基于NARX神经网络的船舶升沉运动实时预测方法

[目的]对船舶升沉运动进行预测有助于增强升沉补偿器的补偿效果,减少海浪对作业设备的干扰。为提高升沉预测模型的精度和稳定性,提出一种船舶升沉运动实时预测方法。[方法]基于带外源输入的非线性自回归(NARX)神经网络建立单海况预测模型,利用船舶系统仿真器获取母船升沉运动仿真数据,将NARX模型与卡尔曼(Kalman)模型、普通反向传播(BP)模型的预测结果进行对比。在此基础上,对单海况预测模型进行改进,建立多海况预测模型。[结果]多海况预测模型预测精度较高,且稳定性优于单海况模型,在2～5级海况下的最大预测误差均小于10-4量级。[结论]仿真结果表明,NARX神经网络对复杂海浪环境具有良好的适应性,它的预测速度和精度均优于BP神经网络和传统滤波方法,在高海况下仍可保持高预测精度。     

一种基于改进回声状态网络的船舶摇荡预报

回声状态网络在船舶摇荡运动姿态的预报中得到了广泛的应用,由于远洋风浪环境的复杂性,使得船舶摇荡的非线性程度进一步增加,因此传统回声状态网络的预测精度明显不足。本文利用改进的回声状态网络方法,引入小波函数对数据进行预处理,对船舶的实测摇荡时历进行处理,提高了预报的精度。实验结果表明,与传统回声状态网络方法相比,本方法的预报精度和可靠性得到了提高。     

基于混沌理论和改进极限学习机的船舶升沉预报

船舶升沉运动预报是主动升沉补偿系统中的重要组成部分.为了满足船舶升沉运动预测的实时性和准确性要求,本文提出了一种混沌理论与增强搜索极限学习机相结合的混合方法(CES-ELM).在混沌动力系统相空间重构的基础上,采用基于误差最小化的方法生成ELM隐藏节点并不断更新权值;利用优化后的模型参数建立船舶运动预测模型.不同海况下的仿真结果表明,该方法的预测平均绝对百分误差小于10％,与传统的ELM和LSSVM模型相比,该模型能有效提高预测精度和鲁棒性.     

基于混沌理论和改进极限学习机的船舶升沉预报（英文）

船舶升沉运动预报是主动升沉补偿系统中的重要组成部分。为了满足船舶升沉运动预测的实时性和准确性要求,本文提出了一种混沌理论与增强搜索极限学习机相结合的混合方法(CES-ELM)。在混沌动力系统相空间重构的基础上,采用基于误差最小化的方法生成ELM隐藏节点并不断更新权值;利用优化后的模型参数建立船舶运动预测模型。不同海况下的仿真结果表明,该方法的预测平均绝对百分误差小于10%,与传统的ELM和LSSVM模型相比,该模型能有效提高预测精度和鲁棒性。     

实船运动与包络的极短期预报分析

舰船运动及包络的实时预报可以为舰载机起降、船舶减摇、海上锚泊并靠物资补给、动力定位等提供辅助指导意见。本文利用某实船的升沉、纵摇与横摇数据,建立运动和包络的2阶自适应Volterra级数模型,通过RLS算法估计Volterra级数模型的核,统计了不同工况下的运动预报精度。分析结果表明,Volterra级数模型可以用来辨识船舶运动系统,纵摇与升沉预报精度较好,运动预报可以与包络预报相结合共同指导工程作业。     

基于相空间重构和回声状态网络的舰船摇荡预报

为了改进利用传统回声状态网络(Echo Stale Network,ESN)方法预报非线性舰船摇荡时历时预报精度不足的问题,提出将相空间重构和回声状态网络相结合的方法,在依托海军某型舰实船采集摇荡数据的基础上,采用相空间重构技术提取舰船摇荡时历的内部结构信息,获取摇荡时历的相空间特性,对时历数据进行可用性筛选,然后将重构后的数据输入到回声状态网络进行学习训练,用于预报舰船极短期的摇荡姿态。利用实船数据进行不同预报时长条件下的试验仿真,并按照均方误差、均方根误差等误差标准对仿真结果进行误差分析。试验结果表明:所提方法对于舰船摇荡的预报具有精度高及稳定性强的优点,预报值与真实值相比从摇荡值和摇荡相位上都具有较好的精度,证明了该方法的可行性。     

波浪运动补偿平台广义升沉位移的实时预报

具有波浪运动补偿功能的稳定平台可有效减少船舶在风浪中的摇摆和升沉运动对某些海上作业和设备的影响.为了有效地进行波浪运动补偿,需要对该平台的广义升沉位移(横摇、纵摇以及升沉的耦合作用结果)进行极短时预报.本文采用时间序列分析理论中的自回归(AR)模型作为预报模型,对波浪运动补偿平台的广义升沉位移进行极短时预报.在以往的研究中,通常采用递推最小二乘法AR模型进行在线参数估计.但是采用递推最小二乘法进行参数估计容易引起参数爆发,从而影响AR模型的稳定性.针对该问题,本文采用阻尼递推最小二乘法对AR模型进行在线参数估计,并结合实验获得的平台控制点的广义升沉位移数据进行实时建模预报.仿真结果表明,采用阻尼递推最小二乘法进行参数估计能抑制参数爆发,并能提高AR模型实时预报精度.     

基于BP和LSTM组合优化的船舶升沉运动预测

预测船舶升沉运动有助于增强波浪补偿系统的补偿效果,解决补偿系统滞后问题。为提高预测模型的预测精度,提出一种基于误差反向传播（BP）神经网络和长短时记忆（LSTM）神经网络组合优化的船舶升沉运动预测方法。以采用计算流体动力学（CFD）方法获取的船舶在规则波浪作用下的升沉运动和在突发性干扰下的升沉运动为对象,基于PYTORCH框架和LINGO软件,建立以加权方式组合优化BP神经网络和LSTM神经网络的预测模型。研究结果表明,无论是船舶在规则波浪作用下的升沉运动,还是船舶在突发性干扰下的升沉运动,BP-LSTM组合模型的预测精度均高于BP神经网络和LSTM神经网络,有助于提高补偿精度。     

基于小波滤波和LSTM神经网络的船舶运动极短期预报研究

为了提高船舶运动极短期预报精度及预报时间长度,本文采用小波多分辨率分析方法,将含有噪声的船舶运动信号进行了多尺度小波变换,通过采用阈值函数法对各尺度下细节信号的小波系数进行处理,对小波分解层数、小波基函数、阈值处理方法进行了深入研究,并通过模型试验数据对滤波效果进行了验证分析,实现了船舶运动信号的小波滤波.进一步针对船舶运动的非线性特性,基于深度神经网络的非线性映射能力,建立了基于LSTM网络的多步直接映射船舶运动极短期预报模型,并采用滤波后的船舶运动数据进行了不同工况下的预报分析.结果表明,不同时间长度的预报与试验结果幅值和相位吻合较好,验证了所建立的极短期预报模型的可行性.     

海浪预报不确定下的船舶运动姿态分析方法

实时准确地估计海浪预报不确定下的船舶运动姿态是一个非常困难的问题.为解决该问题,通过分析海浪预报的随机误差对船舶运动姿态估计的影响,建立基于不确定性海况预报数据的船舶运动姿态估计模型;引入多项式混沌展开方法,实现船舶运动姿态估计的不确定性量化(Uncertainty Quantification,UQ);利用船舶横摇运...