CN103926932A - 一种船舶运动姿态分解域智能预报方法 - Google Patents

Abstract

本发明一种船舶运动姿态分解域智能预报方法，包括以下几个步骤：分解船舶横摇角时间序列；检验分解所得分量和余项的波动程度；对分量和余项进行分类；将分量和余项重构为高频、中频和低频三个分量；对三个分量分别建立不同结构的信息熵加权Elman神经网络时间序列直接多步预报模型；对高频、中频和低频分量的多步预报结果进行自适应叠加，完成智能预报。不仅能保证较高的预报精度，同时又能提高建模效率，具有可靠性强、通用性强等优点，是一种提高预报准确率的有效方法。

Description

一种船舶运动姿态分解域智能预报方法

技术领域

本发明属于船舶运动姿态预报技术，特别涉及用于船舶横摇运动姿态的预报一种船舶运动姿态分解域智能预报方法。

背景技术

船舶横摇运动姿态预报技术具有显著的军事意义和社会、经济价值。它可以为船舶在大风浪中的作业，如航行、动力定位、锚泊等提供安全保障，对提升舰载武器和装备的作战使用海情具有重要意义，可为船舶的使用、耐波性能设计的改进以及减摇装置控制精度的提高提供依据，全面增强舰船安全性能。

船舶运动的非线性导致对其预报具有一定难度，近似的舰船运动机理模型求解困难，应用这样的模型必然很难给出满意预报。早期的船舶运动姿态预报技术分为频域预报法和基于传统统计学时间序列分析模型的时域预报法，随着人工智能、模糊逻辑、神经网络和灰色思想的引入，预报理论的发展又注入了新的活力。

发明内容

本发明的目的提供用于提高时间序列预报精度、降低建模难度的一种船舶运动姿态分解域智能预报方法。

本发明是通过以下技术方案实现的：

一种船舶运动姿态分解域智能预报方法，包括以下几个步骤：

步骤一：将船舶横摇角时间序列的分解，得到相互独立的本征模式分量及余项；

步骤二：求得每个分量和余项的游程个数；

分量和余项所对应的时间序列为{k(t)},t＝1,2,...n，均值为在时间序列k(t)中比均值小的观察值记为“-”，比均值大的观察值记为“+”，把时间序列k(t)转化为一个只有“+”和“-”的符号序列，将每段连续相同的符号序列记为一个游程，

步骤三：通过设定高频、中频以及低频的游程数阈值来对不同波动程度的分量和余项进行划分，使得每个分量和余项分别属于高频区域、中频区域或低频区域中的一个区域；

步骤四：将高频区域内的全部分量和余项重构为一个高频分量，将中频区域内的全部分量和余项重构为一个中频分量，将低频区域内的全部分量和余项重构为一个低频分量；

步骤五：对重构后的高频分量、中频分量、低频分量分别建立信息熵加权Elman神经网络时间序列直接多步预报模型，得到高频分量、中频分量、低频分量的多步预报结果；

步骤六：采用广义回归神经网络作为叠加器，对高频分量、中频分量、低频分量的多步预报结果进行自适应叠加，完成预报。

本发明一种船舶运动姿态分解域智能预报方法还可以包括：

1、分解船舶横摇角时间序列的方法包括以下几个步骤，

步骤一：取船舶横摇角的原始时间序列X(t)的局部最大值点和局部最小值点；

步骤二：利用3次样条线把所有局部极大值点连接起来形成上包络线e_max1(t)，同时再用3次样条线将所有的局部极小值点连接起来形成下包络线e_min1(t)，上下包络线包络所有数据点；由极大值包络线与极小值包络线取平均得到均值包络线m₁(t)：

m₁(t)＝(e_max1(t)+e_min1(t))/2；

步骤三：求得本征模式分量IMF；计算原始时间序列X(t)与均值包络线m₁(t)的差值，记为h₁(t)：

h₁(t)＝X(t)-m₁(t)

判断差值h₁(t)是否满足本征模式分量IMF所具备的条件，若不满足，将差值h₁(t)作为新的时间序列继续执行步骤一和步骤二，直到满足本征模式分量IMF的条件，得到第一个本征模式分量IMF₁；

步骤四：从原始时间序列X(t)中分离出分量IMF₁,得到第一次余项R₁(t)：

R₁(t)＝X(t)-IMF₁；

步骤五：将第一次余项R₁(t)当作新的时间序列重复步骤一到步骤四，得到第n次余项R_n(t)：

R₂(t)＝R₁(t)-IMF₂

R₃(t)＝R₂(t)-IMF₃···

R_n(t)＝R_n-1(t)-IMF_n

当不能再从第n次余项R_n(t)中提取满足本征模式分量IMF条件的分量时，分解过程结束，原始时间序列可被分解为本征模式分量IMF和最终余项的和：

$X\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{IMF}}_i+R\left(t\right).$

2、对重构后的高频分量、中频分量、低频分量分别建立信息熵加权Elman神经网络时间序列直接多步预报模型，包括以下几个步骤，

步骤一：将高频分量、中频分量、低频分量数据分别归一化到[0,1]范围内：

${\tilde{x}}_i=(x_i-x_{\min })(x_{\max }-x_{\min })$

其中：x_i为数据集中任意数值；x_min和x_max分别为数据集中最大值和最小值；为x_i对应的归一化结果；

步骤二：确定关联维数m和预报步数s，组成训练样本学习集：

输入为输出为

其中，q为训练样本数目，q＞m；

步骤三：确定信息熵Elman神经网络结构；根据训练样本集，Elman网络的输入层节点数为m，信息熵加权层节点数为m，以预报步数s作为网络的输出层节点数，隐含层节点数由试错法在网络训练学习中来确定；

步骤四：对网络输入数据进行信息熵加权，并训练网络；加权系数wi为：

$w_i=E_i/\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{E}_i,i=\mathrm{1,2},...m$

表征各信息源携带信息量的信息熵E_i为：

E_i＝-kp_ilnp_i,i＝1,2,...m

信息结构为：

$I=\left(\begin{array}{c}Z\\ P\end{array}\right)=\left(\begin{array}{cccccc}{z}_1& z_2& .& .& .& z_m\\ p_1& p_2& .& .& .& p_m\end{array}\right)$

其中： $p_i=z_i/\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{z}_i,i=\mathrm{1,2},...m,$ 由一个离散随机变量Z＝{z₁,z₂,...z_m}所给定m个信息源，m个信息源提供规定信息的概率为P＝{p₁,p₂,...p_m}；

步骤五：将作为已经训练好的神经网络的输入向量，网络的输出即为s步预报值，将预报值进行反归一化处理，得到直接多步预报结果 ${\hat{Y}}_s=\{{\hat{x}}_{n+1},{\hat{x}}_{n+2},...{\hat{x}}_{n+s}\}.$

本发明的有益效果：

(1)采用经验模式分解方法把时间序列的不同特征信息分解开来，减少了不同信息之间的干涉和耦合，提高预报精度。

(2)采用游程判别法对各个分量进行波动程度的判别，进而重构为高频、中频和低频三个分量，使得预报对象所包含的特征信息集中并且数目固定，这样在很大程度上解决了因经验模式分解所得分量不确定而引起的建模难度大、建模不准等问题，降低了预报成本。

(3)分量预报结果的自适应叠加策略，降低了预报误差大的分量对总预报结果的影响，提高了预报的准确性。

附图说明

图1为本发明方法步骤流程图；

图2为海浪有义波高4米，遭遇浪向角分别为60°、90°、135°和180°时的横摇角数据情况表；

图3为斜顺浪时的横摇角时间序列分解结果；

图4为各分量的游程个数；

图5为四种海清下的时间序列重构结果；

图6为各分量的预报结果；

图7为自适应叠加后的横摇角时间序列预报结果；

图8为采用单一的神经网络预报模型的预报结果。

具体实施方式

下面将结合附图对本发明进行详细说明；

一种船舶运动姿态分解域智能预报方法，具体包括以下几个步骤：

1、分解船舶横摇角时间序列；

分解船舶横摇角时间序列是采用经验模式分解方法将船舶横摇角时间序列分解为不同振幅和频率的相互独立的本征模式分量及余项。采用(Empirical Mode Decomposition，EMD)方法对信号X(t)进行分解的步骤如下：

(1)取信号X(t)的局部最大值点和局部最小值点。

(2)利用3次样条线把所有局部极大值点连接起来形成上包络线e_max1(t)，同时再用3次样条线将所有的局部极小值点连接起来形成下包络线e_min1(t)，上下包络线应包络所有数据点。由极大值包络线与极小值包络线取平均得到均值包络线m₁(t)：

m₁(t)＝(e_max1(t)+e_min1(t))2    (1)

(3)计算X(t)与m₁(t)之差，记为h₁(t)。

h₁(t)＝X(t)-m₁(t)    (2)

判断h₁(t)是否满足本征模式分量(Intrinsic Mode Function，IMF)所具备的条件，若不满足，将其作为原始序列继续执行第1步和第2步，直到满足IMF的条件，得到第1个IMF。

(4)从原始信号X(t)中分离出分量IMF₁,得到

R₁(t)＝X(t)-IMF₁    (3)

(5)将R₁(t)当作新的序列重复步骤(1)～(4)，得到如下结果：

R₂(t)＝R₁(t)-IMF₂

R₃(t)＝R₂(t)-IMF₃    (4)···

R_n(t)＝R_n-1(t)-IMF_n

此时余项R(t)变成常量或单调函数，不能再从中提取满足IMF的分量，分解过程结束。原始序列可被表示为IMF和最终余项的和：

$X\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{IMF}}_i+R\left(t\right)---\left(5\right)$

2、检验分解所得分量和余项的波动程度；

检验分解所得分量和余项的波动程度是采用游程判别法对各个分量和一个余项的波动程度进行检验。设某分量所对应的时间序列为{k(t)},t＝1,2,...n，均值为在k(t)中比小的观察值记为“-”，比大的观察值记为“+”，这样可以把k(t)转化为一个只有“+”和“-”的符号序列。将每段连续相同的符号序列称为一个游程，则一个符号序列就具有若干个游程。游程总数的大小反映了该IMF或R(t)的波动程度。

3、对分量和余项进行分类；

对分量和余项进行分类是通过设定高频、中频以及低频的游程数阈值来对不同波动程度的分量进行划分。

4、将分量和余项重构为高频、中频和低频三个分量。

是将划分后的高频区域中的若干个分量重构为一个高频分量，同理重构出中频分量和低频分量。

5、对三个分量分别建立不同结构的信息熵加权Elman神经网络时间序列直接多步预报模型；

是对具有不同变化规律的高频分量、中频分量和低频分量分别建立预报模型。以高频分量数据为例，预报步骤如下：

(1)数据预处理。在训练网络之前将高频分量数据{x_i|i＝1,2,...n}归一化到[0,1]范围内以适合神经网络传递函数对输入层与输出层数据的要求，归一化公式为：

${\tilde{x}}_i=(x_i-x_{\min })(x_{\max }-x_{\min })---\left(6\right)$

其中：x_i为数据集中任意数值；x_min和x_max分别为数据集中最大值和最小值；为x_i对应的归一化结果。

(2)确定关联维数m和预报步数s，组成训练样本学习集。

输入为输出为

其中，q为训练样本数目，q＞m。

(3)确定信息熵Elman神经网络结构。根据式(7)所示的训练样本集，令Elman网络的输入层节点数为m，信息熵加权层节点数为m，以预报步数s作为网络的输出层节点数，隐含层节点数由试错法在网络训练学习中来确定。

(4)采用式(8)～(11)对网络输入数据进行信息熵加权，并训练网络。

设由一个离散随机变量Z＝{z₁,z₂,...z_m}所给定的m个信息源，各信息源提供规定信息的概率为P＝{p₁,p₂,...p_m}，其计算公式为

$p_i=z_i/\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{z}_i,i=\mathrm{1,2},...m---\left(8\right)$

则该系统的信息结构为

$I=\left(\begin{array}{c}Z\\ P\end{array}\right)=\left(\begin{array}{cccccc}{z}_1& z_2& .& .& .& z_m\\ p_1& p_2& .& .& .& p_m\end{array}\right)---\left(9\right)$

该系统中表征各信息源携带信息量的信息熵E_i为

E_i＝-kp_ilnp_i,i＝1,2,...m    (10)

预报过程中对输入数据进行信息熵加权，加权系数w_i为

$w_i=E_i/\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{E}_i,i=\mathrm{1,2},...m---\left(11\right)$

(5)时间序列直接多步预报。将作为已经训练好的神经网络的输入向量，网络的输出即s步预报值。

(6)将预报值进行反归一化处理，得到直接多步预报结果中频分量和低频分量的预报过程同理。

6、采用广义回归神经网络作为叠加器，对高频、中频和低频分量的多步预报结果进行自适应叠加。

结合图1，本发明的处理流程如下：

步骤(1)，某大型船舶在海浪有义波高4米，遭遇浪向角分别为60°(斜顺浪)、90°(横浪)、135°(斜顶浪)和180°(顶浪)时的横摇角时序数据基本情况如图2的表1所示。图3给出了(斜顺浪)时的横摇角时序经过经验模式分解之后的分解结果。

步骤(2)，采用游程判别法分别计算每个横摇角时间序列经过经验模式分解之后所得到的各分量的游程个数，结果如图4的表2所示。

步骤(3)，对分量和余项进行分类。设定高频分量的阈值n₁＝50，低频分量的阈值n₂＝10，即大于n₁的为高频分量，小于n₂的为低频分量，其余在区间10≤n₁≤50中的为中频分量。

步骤(4)，将分量和余项重构为高频、中频和低频三个分量。对于斜顺浪情况，将IMF1作为高频分量，IMF2～IMF3叠加作为中频分量，IMF4～IMF5和RES.作为低频分量；对于横浪情况，将IMF1作为高频分量，IMF2～IMF3叠加作为中频分量，IMF4～IMF7和RES.作为低频分量；对于斜顶浪情况，将IMF1作为高频分量，IMF2～IMF4作为中频分量，IMF5～IMF6和RES.作为低频分量；对于顶浪情况，将IMF1～IMF2叠加作为高频分量，IMF3～IMF4作为中频分量，IMF5～IMF6和RES.作为低频分量。四种海清下的横摇角时间序列重构后的结果如图5所示。可见，经重构后原始横摇时间序列都变成了频率从高到低排列且特征信息集中的三个分量，由此便可针对不同的分量设计不同结构的Elman神经网络直接多步预报模型。

步骤(5)，对三个分量分别建立不同结构的信息熵加权Elman神经网络时间序列直接多步预报模型进行时序预报，各分量的预报结果如图6所示。

步骤(6)对高频、中频和低频分量的多步预报结果进行自适应叠加，得到EMD分解域混合智能预报模型的预报结果如图7所示，同时给出单一模型的神经网络预报结果如图8所示。

本专利要预报30s，图7给出了横摇角预报值与该海情下的横摇角实际值对比情况。分解域混合智能预报模型对各横摇角时序提前10s的预报值与实际值吻合均较好，说明所建立的预报模型符合横摇角的变化规律，但是随着预报时间的增加预报精度均呈下降趋势。从图7和图8来看，分解域预报模型的横摇角预报值在绝大多数预报点较单一神经网络预报方法的预报值更接近实际值，这表明分解域预报模型不仅提高了单一模型预报的整体精度，而且保证了大多数预报点与实际横摇角的偏离程度较小，能够在一定程度上提高横摇角预报的准确性。

Claims (3)

1.一种船舶运动姿态分解域智能预报方法，其特征在于，包括以下几个步骤：

步骤一：将船舶横摇角时间序列的分解，得到相互独立的本征模式分量及余项；

步骤二：求得每个分量和余项的游程个数；

分量和余项所对应的时间序列为{k(t)},t＝1,2,...n，均值为在时间序列k(t)中比均值小的观察值记为“-”，比均值大的观察值记为“+”，把时间序列k(t)转化为一个只有“+”和“-”的符号序列，将每段连续相同的符号序列记为一个游程，

步骤三：通过设定高频、中频以及低频的游程数阈值来对不同波动程度的分量和余项进行划分，使得每个分量和余项分别属于高频区域、中频区域或低频区域中的一个区域；

步骤四：将高频区域内的全部分量和余项重构为一个高频分量，将中频区域内的全部分量和余项重构为一个中频分量，将低频区域内的全部分量和余项重构为一个低频分量；

步骤五：对重构后的高频分量、中频分量、低频分量分别建立信息熵加权Elman神经网络时间序列直接多步预报模型，得到高频分量、中频分量、低频分量的多步预报结果；

步骤六：采用广义回归神经网络作为叠加器，对高频分量、中频分量、低频分量的多步预报结果进行自适应叠加，完成预报。

2.根据权利要求1所述的一种船舶运动姿态分解域智能预报方法，其特征在于：所述的分解船舶横摇角时间序列的方法包括以下几个步骤，

步骤一：取船舶横摇角的原始时间序列X(t)的局部最大值点和局部最小值点；

步骤二：利用3次样条线把所有局部极大值点连接起来形成上包络线e_max1(t)，同时再用3次样条线将所有的局部极小值点连接起来形成下包络线e_min1(t)，上下包络线包络所有数据点；由极大值包络线与极小值包络线取平均得到均值包络线m₁(t)：

m₁(t)＝(e_max1(t)+e_min1(t))/2；

步骤三：求得本征模式分量IMF；计算原始时间序列X(t)与均值包络线m₁(t)的差值，记为h₁(t)：

h₁(t)＝X(t)-m₁(t)

判断差值h₁(t)是否满足本征模式分量IMF所具备的条件，若不满足，将差值h₁(t)作为新的时间序列继续执行步骤一和步骤二，直到满足本征模式分量IMF的条件，得到第一个本征模式分量IMF₁；

步骤四：从原始时间序列X(t)中分离出分量IMF₁,得到第一次余项R₁(t)：

R₁(t)＝X(t)-IMF₁；

步骤五：将第一次余项R₁(t)当作新的时间序列重复步骤一到步骤四，得到第n次余项R_n(t)：

R₂(t)＝R₁(t)-IMF₂

R₃(t)＝R₂(t)-IMF₃···

R_n(t)＝R_n-1(t)-IMF_n

当不能再从第n次余项R_n(t)中提取满足本征模式分量IMF条件的分量时，分解过程结束，原始时间序列可被分解为本征模式分量IMF和最终余项的和：

$X\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{IMF}}_i+R\left(t\right).$

3.根据权利要求1或2所述的一种船舶运动姿态分解域智能预报方法，其特征在于：所述的对重构后的高频分量、中频分量、低频分量分别建立信息熵加权Elman神经网络时间序列直接多步预报模型，包括以下几个步骤，

步骤一：将高频分量、中频分量、低频分量数据分别归一化到[0,1]范围内：

${\tilde{x}}_i=(x_i-x_{\min })(x_{\max }-x_{\min })$

其中：x_i为数据集中任意数值；x_min和x_max分别为数据集中最大值和最小值；为x_i对应的归一化结果；

步骤二：确定关联维数m和预报步数s，组成训练样本学习集：

输入为输出为

其中，q为训练样本数目，q＞m；

步骤三：确定信息熵Elman神经网络结构；根据训练样本集，Elman网络的输入层节点数为m，信息熵加权层节点数为m，以预报步数s作为网络的输出层节点数，隐含层节点数由试错法在网络训练学习中来确定；

步骤四：对网络输入数据进行信息熵加权，并训练网络；加权系数w_i为：

$w_i=E_i/\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{E}_i,i=\mathrm{1,2},...m$

表征各信息源携带信息量的信息熵E_i为：

E_i＝-kp_ilnp_i,i＝1,2,...m

信息结构为：

$I=\left(\begin{array}{c}Z\\ P\end{array}\right)=\left(\begin{array}{cccccc}{z}_1& z_2& .& .& .& z_m\\ p_1& p_2& .& .& .& p_m\end{array}\right)$

其中： $p_i=z_i/\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{z}_i,i=\mathrm{1,2},...m$ 由一个离散随机变量Z＝{z₁,z₂,...z_m}所给定m个信息源，m个信息源提供规定信息的概率为P＝{p₁,p₂,...p_m}；

步骤五：将作为已经训练好的神经网络的输入向量，网络的输出即为s步预报值，将预报值进行反归一化处理，得到直接多步预报结果 ${\hat{Y}}_s=\{{\hat{x}}_{n+1},{\hat{x}}_{n+2},...{\hat{x}}_{n+s}\}.$