上的任意一个节点均为水滴h前进路径的下一个可能的位置，确定水滴h选择Lp+1上的各节点的概率，将最小概率对应的Lp+1上的节点作为水滴h当前前进路径的下一个位置j；若最小概率对应的Lp+1上的节点有多个，则随机选取其中的一个节点作为水滴h当前前进路径的下一个位置j；（5.4）水滴h由i位置到达j位置后，更新水滴h的速度：velIWD(t+1)=velIWD(t)+avbv+cv·soil2(i,j);其中，av、bv和cv为速度调节参数；velIWD(t+1)为t+1时刻水滴h的速度，velIWD(t)为t 时刻水滴h的速度；初始的水滴h的速度为水滴初始速度InitVel；soil(i，j)表示i位置与j位置间的路径含沙量，初始值为路径每条边初始含沙量InitGSoil；（5.5）水滴h由i位置到达j位置后，确定水滴h所经过的路径含沙量增量Δsoil(i,j)：Δsoil(i,j)=asbs+cs·time2(i,j;velIWD(t+1));其中，as、bs和cs为路径含沙量调节参数，函数HUD(j)为反向启发式函数，yij表示当前j位置对应的线段Lp+1上的节点映射到Y轴的纵坐标值，yij*表示当前全局最优参数组合TTB中最优值对应的Lp+1上的节点投影到Y轴的纵坐标值；（5.6）水滴h由i位置到达j位置后，更新i位置与j位置间的路径含沙量：soil(i,j)＝(1？ρn)·soil(i,j)？ρn·Δsoil(i,j)；其中ρn为路径含沙量更新参数；（5.7）水滴h由i位置到达j位置后，更新水滴h的含沙量：soilIWD＝soilIWD+Δsoil(i,j)；其中，soilIWD表示水滴的含沙量，初始值为InitDSoil；（5.8）判断水滴h是否在参数调整路径图上由L1搜索至若没有，则转（5.3）执行；若是，则根据搜索结果得到相应的参数C以及σ，然后判断是否所有的水滴都完成了搜索，若是，执行（5.9），否则，h=h+1，然后转（5.3）执行；（5.9）针对每个水滴搜索到的参数C和σ，分别利用学习集进行模型训练，得到相应的预测函数，对各预测函数利用测试集计算预测函数的均方误差，并将其中均方误差最小的参数C和σ保存到局部最优参数组合TIB中，局部最优参数组合TIB中的参数值所对应的水滴为第r代最优水滴；（5.10）当前第...
【技术特征摘要】
【专利技术属性】
技术研发人员：张振兴，李旺，赵玉新，李刚，沈志峰，
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。