[发明专利]一种船舶三自由度的混合神经网络模型预测方法及系统

说明书

本发明提供一种船舶三自由度的混合神经网络模型预测方法及系统，包括由船舶上安装的姿态传感器获取原始船舶摇晃姿态数据，将原始船舶摇晃姿态数据通过重采样进行解码得到船舶摇晃姿态时间序列；将船舶摇晃姿态时间序列通过自适应经验小波变换方法进行自适应分解得到分解后多个子序列，形成子序列矩阵，以降低船舶三自由度运动非线性非平稳性，划分为训练集、验证集和测试集；引入双向长短期记忆网络以从过去和未来两个方向学习船舶三自由度的时间特征，使用引力搜索算法与粒子群算法结合的混合优化算法对隐含层节点数和学习率进行寻优，基于优化后的双向长短期记忆网络预测并输出结果。本发明提高了船舶三自由度预测的稳定性与准确性。

技术领域

本发明涉及船舶三自由度预测方法，尤其涉及一种基于双向长短期记忆网络的船舶三自由度混合预测方法及系统。

背景技术

船舶在海上航行时受到海风、海浪以及洋流等不确定性海况的影响，不可避免地会发生三自由度的摇荡运动。主要从以下两个角度进行分析：从民用角度分析，船舶的剧烈摇荡运动所产生的动力效应，如砰击、上浪、失速，甚至是回转飘移现象，都会给大风浪中的舰面作业，如货物搬移、动力定位、锚泊等，产生巨大的安全隐患，时刻存在因作业时机不当而导致船舶发生翻沉及走锚事故的风险；从军用角度分析，舰载机或舰载直升机在恶劣海况下起降作业时，机体接触甲板的瞬态附加速度和甲板的横摇增加了其冲离甲板或撞击舰体的危险，加之可视信号差，且易受夜间天气制约，严重威胁着舰机的着落安全。

此时若能短时精确预测未来船舶横摇姿态信息，不仅可以使民船甲板操作员规避海上作业危险时段，还可使舰载机飞行员预判机体在接触甲板时的舰体摇荡状态，提前筹划着舰预案，降低舰载机起降风险，保障舰船本身及舰载武器的作战效能。所以，船舶运动的预测是保证海上舰面作业安全和提升作业效率的关键。

在船舶运动预测研究的早期，基于线性水动力学运动方程的预报方法最先被提出。这类方法主要可以分为卷积预报方法和卡尔曼滤波预报方法两种。但该类方法易受到噪声的极大影响，在实际应用中稳定性不高，也很难达到预期结果。随着人工智能及非线性理论的发展，一些基于非线性理论的研究方法逐渐应用于船舶姿态预测中，如支持向量机和神经网络等。但对于中高海况下船舶运动序列所具备的非线性和非平稳性，我们希望能够通过一定的神经网络混合模型预测方法，实现船舶三自由度的高精度预测。

发明内容

本发明的目的是针对目前船舶三自由度中预测精度较低的问题，提供一种基于自适应经验小波变换和混合超参数优化的船舶三自由度混合双向长短期记忆网络模型预测方案。

本发明提供的一种船舶三自由度的混合神经网络模型预测方法，包括如下步骤：

1)由船舶上安装的姿态传感器获取原始船舶摇晃姿态数据，将原始船舶摇晃姿态数据通过重采样进行解码得到船舶摇晃姿态时间序列；

2)将船舶摇晃姿态时间序列通过自适应经验小波变换方法进行自适应分解得到分解后多个子序列，形成子序列矩阵，以降低船舶三自由度运动非线性非平稳性；

3)基于步骤2)分解后得到的子序列矩阵，划分为训练集、验证集和测试集；

4)引入双向长短期记忆网络以从过去和未来两个方向学习船舶三自由度的时间特征，包括将训练集中的每个子序列样本依次输入至双向长短期记忆网络，通过双向长短期记忆网络预测得到未来时刻船舶姿态序列，结合实时刻船舶姿态序列构建损失函数模型，进一步通过梯度下降训练方式对双向长短期记忆网络的神经元权重和超参数进行优化训练，所述超参数包括隐含层节点数和学习率，得到更新后双向长短期记忆网络的神经元权重和超参数，用于初始化双向长短期记忆网络，得到初始的双向长短期记忆网络模型；

5)将步骤3)所得验证集输入至步骤4)所得初始的双向长短期记忆网络，使用引力搜索算法与粒子群算法结合的混合优化算法对隐含层节点数和学习率进行寻优，得到优化后隐含层节点数、优化后学习率，将优化后隐含层节点数、优化后学习率输入初始的双向长短期记忆网络模型，得到优化后双向长短期记忆网络；