[发明专利]一种海洋浮标运动特性的域适应迁移建模与预测方法

说明书

本发明公开了一种海洋浮标运动特性的域适应迁移建模与预测方法，包括以下步骤：1)确定预测模型的输入和输出变量，收集建模样本集i＝1,…,K，式中K表示样本总数；2)建立浮标运动特性的域适应迁移学习(DATL)模型；2.1)自动将样本集S分成2个样本子集，即正常工况的Ssubgt;N/subgt;和和极端工况的Ssubgt;E/subgt;；2.2)基于传统的极限学习机回归算法，建立DATL模型；2.3)求取合适的DATL模型参数值；3)利用DATL模型计算每个新测试样本xsubgt;t/subgt;，t＝1,…,T(T是测试样本数)的预测输出。

技术领域

本发明涉及浮标设计阶段重要参数建模和预测方法的技术领域，特别涉及一种适合在复杂频变海洋环境下，浮标运动特性的域适应迁移建模与预测方法。

背景技术

浮标是现代海洋监测系统的常用设备，经常工作在风、浪、流等共同作用的复杂海洋环境中。研究浮标运动特性与复杂频变海洋环境间的相互作用，获取包括浮标航向、横摇和纵摇等特性参数，对指导浮标工程设计，确保浮标搭载的各类传感器正常稳定的运行具有重要意义。

国内外学者基于机理分析和数值仿真技术，对各种型式的浮标进行了大量研究。由于难以从机理上描述海洋浮标实际所处风、浪、流间的耦合作用，至今仍无法建立一种较精确的机理或仿真模型。已有的模型为降低建模难度，大都基于线性波理论，仅考虑了波浪的影响，忽略风、浪和流的共同作用，不足以描述海洋浮标所处的频变复杂环境特性。同时，描述各种运动特性的机理和数值模型均针对特定型式和驱动装置的浮标，限制了其工程推广应用。因此，有必要建立一种通用性较强，准确度较高的浮标运动特性模型以适应复杂频变的海洋环境。

数据驱动经验模型以不需要实质性的了解复杂的内部现象，为浮标运动特性的建模和预测提供了一种新方法。学者曾利用最小二乘支持向量机(LSSVR)建模方法，较完整地描述了复杂频变海洋环境中的浮标运动特性。然而该方法需要较多的建模数据，且由于正常和极端工况中浮标运动的不同特性，需要足够多的极端工况的实验数据才能建立稳定的LSSVR模型。实际上，由于海洋环境的复杂性、传感器技术的局限性等因素，获得稳定可靠的大量极端工况实验数据非常困难。鉴于此，提出了一种基于域适应迁移(DATL)的建模与预测方法，可以通过传递正常和极端工况数据间的有效特征信息，利用少量的建模数据，尤其是极端工况的建模数据，扩大模型的预测范围，提高模型的预测精度。经文献检索发现，没有将DATL模型用于预测海洋浮标运动特性的方法。

发明内容

本发明针对浮标运动特性建模过程存在的不足和缺陷，提供一种海洋浮标运动特性的域适应迁移建模与预测方法。

本发明的技术方案如下：

一种海洋浮标运动特性的域适应迁移建模与预测方法，包括以下步骤：

1)确定预测模型的输入和输出变量，收集建模样本集式中K表示样本总数；

2)建立浮标运动特性的域适应迁移学习(DATL)模型；

2.1)自动将样本集S分成2个样本子集，即正常工况的S_N和和极端工况的S_E；

以第i个输入变量(L表示输入变量的个数)为例说明分类方法。利用下述公式

式中Δx_i,l和分别表示x_i,l的残差和均值，权重系数ξ_l≥0，代表均方差。如果Δx_i,l≥ξ_lσ_l,则分至对应极端工况模型的建模样本，P表示极端工况样本数；否则,s_i分至对应正常工况模型的建模样本，M表示正常工况样本数。

2.2)基于传统的极限学习机回归算法，建立DATL模型；