船舶运动极短期预报研究

本文通过对两艘有航速情况下的船舶运动实测数据的分析，试图寻求一种准确程度较高的极短期预报模型。该文共分两部分，第一部分利用ＡＲ模型导出多级ＡＲ模型，预报精度明显提高。在对运动瞬时值预报中，利用包络对结果进行修正，精度有所改进；第二部分利用人工神经网络导出了包络的预报模式，预报精度明显高于ＡＲ模型。     

船舶运动的极短期预报试验

利用自回归模型对船舶运动进行了预报试验研究。试验结果表明,对于直升机稳定平台补偿控制系统来说,由于只需要对船舶未来极短时间内的运动进行预报,所以基于自回归模型的预报方法能满足系统的实际要求,是一种简单、可行的方法。     

基于最小二乘算法的船舶航行轨迹控制研究

为保证船舶一直按照既定的轨迹航行,避免发生碰撞事故,进行船舶航行轨迹控制具有重要的现实意义。为此,基于最小二乘算法进行船舶航行轨迹控制方法研究。该研究前一部分获取AIS系统中的船舶航行实时数据,得到船舶航行位置,后一部分利用最小二乘算法,并结合前一部分获取的数据,预测船舶航行角度和方向,控制船舶航行。结果表明:1)整体来看,实际航行轨迹线路与预期航行轨迹线路之间的拟合优度为0.984 7,比较靠近1,说明船舶航行实际轨迹符合预期。2)局部来看,通过对比10个不同节点处的航行速度和航行方向,误差比较小,说明所研究方法的航行轨迹控制效果较好。     

船舶运动极短期预报方法综述

文章对船舶运动极短期预报技术进行了探讨和评价。论述了极短期运动预报的定义,从不同角度对极短期预报方法进行了分类。并对极短期预报方法的发展进行了叙述及讨论,分析了这些预报方法的优点和缺点,并对今后极短期运动预报技术研究的发展提出了建议。     

基于AR-EMD方法的扩展非平稳船舶运动极短期预报AR模型

准确的极短期预报技术能够提高对船舶摇荡运动敏感的海洋特种作业安全性和效率。自回归（auto-regressive,AR）预报模型由于其自适应性强、计算效率高而被广泛应用于船舶运动的极短期预报研究。但该模型基于平稳随机假设,因而在非平稳船舶运动的极短期预报中存在困难。针对非平稳船舶运动极短期预报,文章提出一种基于AR-EMD方法的扩展AR模型,称为EMD-AR预报模型。其中,AR-EMD方法是指在经验模态分解（empirical mode decomposition,EMD）的过程中,采用AR预报的方法处理端点效应问题。 EMD-AR预报模型将非平稳信号分解成若干平稳的固有模态函数分量及余项,然后对各个分量分别用AR模型预报,得到最终的预报结果,以此克服非平稳性对AR预报模型的影响。研究基于船舶试验数据将EMD-AR模型与线性AR模型、非线性支持向量机回归（support vector regression,SVR）预报模型进行对比分析,结果表明,AR-EMD方法能够有效处理船舶运动非平稳性对AR预报模型的影响,提高该模型的预报精度,且EMD-AR模型预报性能较线性AR模型和非线性SVR模型更优。     

基于小波网的船舶运动极短期建模预报

本文结合小波分析和神经网络的优点，建立了应用于船舶运动极限期模预报的小波神经网络的结构及算法，给出了该算法的一步及多步预报模型，并进行了仿真，仿真结果说明该算法是可行的。     

大型舰船姿态运动极短期预报的一种AR算法

本文提出并严格地证明了一种AR模型的预报算法,利用该算法可对大型舰船运动姿态进行预报,在物理仿真系统中取得满意的结果。     

基于投影寻踪学习的大型船舶运动极短期预报

本文结合投影和神经网络的优点,建立了应用于大型船舶运动的极短期预报我多维投影寻踪学习网络（ＰＰＬＮ）结构及算法,并将该算法所取得的预报结果与年历顺归预报法和周期图预报法的结果进行了比较,预报结果说明了该算法的可行性。     

基于最小二乘和广义最小二乘的系统偏差估计研究

多传感器数据融合首先要解决误差配准问题,来估计系统偏差并消除它.把最小二乘理论运用于多传感器数据融合,能够得到系统偏差估计.分析最小二乘(LS)和广义最小二乘(GLS)的原理,并对两种算法进行了比较.     

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.     

基于经验模式分解的船舶摇荡运动极短期预报

针对船舶摇荡运动的非平稳、非线性特性,提出了一种基于经验模式分解的预报方法.首先通过经验模式分解方法将船舶摇荡时历分解为若干性态单一的基本模式分量,然后对这些分量分别采用最小二乘支持向量机方法进行预报,最后将各预报结果重构得到摇荡运动的预测值.对某实船摇荡时历的仿真计算表明,采用基于经验模式分解的预报方法,能有效提高预报的精度.     

Ship motion extreme short time prediction of ship pitch based on diagonal recurrent neural network

A DRNN （diagonal recurrent neural network） and its RPE （recurrent prediction error） learning algorithm are proposed in this paper . Using of the simple structure of DRNN can reduce the capacity of calculation. The principle of RPE learning algorithm is to adjust weights along the direction of Gauss-Newton. Meanwhile, it is unnecessary to calculate the second local derivative and the inverse matrixes, whose unbiasedness is proved. With application to the extremely short time prediction of large ship pitch, satisfactory results are obtained. Prediction effect of this algorithm is compared with that of auto-regression and periodical diagram method, and comparison results show that the proposed algorithm is feasible.     

基于二阶自适应Volterra级数的船舶运动极短期预报研究

针对随机海浪作用下船舶运动的非平稳、非线性特性,文章提出了基于卡尔曼(Kalman)滤波原理的非线性二阶Volterra级数自适应预报模型.通过把Volterra级数核向量作为状态向量,利用随机游动模型建立系统的状态方程,一步Volterra级数预报模型作为系统的观测方程,从而进一步提高了Volterra级数模型的核估计的收敛速度.同时验证了利用AIC准则对Volterra级数预报模型定阶的可行性,通过迭代法实现了自适应多步预报.仿真结果表明文中提出的基于Kalman滤波算法的自适应预报模型应用于船舶运动极短期预报是可行的,该方法在理论和工程应用方面具有重要的意义.     

基于混沌理论与RBF神经网络的船舶运动极短期预报研究

文章基于混沌动力系统相空间重构理论,利用关联维数法和最大Lyapunov指数法,对船舶运动时间序列的混沌特性进行了判定。并利用RBF神经网络较强的非线性映射功能,结合相空间重构理论建立了船舶运动极短期直接多步预报模型。实例预报结果表明,所建立的预报模型应用于船舶运动极短期预报取得了令人满意的预报精度,预报时间可达10 s。     

基于最小二乘支持向量机的船舶集中空调系统能耗预测

为了获得更高的船舶集中空调系统能耗预测结果,提出了基于最小二乘支持向量机的船舶集中空调系统能耗预测方法。首先分析船舶集中空调系统能耗预测研究进展,并设计了船舶集中空调系统能耗预测原理,然后采集船舶集中空调系统能耗历史数据,并采用最小二乘支持向量机对船舶集中空调系统能耗历史数据进行学习,获得船舶集中空调系统能耗预测模型。最后在相同环境下,与其他船舶集中空调系统能耗预测方法进行了对比测试。结果发现,最小二乘支持向量机的船舶集中空调系统能耗预测精度超过90%,误差控制在10%以下,可以满足船舶集中空调系统能耗控制的实际应用要求,预测误差远小于其他船舶集中空调系统能耗预测方法,体现了本文方法的优越性。     

混沌理论和神经网络相结合的舰船摇荡运动极短期预报

舰船摇荡运动具有混沌特性,因而可以应用混沌理论对其进行预报.介绍了混沌时间序列预测原理;建立了基于混沌理论相空间重构技术的RBF神经网络模型,并将其用于舰船摇荡运动预报;通过对某实船纵摇时历的预报计算,证明了采用混沌和神经网络相结合的预报方法,能有效提高预报精度和延长预报时长.     

基于LSTM的舰船运动姿态短期预测

舰船的六自由度运动状态形成复杂的非线性过程,运动姿态会受到耦合作用、不定周期、噪声信号以及混沌特性等因素的干扰,因此很难得到精确的预测结果.为了提升舰船运动姿态的预测精度,利用舰船时间序列的特点,建立了基于长短期记忆单元(LSTM)模型,对其进行了舰船姿态预测仿真,将结果与时间序列分析法的结果进行对比.实例分析表明:基于LSTM模型的预测方法具有精确度高、易实现的特点.这为舰船运动短期预测提供了一个新的思路和方法.     

一种单站纯方位目标跟踪中的最小二乘递推方法

与成批处理的方位平差法相比,最小二乘递推方法无需矩阵求逆运算,具有计算简单、存储量小的优点,适合于在线估计目标运动要素.提出了一种用于单站纯方位跟踪的最小二乘递推方法,并对算法进行了仿真.仿真结果表明,该方法受初始值影响很小,适用于含方位预处理的纯方位目标跟踪.     

基于LSTM的舰船运动姿态短期预测

舰船的六自由度运动状态形成复杂的非线性过程,运动姿态会受到耦合作用、不定周期、噪声信号以及混沌特性等因素的干扰,因此很难得到精确的预测结果。为了提升舰船运动姿态的预测精度,利用舰船时间序列的特点,建立了基于长短期记忆单元(LSTM)模型,对其进行了舰船姿态预测仿真,将结果与时间序列分析法的结果进行对比。实例分析表明:基于LSTM模型的预测方法具有精确度高、易实现的特点。这为舰船运动短期预测提供了一个新的思路和方法。     

一种基于参数估计的自适应舰船运动预报方法

运动预报是部分舰船系统的重要组成部分。为了有效地解决这一问题,文章提出了一种基于海浪峰值频率估计的自适应舰船运动预报方法。在舰船运动与海浪激励的建模基础上,建立了基于最小二乘估计的自复位海浪峰值频率估计器。采用自回归移动平均(ARIMA)模型拟合方法预报舰船运动,并通过海浪峰值频率估计值自适应调节ARIMA模型的采样周期,提高了复杂海况下对舰船运动的预报能力。该方法与常规ARIMA模型方法、反向传播神经网络方法的仿真对比结果表明了该方法在解决舰船动态预报问题上的良好精度和鲁棒性。