共查询到20条相似文献,搜索用时 625 毫秒
1.
2.
3.
海上浮式结构物运动响应的准确在线预报,对保障海上作业安全具有重要意义.本文基于长短期记忆(LSTM)神经网络模型,建立了浮式海洋平台运动响应极短期在线预报方法,可根据波浪时间序列信息对运动响应进行预报.通过半潜式平台模型试验得到大量波浪序列和运动响应数据,利用这些试验数据建立并训练LSTM模型,并对不同的测试工况进行运动预报和分析.结果表明,所建立的LSTM模型针对浮式海洋平台运动极短期在线预报具有较高的预报精度,预报提前量为12 s时,纵荡、垂荡和纵摇预报精度分别高于90%、93%和85%,且模型的计算效率高,每步计算时间为毫秒级,远小于预报提前时间,可以实现运动在线预报. 相似文献
4.
《舰船科学技术》2013,(12):108-113
目前,用于航行舰船上的测波设备只有测波雷达,其优势为可以测得当前较精确的海浪谱,这是精确预报舰船耐波性的基础。在测波雷达使用中,至少存在三方面矛盾:一是各船测得的海量海浪信息,如何实现快速查询;二是信息如何为众多的需求单位共享,以求解决海浪信息预报和深入研究海浪规律尤其是远洋航区的海浪规律问题;三是需要解决普遍存在有义波高测量误差偏大等测波信息航海实用化的问题。本文针对以上需求,以WaMoSⅡ测波雷达为例,从建立雷达测波信息数据库、有义波高的参数修正、相对频谱转化为绝对频谱以及基于雷达测波信息生成频率方向谱等方面,对测波信息的再处理进行研究,力求满足上述需求。 相似文献
5.
6.
7.
8.
针对潜艇操纵性优化设计中水动力系数预报问题,在潜艇水动力预报中引入艇体肥瘦指数概念,确定了潜艇艇体几何描述的五参数模型。提出采用小波神经网络方法预报潜艇水动力,确定了神经网络的结构,利用均匀试验设计方法,设计了神经网络的学习样本。在验证CFD预报艇体水动力有效的基础上,完成了样本水动力系数的CFD计算;通过对样本进行学习,完成了潜艇艇体操纵性水动力系数小波神经网络预报。研究结果表明,只要确定适当的输入参数,选择适当的学习样本和网络结构,利用小波神经网络方法对潜艇水动力进行预报可以达到较高的精度。 相似文献
9.
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. 相似文献
10.
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。 相似文献
11.
12.
13.
14.
15.
海上的波浪观测资料统计表明,海上纯风浪和纯涌浪的出现机会比较少,大部分以混合浪形式出现,其频谱结构多为双峰甚至多峰。研究双峰谱波浪的模型表述和数值模拟技术,对三种典型的双峰谱海浪进行了数值模拟,仿真结果表明了双峰谱海浪数值模拟的有效性。 相似文献
16.
17.
18.
19.
因潮位预报受风、浪、流等环境因素影响,传统的潮汐调和分析预报方法不能很好地预报潮位时间序列的复合特征,提出一种基于长短期记忆(Long Short Term Memory,LSTM)神经网络的潮位预报方法,并分别对TPXO 9全球潮汐模型模拟潮位的2021年6月逐分钟潮位数据、4个不同潮汐类型验潮站(日照、鲅鱼圈、三亚、北海)的2010年逐时实测数据进行训练、预报及精度验证。利用上述试验确认LSTM模型中隐藏神经元数目、初始学习率、迭代训练次数等网络层参数的最优选择分别为90、0.001、200。对4个验潮站进行潮位预报,结果表明:当训练数据量设置为数据样本总量的30%时,即可得到精度较高的预报结果,精度约为3~5 cm。采用LSTM神经网络方法进行潮位预报是有效且可靠的。 相似文献
20.
为了提高船舶的耐波性和适航性、对船舶横摇进行有效准确预报,提出了将灰色系统理论和神经网络进行有机结合的二阶灰色神经网络预报模型。介绍了二阶灰色预报模型,采用神经网络映射的办法构建灰色神经网络预报模型,并介绍了神经网络学习机制。另外,以某舰船横摇运动时间序列预报为例对模型进行仿真验证,有效改善了二阶灰色模型较大的预报偏差。仿真结果表明,GNNM(2,1)模型能准确预报船舶横摇运动,具有更高的预报精度和更好的数据稳定性。 相似文献