CN110806692A - 一种基于cnn-latm组合模型的波浪补偿预测方法 - Google Patents
一种基于cnn-latm组合模型的波浪补偿预测方法 Download PDFInfo
- Publication number
- CN110806692A CN110806692A CN201910998184.8A CN201910998184A CN110806692A CN 110806692 A CN110806692 A CN 110806692A CN 201910998184 A CN201910998184 A CN 201910998184A CN 110806692 A CN110806692 A CN 110806692A
- Authority
- CN
- China
- Prior art keywords
- acceleration
- gate
- signal
- data
- network
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
一种基于CNN‑LATM组合模型的波浪补偿预测方法,首先通过加速度传感器采集数据,再将加速度数据处理成位移数据,对组合的神经网络进行训练,最后利用训练好的模型预测出波浪补偿的位移量。本发明方法利用了卷积神经网络的局部感知能力,且计算量小,结合了长短期记忆网络可以实时更新最优权值和阈值的特点,使得组合预测模型具有预测精度高,稳定性好,鲁棒性强等优势。
Description
技术领域
本发明涉及一种在众多海况中船舶波浪补偿技术领域,尤其涉及一种基于CNN-LATM组合模型的波浪补偿预测方法。
背景技术
海上作业是以船舶为基地,而船舶不同于陆地,由于受到风,浪,流的作用,海上作业浮式生产系统不可避免地要随风浪作不规则的摇荡和升沉运动,加以舱面建筑物对甲板附近的气流产生强烈的干扰,形成涡流等强烈的紊流流动,即结构复杂的空气尾流场,这给海上作业带来了许多的不便和风险。为此,现有技术多采用波浪补偿的方法来解决上述问题。
为了充分对主被动型波浪补偿控制方法进行优化,开发出具有波浪预测,位移补偿,速度补偿,张力补偿的控制算法。
卷积神经网络(CNN)是一类包含卷积计算且具有深度结构的前馈神经网络,采用局部感知区域,其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征。一维CNN可以很好的应用于传感器数据的时间序列分析。
长短期记忆网络(LSTM)是循环神经网络的一种,它有输入门、遗忘门和输出门。当一个信息进入LSTM的网络当中,可以根据规则来判断该信息是否有用。只有符合算法认证的信息才会留下,不符的信息则通过遗忘门被遗忘。由此使得LSTM具有记忆长期及短期信息的能力,从而能够用来解决具有长期依赖的时序性问题。能有效的实现输入输出间的非线性映射,且具有自组织和模式识别的能力,相比其他神经网络具有更强的逼近、容错能力。
一维CNN与LSTM相结合可以更加快速的找到最优的权值和阈值,对于不同海况都能迅速做出反应,且组合后的神经网络预报精度高,鲁棒性强,稳定性好。
如专利CN 108216489 A中预测用到的递归最小二乘算法,其递归计算中所需要的时间长则会导致预测的迟滞性,并且其预测使用的是线性模型,对于预测数据的局限性大。如鲜玲等学者采用时间序列分析法、Elman神经网络以及SVR预测算法对起重机升沉运动进行预测,但Elman网络的收敛速度慢,目标函数存在局部极小点,对非线性的升沉运动不是很理想,不能应用于各种海况。Ferial E-Hawary利用卡尔曼滤波对船舶起重机升沉运动进行预测,但是该预测方法需要知道准确的船舶运动状态方程,由于海洋运动是非线性的、环境是时刻发生变化,是很难得到准确的状态方程,而且该预测算法的预报精度受到海浪频率和海况影响,因此卡尔曼预报在实际中直接应用是不恰当的。
发明内容
本发明所需要解决的是提供一种用于前瞻性的调节策略改善性能的波浪补偿控制方法,能够提高补偿精度,补偿稳定性并改善由于硬件的滞后性而导致的补偿效果不佳的问题。
为了解决滞后性问题,本发明提出用对船舶在海浪中的升沉运动预测算法的卷积神经网络和LSTM网络算法组合的方式来优化。
本发明克服其技术问题所采用的技术方案是:
一种基于卷积神经网络和长短期记忆网络的波浪补偿控制方法(如图1所示),包括如下步骤:
步骤1:获取训练的数据
1.1利用加速度传感器感应到船舶升沉方向的加速度,通过采集卡采集之后,在通过A/D转换器对模拟信号数字化后得出采样数据,将采样数据通过标定变换转换成实际相应的加速度数据。其中标定变换的公式为
Yo为被测量量程的下限;Ym为被测量量程的上限;Y为标定变换后所得到的被测量的实际物理量;NO为Yo对应的A/D转换后的数字量;Nm为Ym对应的A/D转换后的数字量;X为被测量实际值Y所对应的A/D转换后的数字量。
1.2将上述获得的实时加速度信号进行一次频域带通滤波处理,将频率大于1Hz的信号置零即得到光顺滤波。再采用最小二乘法来进行零点偏差的修正。最后将上述处理后的加速度信号进行两次积分运算转化为位移信号,本发明中对于加速度的积分运算采用的是加速度频域积分原理,先将时域信号作傅里叶变换到频域内,则时域积分运算在频域就成了傅里叶分量系数的正弦、余弦积分互换,其结果在经过傅里叶逆变换,得到积分后的时域信号。加速度时程的二阶频域积分即为运动位移。其中加速度信号频域二次积分的计算公式为
其中
式中k,n和r取值为0,1,2,……,N-1;fd和fa分别为带通滤波的下限截至频率和上限截至频率;X(k)为时域信号x(n)的傅里叶变换;Δf为频率分辨率;H(k)为带通滤波器的频率响应函数。
此频域积分原理的好处是在频域中只需将低于有用频率的谐波分量幅值置零即可解决时域二次积分中难以处理的趋势项。
1.3对上述样本集x(n)进行归一化处理
步骤2:如图2所示,将上述经过归一化处理的特征参数输入到卷积神经网络(CNN)中,训练数据及对数据进行预处理,通过卷积层卷积之后得出初始化网络结构及各特征参数,为了防止过拟合化,再将卷积后的数据输入池化层调整权值与阈值,训练神经网络。
步骤3:如图3所示,将池化后的数据输入到长短期记忆网络(LSTM)。
3.1 LSTM网络有三个门,如图4所示其分别为输入门,输出门和遗忘门,各门的计算公式为ft=σ(Wf·[ht-1·xt]+bf)
it=σ(Wi·[ht-1·xt]+bi)
ot=σ(Wo·[ht-1·xt]+bo)
ht=ot*tanh(Ct)
3.2按照前向传播算法计算LSTM网络输出值。
3.3反向计算每个LSTM各个部分的误差项,残差传导到输出门、内部状态,遗忘门以及输入门;
3.4根据相应的误差项依次计算每个门权重的梯度;
3.5利用优化算法来更新每个门的权重值,经过迭代计算,寻找最优的权重和阈值。
步骤4.将得出的输出量进行反归一化处理,最终得到波浪补偿的位移量
综上所述,采用上述方案后,本发明为深度学习下波浪补偿预测算法提供了新的方案。本发明的优点在于结合了一维卷积神经网路对于传感器数据的快速处理能力和长短期记忆网络的“更新门”(输入门和遗忘门),使得到权值与阈值的不断更新,最终得到最优权值和阈值,从而获得补偿所需的位移量,实现了波浪补偿预测系统的快速响应性与超强的鲁棒性。
附图说明
图1:本发明的CNN-LSTM模型的结构框架图;
图2:CNN模型流程图;
图3:LSTM模型流程图;
图4:LSTM网络的模型。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
本实施例所提供的基于卷积神经网络与长短期记忆网络的波浪补偿预测算法,主要通过卷积神经网络与LSTM神经网络两种神经网络结构,获得特征表达,通过特征融合方式,获得最优权值和阈值,最终得到补偿位移。
其包括以下步骤:
步骤1:获取训练的数据
1.1利用加速度传感器感应到船舶升沉方向的加速度,通过采集卡采集之后,在通过A/D转换器对模拟信号数字化后得出采样数据,将采样数据通过标定变换转换成实际相应的加速度数据。其中标定变换的公式为
Yo为被测量量程的下限;Ym为被测量量程的上限;Y为标定变换后所得到的被测量的实际物理量;NO为Yo对应的A/D转换后的数字量;Nm为Ym对应的A/D转换后的数字量;X为被测量实际值Y所对应的A/D转换后的数字量。
1.2将上述获得的实时加速度信号进行一次频域带通滤波处理,将频率大于1Hz的信号置零即得到光顺滤波。再采用最小二乘法来进行零点偏差的修正。然后将上述处理后的加速度信号进行两次积分运算转化为位移信号,本发明中对于加速度的积分运算采用的是加速度频域积分原理,先将时域信号作傅里叶变换到频域内,则时域积分运算在频域就成了傅里叶分量系数的正弦、余弦积分互换,其结果在经过傅里叶逆变换,得到积分后的时域信号。加速度时程的二阶频域积分即为运动位移。其中加速度信号频域二次积分的计算公式为
其中
式中k,n和r取值为0,1,2,……,N-1;fd和fa分别为带通滤波的下限截至频率和上限截至频率;X(k)为时域信号x(n)的傅里叶变换;Δf为频率分辨率;H(k)为带通滤波器的频率响应函数。
此频域积分原理的好处是在频域中只需将低于有用频率的谐波分量幅值置零即可解决时域二次积分中难以处理的趋势项。
1.3对上述样本集x(n)进行归一化处理
步骤2:将上述经过归一化处理的特征参数输入到卷积神经网络(CNN)中,训练数据及对数据进行预处理,通过卷积层卷积之后得出初始化网络结构及各特征参数,为了防止过拟合化,再将卷积后的数据输入池化层调整权值与阈值,训练神经网络。
步骤3:将池化后的数据输入到长短期记忆网络(LSTM)得到最优权值和阈值。
3.1本LSTM网络有三个门,其分别为输入门,输出门和遗忘门,各门的计算公式为
ft=σ(Wf·[ht-1·xt]+bf)
it=σ(Wi·[ht-1·xt]+bi)
ot=σ(Wo·[ht-1·xt]+bo)
ht=ot*tanh(Ct)
3.2按照前向传播算法计算LSTM网络输出值。
3.3反向计算每个LSTM各个部分的误差项,残差传导到输出门、内部状态,遗忘门以及输入门;
3.4根据相应的误差项依次计算每个门权重的梯度;
3.5利用优化算法来更新每个门的权重值,经过迭代计算,寻找最优的权重和阈值。
步骤4.将得出的输出量进行反归一化处理,最终得到波浪补偿的位移量
显然,本领域的技术人员可以对本发明进行各种改动和变形而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (1)
1.一种基于卷积神经网络和长短期记忆网络的波浪补偿控制方法,其特征在于,包括如下步骤:
(1)获取训练的数据:
1)利用加速度传感器感应到船舶升沉方向的加速度,通过采集卡采集之后,在通过A/D转换器对模拟信号数字化后得出采样数据,将采样数据通过标定变换转换成实际相应的加速度数据;
其中标定变换的公式为
Yo为被测量量程的下限,
Ym为被测量量程的上限
Y为标定变换后所得到的被测量的实际物理量
NO为Yo对应的A/D转换后的数字量
Nm为Ym对应的A/D转换后的数字量
X为被测量实际值Y所对应的A/D转换后的数字量
2)将上述获得的实时加速度信号进行一次频域带通滤波处理,将频率大于1Hz的信号置零即得到光顺滤波,再采用最小二乘法来进行零点偏差的修正,最后将上述处理过的加速度信号进行两次积分运算转化为位移信号;
本发明中对于加速度的积分运算采用的是加速度频域积分原理,先将时域信号作傅里叶变换到频域内,则时域积分运算在频域就成了傅里叶分量系数的正弦、余弦积分互换,其结果在经过傅里叶逆变换,得到积分后的时域信号;
加速度时程的二阶频域积分即为运动位移,其中加速度信号频域二次积分的计算公式为
其中
式中k,n和r取值为0,1,2,……,N-1
fd和fa分别为带通滤波的下限截至频率和上限截至频率
X(k)为时域信号x(n)的傅里叶变换
Δf为频率分辨率
H(k)为带通滤波器的频率响应函数
3)对上述样本集x(n)进行归一化处理
(2)将上述经过归一化处理的特征参数输入到卷积神经网络(CNN)中,训练数据及对数据进行预处理,通过卷积层卷积之后得出初始化网络结构及各特征参数,为了防止过拟合化,再将卷积后的数据输入池化层调整权值与阈值,训练神经网络;
(3)将池化后的数据输入到长短期记忆网络(LSTM)得到最优权值和阈值:
1)本LSTM网络有三个门,其分别为输入门,输出门和遗忘门,各门的计算公式为
ft=σ(Wf·[ht-1·xt]+bf)
it=σ(Wi·[ht-1·xt]+bi)
ot=σ(Wo·[ht-1·xt]+bo)
ht=ot*tan h(Ct)
“σ”表示sigmoid函数,用其作为激活函数
f代表遗忘门
i代表输入门
o代表输出门
C表示细胞状态
h为细胞输出
2)按照前向传播算法计算LSTM网络输出值;
3)反向计算每个LSTM各个部分的误差项,残差传导到输出门、内部状态,遗忘门以及输入门;
4)根据相应的误差项依次计算每个门权重的梯度;
5)利用优化算法来更新每个门的权重值,经过迭代计算,寻找最优的权重和阈值;
(4)将得出的输出量进行反归一化处理,最终得到波浪补偿的位移量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910998184.8A CN110806692A (zh) | 2019-10-21 | 2019-10-21 | 一种基于cnn-latm组合模型的波浪补偿预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910998184.8A CN110806692A (zh) | 2019-10-21 | 2019-10-21 | 一种基于cnn-latm组合模型的波浪补偿预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110806692A true CN110806692A (zh) | 2020-02-18 |
Family
ID=69488582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910998184.8A Pending CN110806692A (zh) | 2019-10-21 | 2019-10-21 | 一种基于cnn-latm组合模型的波浪补偿预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110806692A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111665722A (zh) * | 2020-06-18 | 2020-09-15 | 哈尔滨工程大学 | 一种基于预测控制的海浪主动补偿控制方法 |
CN113008291A (zh) * | 2021-03-15 | 2021-06-22 | 北京信息科技大学 | 数据生成方法及装置、存储介质及电子装置 |
CN113033894A (zh) * | 2021-03-24 | 2021-06-25 | 南方电网数字电网研究院有限公司 | 日用电量预测方法、装置、计算机设备和存储介质 |
CN113283288A (zh) * | 2021-04-08 | 2021-08-20 | 中广核检测技术有限公司 | 基于lstm-cnn的核电站蒸发器涡流信号类型识别方法 |
CN113344275A (zh) * | 2021-06-15 | 2021-09-03 | 上海交通大学 | 一种基于lstm模型的浮式平台波浪爬升在线预报方法 |
CN113465733A (zh) * | 2021-08-13 | 2021-10-01 | 重庆大学 | 基于eemd-dnn的振动台结构位移响应预测方法及装置 |
CN113465732A (zh) * | 2021-08-13 | 2021-10-01 | 重庆大学 | 基于emd-dnn的振动台结构位移响应预测方法及装置 |
CN114580509A (zh) * | 2022-02-21 | 2022-06-03 | 国家海洋环境预报中心 | 基于卷积长短记忆网络的海浪宏观特征量预测系统 |
CN115686090A (zh) * | 2022-12-28 | 2023-02-03 | 武汉至驱动力科技有限责任公司 | 有限转角力矩电机的转角位置控制方法 |
CN117909665A (zh) * | 2024-03-18 | 2024-04-19 | 青岛哈尔滨工程大学创新发展中心 | 基于傅里叶滤波的船舶运动包络预报数据处理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106052651A (zh) * | 2016-05-24 | 2016-10-26 | 衢州学院 | 基于海上波浪运动的检测系统及方法 |
WO2016193713A1 (en) * | 2015-06-02 | 2016-12-08 | Marine Electrical Consulting Limited | Method and apparatus for adaptive motion compensation |
WO2019126755A1 (en) * | 2017-12-21 | 2019-06-27 | Fugro N.V. | Generating and classifying training data for machine learning functions |
CN110162048A (zh) * | 2019-05-22 | 2019-08-23 | 集美大学 | 一种船舶间运动补偿方法及系统 |
-
2019
- 2019-10-21 CN CN201910998184.8A patent/CN110806692A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016193713A1 (en) * | 2015-06-02 | 2016-12-08 | Marine Electrical Consulting Limited | Method and apparatus for adaptive motion compensation |
CN106052651A (zh) * | 2016-05-24 | 2016-10-26 | 衢州学院 | 基于海上波浪运动的检测系统及方法 |
WO2019126755A1 (en) * | 2017-12-21 | 2019-06-27 | Fugro N.V. | Generating and classifying training data for machine learning functions |
CN110162048A (zh) * | 2019-05-22 | 2019-08-23 | 集美大学 | 一种船舶间运动补偿方法及系统 |
Non-Patent Citations (1)
Title |
---|
陈培永等: "动态加速度信号的时频域积分方法", 《江苏航空》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111665722A (zh) * | 2020-06-18 | 2020-09-15 | 哈尔滨工程大学 | 一种基于预测控制的海浪主动补偿控制方法 |
CN113008291A (zh) * | 2021-03-15 | 2021-06-22 | 北京信息科技大学 | 数据生成方法及装置、存储介质及电子装置 |
CN113033894A (zh) * | 2021-03-24 | 2021-06-25 | 南方电网数字电网研究院有限公司 | 日用电量预测方法、装置、计算机设备和存储介质 |
CN113033894B (zh) * | 2021-03-24 | 2023-05-02 | 南方电网数字电网研究院有限公司 | 日用电量预测方法、装置、计算机设备和存储介质 |
CN113283288A (zh) * | 2021-04-08 | 2021-08-20 | 中广核检测技术有限公司 | 基于lstm-cnn的核电站蒸发器涡流信号类型识别方法 |
CN113283288B (zh) * | 2021-04-08 | 2023-08-18 | 中广核检测技术有限公司 | 基于lstm-cnn的核电站蒸发器涡流信号类型识别方法 |
CN113344275B (zh) * | 2021-06-15 | 2022-10-14 | 上海交通大学 | 一种基于lstm模型的浮式平台波浪爬升在线预报方法 |
CN113344275A (zh) * | 2021-06-15 | 2021-09-03 | 上海交通大学 | 一种基于lstm模型的浮式平台波浪爬升在线预报方法 |
CN113465732A (zh) * | 2021-08-13 | 2021-10-01 | 重庆大学 | 基于emd-dnn的振动台结构位移响应预测方法及装置 |
CN113465733A (zh) * | 2021-08-13 | 2021-10-01 | 重庆大学 | 基于eemd-dnn的振动台结构位移响应预测方法及装置 |
CN114580509A (zh) * | 2022-02-21 | 2022-06-03 | 国家海洋环境预报中心 | 基于卷积长短记忆网络的海浪宏观特征量预测系统 |
CN115686090A (zh) * | 2022-12-28 | 2023-02-03 | 武汉至驱动力科技有限责任公司 | 有限转角力矩电机的转角位置控制方法 |
CN117909665A (zh) * | 2024-03-18 | 2024-04-19 | 青岛哈尔滨工程大学创新发展中心 | 基于傅里叶滤波的船舶运动包络预报数据处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110806692A (zh) | 一种基于cnn-latm组合模型的波浪补偿预测方法 | |
Han et al. | Multivariate chaotic time series online prediction based on improved kernel recursive least squares algorithm | |
CN109507885A (zh) | 基于自抗扰的无模型自适应auv控制方法 | |
CN112684701A (zh) | 一种基于长短时记忆网络和高斯过程回归的船舶运动预报方法 | |
CN106093849B (zh) | 一种基于测距和神经网络算法的水下定位方法 | |
CN113808174B (zh) | 基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法 | |
CN111738478A (zh) | 基于随机森林算法和Adam神经网络波浪补偿预测方法 | |
CN112180361B (zh) | 一种基于动态联邦滤波的车载雷达目标跟踪方法 | |
CN111913175A (zh) | 一种传感器短暂失效下带补偿机制的水面目标跟踪方法 | |
Han et al. | An uncertainty-aware hybrid approach for sea state estimation using ship motion responses | |
CN103605886A (zh) | 一种船舶动力定位系统多模型自适应融合滤波方法 | |
CN116502478B (zh) | 一种基于海底地形监测的自提升平台下桩辅助决策方法 | |
CN115169733A (zh) | 基于深度学习的内孤立波对深海沉积物再悬浮量预测方法 | |
Song et al. | Application of artificial intelligence based on synchrosqueezed wavelet transform and improved deep extreme learning machine in water quality prediction | |
CN112800075B (zh) | 一种基于实船六自由度姿态数据的船舶操纵预报数据库更新方法 | |
Peng et al. | Echo State Network ship motion modeling prediction based on Kalman filter | |
Wei et al. | A three-stage multi-objective heterogeneous integrated model with decomposition-reconstruction mechanism and adaptive segmentation error correction method for ship motion multi-step prediction | |
Zhang et al. | A modular real-time tidal prediction model based on Grey-GMDH neural network | |
Tang et al. | An EMD-PSO-LSSVM hybrid model for significant wave height prediction | |
Jiang et al. | Ship attitude prediction model based on cross-parallel algorithm optimized neural network | |
CN114117888A (zh) | 一种浮标运动特性的数据驱动建模与预测方法 | |
CN113743018A (zh) | 基于eemd-foa-grnn的时间序列预测方法 | |
Li et al. | AI-HydSu: An advanced hybrid approach using support vector regression and particle swarm optimization for dissolved oxygen forecasting | |
Ma et al. | The Ship Motion Attitude Prediction Based on VMD-TCN Model | |
CN111443611B (zh) | 基于多模型切换的高速无人艇航速控制器确定方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200218 |
|
WD01 | Invention patent application deemed withdrawn after publication |