CN103577877B - 一种基于时频分析和bp神经网络的船舶运动预报方法 - Google Patents
一种基于时频分析和bp神经网络的船舶运动预报方法 Download PDFInfo
- Publication number
- CN103577877B CN103577877B CN201310583115.3A CN201310583115A CN103577877B CN 103577877 B CN103577877 B CN 103577877B CN 201310583115 A CN201310583115 A CN 201310583115A CN 103577877 B CN103577877 B CN 103577877B
- Authority
- CN
- China
- Prior art keywords
- ship motion
- ship
- motion
- neutral net
- analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于时频分析和BP神经网络的船舶运动预报方法,步骤如下:利用船舶运动传感器对船舶运动进行数据采样;利用自回归(AR)谱分析中的Marple方法得到船舶运动的主要周期运动分量;利用时域分析中的小波分析方法对船舶运动原始数据进行分析和预处理,从中分解出船舶运动的趋势项和噪声项;用BP神经网络拟合趋势项拟合得到船舶的非线性运动模型,从而提供短期的船舶运动预报。该方法完全满足工程应用的实时性要求,对在不同海况条件下船舶运动预报方法的研究具有重要意义。
Description
技术领域
本发明涉及一种船舶运动预报方法,适用于船舶上的短期运动预报和系统应用,具体涉及一种基于时频分析和BP神经网络的船舶运动预报方法。
背景技术
本课题研究的目的就是探索一种描述高海情条件下船舶姿态运动的新的预报方法,通过分析其运动规律,为船舶及其设备运动姿态的实时自适应控制提供技术支持。
船舶在海上航行时,受海浪的扰动将产生六个自由度的摇荡运动。由于实际海浪情况复杂多变,引起的船舶运动也是非常复杂的,各个自由度运动相互耦合构成一个复杂的非线性系统。在实际中,对船舶运动进行预报具有重要的价值,但运动的非线性和随机性给研究带来了困难。因此,建立描述船舶姿态非线性运动的系统模型并进行实时预报具有非常重要的意义。
文中的重点是利用Marple方法提取船舶运动的主要周期分量,利用小波分析方法对原始数据样本进行了滤波处理,使其更好的反映船舶运动趋势项的特性,再用神经网络方法拟合船舶的非线性运动,从而对船舶运动进行实时的短期预报。
发明内容
本发明提出一种基于时频分析和BP神经网络的船舶运动预报方法,有效提高船舶运动预报的精度、缩短船舶运动预报的准备时间。采用Marple方法提取船舶运动的主要周期分量,采用小波分析方法对船舶运动原始数据做去噪处理,有效提取船舶运动趋势项,减少BP神经网络训练的运算负担,提高神经网络的拟合精度,从而实现了对船舶运动的短期预报。
本发明的技术解决方案:一种基于时频分析和BP神经网络的船舶运动预报方法,步骤如下:
步骤(1)、利用船舶运动传感器以50Hz的采样频率对船舶运动进行数据采样;
步骤(2)、利用Marple分析方法提取船舶运动的主要周期运动分量;
步骤(3)、利用小波分析方法对船舶运动原始数据进行去噪处理,分离船舶运动的趋势项和噪声项;
步骤(4)、利用BP神经网络训练上述船舶运动趋势项和主要周期运动分量之间的复杂非线性关系,建立船舶运动的非线性模型;
步骤(5)、依据上述建立的船舶运动模型,预报未来一段时间内船舶的运动趋势。
进一步的,步骤(3)中所述小波分析的基函数通过选择,采用Daubechies小波包,分解层数为5层,在时域内对船舶运动数据进行去噪处理,从船舶运动数据中分离出趋势项,便于BP神经网络的训练。
进一步的,步骤(4)中所述的BP神经网络采用三层神经网络,输入层和输出层都取一个节点,隐含层取3个节点,其目标是实现从输入到输出的高度非线性映射的估计:
式中,xj为输入节点,j为1至N的整数;G(X)是模型所要估计的未知非线性映射;f(x)为激励函数,采用sigmoid函数,此处即x为N和M分别为输入层和隐含层节点个数,通过对训练样本的学习,可得到期望输出y的估计在样本学习过程中,BP网络的权值Wm、wmj将不断被调整,目标是使误差准则函数E最小:
式中,l为样本个数。
本发明与现有技术相比的优点在于:
(1)、本发明针对船舶运动的特点,通过实验选取自回归(AR)谱分析方法中的Marple方法,用于获取船舶运动的主要周期运动分量,具有分辨率高、能检测短资料序列中隐含周期分量等优点,该方法相比其它的频域分析方法更为精确。
(2)、本发明在利用神经网络训练前采用小波分析方法,对船舶运动数据进行了处理。小波分析方法具有时间域和频率域的良好局部化性质,特别适用于非平稳信号的去噪处理,可以将船舶运动中的趋势项分解出来,使得BP神经网络的拟合模型更加精确。
(3)、本发明采用BP神经网络拟合船舶运动。BP神经网络采用船舶运动中主要周期运动分量的时频关系作为输入量,采用船舶运动数据中的趋势项作为输出量,可以实现短资料序列的船舶运动预报。由于船舶运动受多种因素影响,具有非常复杂的非线性特性,因此采用此种方法比以往的线性多项式拟合方法具有精度高等优点。
附图说明
图1为本发明的工作流程图。
图2为本发明使用的船舶运动的原始仿真数据;
图3为本发明的小波分析提取的趋势项和噪声项;
图4为本发明的BP神经网络的拟合效果;
具体实施方式
下面结合附图和具体实施例,详细介绍本发明方法。
实施例1
如图1所示,本发明是一种基于时频分析和BP神经网络的船舶运动预报方法,其步骤如下:
(1)、利用船舶运动仿真器获得船舶运动的仿真数据,仿真数据的采样频率为50Hz,共采集50s的数据。图2为仿真器获得船舶运动的仿真数据。由图2可以看出,船舶运动数据中包含了多个频率的周期运动和噪声。构建船舶运动的非线性模型如下:
Y=A1×sin(ω1×t+B1)+A2×sin(ω2×t+B2)+W(1)
其中,Y为船舶运动的幅值,A1为主要周期运动的幅值,ω1为主要周期运动的频率,B1为主要周期运动的相位,A2为次要周期运动的幅值,ω2为次要周期运动的频率,B2为次要周期运动的相位,W为系统噪声。
(2)、利用自回归(AR)谱分析方法中的Marple分析方法提取船舶运动的主要和次要周期运动分量的频率ω1、ω2,并根据频率与时间的非线性模型构建BP神经网络输入项sin(ω1×t)、sin(ω2×t)。
(3)、利用常用的信号处理性能较好的Daubechies小波包(选用db5)对船舶运动数据进行滤波。图3为利用上述选取的小波包和分解层数对船舶运动数据进行去噪之后的结果,可以看出,小波分析方法有效的将船舶运动的趋势项和噪声项分解,为之后的BP神经网络训练提供了较好的样本。
(4)、利用了采集的船舶运动数据经过小波分析去噪后,与Marple分析方法提取的主、次要运动的频率和时间模型,组成神经网络的训练样本。BP神经网络采用三层神经网络,输入层和输出层都取一个节点,分别为船舶运动的主次要周期运动的非线性模型和经过小波去噪之后的船舶运动数据,隐含层取3个节点,其目标是实现从输入到输出的高度非线性映射的估计:
式中,x为输入节点;G是模型所要估计的未知非线性映射;f(x)为激励函数,采用sigmoid函数;N和M分别为输入层和隐含层节点个数,通过对训练样本的学习,可得到期望输出y的估计在样本学习过程中,BP网络的权值Wm、wmj将不断被调整,目标是使误差准则函数E最小:
式中,l为样本个数。
将神经网络训练完成所得的权值Wm和wmj做记录。图4为利用BP神经网络训练完成所得到的船舶运动模型对船舶运动的拟合效果。
(5)利用本发明得到的船舶运动模型对未来5s、10s的船舶运动进行预报。表1为本发明得到的利用50s数据对未来5s、10s预报结果与实际结果的标准差。通过本发明与未改进前的神经网络方法(NN)和自回归方法(AR)的预报结果相比较,可以看出,本发明的预报结果与NN法和AR法相比精度有了较大提高。
表1为本发明的实验验证效果(m)
实施例2
利用本发明对5组船舶运动仿真数据进行了船舶运动预报实验。表2为船舶运动预报的标准差。可以看出,本发明在不同船舶运动条件下均具有较好的船舶运动预报精度。
表2为本发明的实验验证效果(m)
本发明未详细公开的部分属于本领域的公知技术。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (4)
1.一种基于时频分析和BP神经网络的船舶运动预报方法,其特征在于,包括如下步骤:
步骤(1)、利用船舶运动传感器对船舶运动进行数据采样;
步骤(2)、利用自回归(AR)谱分析中的Marple方法得到船舶运动的主要周期运动分量;
步骤(3)、利用小波分析方法对船舶运动数据进行分析和预处理,分解出船舶运动的趋势项和噪声项;
步骤(4)、用BP神经网络拟合船舶运动中的趋势项得到船舶运动的非线性模型,从而提供短期的船舶运动预报;
步骤(4)中所述的BP神经网络采用3层神经网络,输入层和输出层都取一个节点,隐含层取3个节点,其目标是实现从输入到输出的高度非线性映射的估计:
式中,xj为输入节点,j为1至N的整数;G(X)是模型所要估计的未知非线性映射;f(x)为激励函数,采用sigmoid函数,此处即x为N和M分别为输入层和隐含层节点个数,通过对训练样本的学习,可得到期望输出y的估计在样本学习过程中,BP网络的权值Wm、wmj将不断被调整,目标是使误差准则函数E最小:
式中,l为样本个数。
2.根据权利要求1所述的基于时频分析和BP神经网络的船舶运动预报方法,其特征在于,步骤(1)中所述的利用船舶运动传感器对船舶运动进行数据采样,采样频率为50Hz。
3.根据权利要求1所述的基于时频分析和BP神经网络的船舶运动预报方法,其特征在于,步骤(2)中所述的Marple方法分离船舶运动的主要周期运动分量,在频域内提取船舶运动主要周期运动分量,作为BP神经网络的输入项。
4.根据权利要求1所述的基于时频分析和BP神经网络的船舶运动预报方法,其特征在于,步骤(3)中所述小波分析的基函数通过选择,采用Daubechies小波包,分解层数为5层,在时域内对船舶运动数据进行去噪处理,从船舶运动原始数据中分离出趋势项,作为BP神经网络的输出项,进行BP神经网络的训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310583115.3A CN103577877B (zh) | 2013-11-19 | 2013-11-19 | 一种基于时频分析和bp神经网络的船舶运动预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310583115.3A CN103577877B (zh) | 2013-11-19 | 2013-11-19 | 一种基于时频分析和bp神经网络的船舶运动预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103577877A CN103577877A (zh) | 2014-02-12 |
CN103577877B true CN103577877B (zh) | 2016-05-25 |
Family
ID=50049621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310583115.3A Active CN103577877B (zh) | 2013-11-19 | 2013-11-19 | 一种基于时频分析和bp神经网络的船舶运动预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103577877B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021933B (zh) * | 2016-05-24 | 2017-10-10 | 国家海洋局第一海洋研究所 | 波浪与湍流非线性相互作用分析方法 |
CN108964969B (zh) * | 2018-05-07 | 2021-12-07 | 中国铁路总公司 | 混合神经网络和ar模型的高速铁路信号系统流量预测方法 |
CN112327293B (zh) * | 2020-10-20 | 2023-05-23 | 西北工业大学 | 一种基于分形特征智能学习的海面目标检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102621489A (zh) * | 2011-11-09 | 2012-08-01 | 江苏兴航智控科技股份有限公司 | 基于小波神经网络的船舶发电机故障智能诊断系统 |
CN102621533A (zh) * | 2012-04-05 | 2012-08-01 | 电子科技大学 | 一种用于船用导航雷达的弱小目标检测方法 |
CN103198720A (zh) * | 2013-04-03 | 2013-07-10 | 大连海事大学 | 一种基于广义自组织神经网络的船舶领域模型的修正方法 |
-
2013
- 2013-11-19 CN CN201310583115.3A patent/CN103577877B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102621489A (zh) * | 2011-11-09 | 2012-08-01 | 江苏兴航智控科技股份有限公司 | 基于小波神经网络的船舶发电机故障智能诊断系统 |
CN102621533A (zh) * | 2012-04-05 | 2012-08-01 | 电子科技大学 | 一种用于船用导航雷达的弱小目标检测方法 |
CN103198720A (zh) * | 2013-04-03 | 2013-07-10 | 大连海事大学 | 一种基于广义自组织神经网络的船舶领域模型的修正方法 |
Non-Patent Citations (1)
Title |
---|
"基于小波神经网络的船舶运动预报";章文俊等;《大连海事大学学报》;20130531;第39卷(第2期);第25-28页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103577877A (zh) | 2014-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107608935B (zh) | 基于时间重排压缩变换的冲击类信号时频分析与重构方法 | |
Law et al. | Deterministic wave prediction for unidirectional sea-states in real-time using Artificial Neural Network | |
Zhang et al. | WPD and DE/BBO-RBFNN for solution of rolling bearing fault diagnosis | |
CN110334580A (zh) | 基于集成增量的动态权重组合的设备故障分类方法 | |
CN105488466A (zh) | 一种深层神经网络和水声目标声纹特征提取方法 | |
CN106405339A (zh) | 基于高低频小波特征关联的输电线路故障原因辨识方法 | |
CN107832777A (zh) | 一种采用时域压缩多分辨率快速s变换特征提取的电能质量扰动识别方法 | |
CN105424366A (zh) | 基于eemd自适应消噪的轴承故障诊断方法 | |
CN105160204A (zh) | 一种碳排放价格组合预测方法 | |
CN106503336B (zh) | 一种海豚嘀嗒声信号建模与合成的方法 | |
CN108562811A (zh) | 基于双向长短期记忆的复杂电能质量扰动分析方法 | |
CN113821978B (zh) | 基于改进步长lms自适应算法的行波检测方法和系统 | |
CN104807534A (zh) | 基于在线振动数据的设备固有振动模式自学习识别方法 | |
CN103577877B (zh) | 一种基于时频分析和bp神经网络的船舶运动预报方法 | |
CN112086100B (zh) | 基于量化误差熵的多层随机神经网络的城市噪音识别方法 | |
Sharbati et al. | Detection and extraction of velocity pulses of near-fault ground motions using asymmetric Gaussian chirplet model | |
CN106407659A (zh) | 一种空气质量指数预测方法和装置 | |
Yang et al. | Multi-step prediction of strong earthquake ground motions and seismic responses of SDOF systems based on EMD-ELM method | |
CN102332268B (zh) | 基于自适应冗余字典的语音信号稀疏表示方法 | |
Hao et al. | High-precision chaotic radial basis function neural network model: Data forecasting for the earth electromagnetic signal before a strong earthquake | |
CN110796047A (zh) | 一种基于机器学习的自适应稀疏时频分析方法 | |
CN109815940A (zh) | 小波包能量谱法损伤识别方法 | |
CN103383413A (zh) | 基于权值直接确定法的实时谐波检测方法 | |
CN107635181A (zh) | 一种基于信道学习的多址感知源反馈优化方法 | |
CN108108666A (zh) | 一种基于小波分析和时频单源检测的混合矩阵估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |