[发明专利]一种基于CNN-LATM组合模型的波浪补偿预测方法

权利要求书

1.一种基于卷积神经网络和长短期记忆网络的波浪补偿控制方法，其特征在于，包括如下步骤：

(1)获取训练的数据：

1)利用加速度传感器感应到船舶升沉方向的加速度，通过采集卡采集之后，在通过A/D转换器对模拟信号数字化后得出采样数据，将采样数据通过标定变换转换成实际相应的加速度数据；

其中标定变换的公式为

Y_o为被测量量程的下限，

Y_m为被测量量程的上限

Y为标定变换后所得到的被测量的实际物理量

N_O为Y_o对应的A/D转换后的数字量

N_m为Y_m对应的A/D转换后的数字量

X为被测量实际值Y所对应的A/D转换后的数字量

2)将上述获得的实时加速度信号进行一次频域带通滤波处理，将频率大于1Hz的信号置零即得到光顺滤波，再采用最小二乘法来进行零点偏差的修正，最后将上述处理过的加速度信号进行两次积分运算转化为位移信号；

本发明中对于加速度的积分运算采用的是加速度频域积分原理，先将时域信号作傅里叶变换到频域内，则时域积分运算在频域就成了傅里叶分量系数的正弦、余弦积分互换，其结果在经过傅里叶逆变换，得到积分后的时域信号；

加速度时程的二阶频域积分即为运动位移，其中加速度信号频域二次积分的计算公式为

其中

式中k，n和r取值为0，1，2，……，N-1

f_d和f_a分别为带通滤波的下限截至频率和上限截至频率

X(k)为时域信号x(n)的傅里叶变换

Δf为频率分辨率

H(k)为带通滤波器的频率响应函数

3)对上述样本集x(n)进行归一化处理

(2)将上述经过归一化处理的特征参数输入到卷积神经网络(CNN)中，训练数据及对数据进行预处理，通过卷积层卷积之后得出初始化网络结构及各特征参数，为了防止过拟合化，再将卷积后的数据输入池化层调整权值与阈值，训练神经网络；

(3)将池化后的数据输入到长短期记忆网络(LSTM)得到最优权值和阈值：

1)本LSTM网络有三个门，其分别为输入门，输出门和遗忘门，各门的计算公式为

f_t＝σ(W_f·[h_t-1·x_t]+b_f)

i_t＝σ(W_i·[h_t-1·x_t]+b_i)

o_t＝σ(W_o·[h_t-1·x_t]+b_o)

h_t＝o_t*tan h(C_t)

其中符号表示两个向量对应位置上的元素相乘

“σ”表示sigmoid函数，用其作为激活函数

f代表遗忘门

i代表输入门

o代表输出门

C表示细胞状态

为当前输入的单元状态

h为细胞输出

2)按照前向传播算法计算LSTM网络输出值；

3)反向计算每个LSTM各个部分的误差项，残差传导到输出门、内部状态，遗忘门以及输入门；

4)根据相应的误差项依次计算每个门权重的梯度；

5)利用优化算法来更新每个门的权重值，经过迭代计算，寻找最优的权重和阈值；

(4)将得出的输出量进行反归一化处理，最终得到波浪补偿的位移量。