基于VMD-SSA-GRU的船舶运动姿态预测

船舶运动姿态的准确预测对船舶的运动补偿意义重大,因此提出一种基于变分模态分解（VMD）和麻雀搜索算法（SSA）优化门控循环单元（GRU）的船舶运动姿态预测模型。首先利用VMD将船舶运动姿态数据分解为若干个本征模态分量,然后对各个本征模态分量分别建立SSA-GRU预测模型进行预测,最后累加得到预测结果。通过实船模拟的船舶运动姿态数据进行验证,证明此预测模型较于SSA-GRU和GRU预测模型预测精度均有相应提升,验证了本预测模型在船舶运动姿态数据预测的有效性。     

基于自适应渐消Sage-Husa扩展卡尔曼滤波的协同定位算法

[目的]针对多自主水下航行器（AUV）在航行过程中的定位精度等问题,提出一种基于自适应渐消Sage-Husa扩展卡尔曼滤波的多AUV协同定位算法。[方法]首先,改进滤波算法中的自适应滤波器,由渐消记忆指数加权得到新息协方差估计值,并引入渐消因子修正预测误差协方差,以达到调节滤波增益的目的。然后,建立多AUV协同导航模型,得到基本的协同导航滤波过程,通过对速度、加速度及位置信息的融合,实现对跟随AUV位置状态的准确估计。最后,采用此算法与EM-EKF,EKF算法分别对AUV协同导航模型进行仿真,并对结果进行对比。[结果]结果表明,在噪声协方差不匹配时,所提算法与EM-EKF,EKF算法相比均方根误差（RMSE）分别减少17.82%和24.48%,平均定位误差分别减少17.87%和22.54%;在噪声协方差时变时,RMSE分别减少42.11%和51.23%,平均定位误差分别减少34.87%和46.90%。[结论]所提算法有效改善了滤波的可靠性、精确性和自适应性。