CN110979589A - 基于波浪增阻预测的船舶控制方法、装置及智能终端 - Google Patents
基于波浪增阻预测的船舶控制方法、装置及智能终端 Download PDFInfo
- Publication number
- CN110979589A CN110979589A CN201911300058.7A CN201911300058A CN110979589A CN 110979589 A CN110979589 A CN 110979589A CN 201911300058 A CN201911300058 A CN 201911300058A CN 110979589 A CN110979589 A CN 110979589A
- Authority
- CN
- China
- Prior art keywords
- wave
- ship
- prediction model
- data
- increasing
- 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.)
- Granted
Links
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明提供了一种基于波浪增阻预测的船舶控制方法、装置及智能终端,涉及船舶控制领域,应用于船基,船基配置有训练好的波浪增阻预测模型;方法包括:获取当前海况下船舶周围的多个目标种类的波浪数据;将多个目标种类的波浪数据输入训练好的波浪增阻预测模型,预测得到当前海况下波浪增阻值;控制船舶响应波浪增阻值。本发明解决了船舶控制计算时间较长、自主决策能力不足的问题,可以快速计算具体海况下船舶受到的波浪增阻,为船舶的自主决策快速响应提供了技术支持。
Description
技术领域
本发明涉及船舶控制领域,尤其是涉及一种基于波浪增阻预测的船舶控制方法、装置及智能终端。
背景技术
波浪增阻是船舶性能研究的重要课题,也是智能船在自主决策快速响应时一个重要的决定因素。而基于模型实验的研究方法则无法避免尺度效应,实验研究所选取的海况数量也是有限的,不可能包含各类海况,从而在实际应用中计算误差会较大,经常会达到30%甚至更高。如果根据真实的海况在岸基进行计算,则会需要不少时间,这对于船舶的自主决策快速响应来说是不能接受的。同时,在后期的大数据分析中也同样需要一段时间内具体海况对应下波浪增值的准确值。如果采用典型海况下的预报值则精度不足,如果根据真实海况利用软件计算则会大大拖慢整体的分析进程。
针对上述船舶控制计算时间较长、自主决策能力不足的问题,目前尚未提出有效的解决方案。
发明内容
本发明的目的在于提供一种基于波浪增阻预测的船舶控制方法、装置及智能终端,缓解了船舶控制计算时间较长、自主决策能力不足的问题,可以快速计算具体海况下船舶受到的波浪增阻,为船舶的自主决策快速响应提供了技术支持。
第一方面,实施例提供一种基于波浪增阻预测的船舶控制方法,应用于船基,船基配置有训练好的波浪增阻预测模型;方法包括:获取当前海况下船舶周围的多个目标种类的波浪数据;将多个目标种类的波浪数据输入训练好的波浪增阻预测模型,预测得到当前海况下波浪增阻值;控制船舶响应波浪增阻值。
在可选的实施方式中,在将训练好的波浪增阻预测模型应用于船基之前,还包括:获取训练样本集;训练样本集中的每个训练样本包括多个目标种类的样本波浪数据和与多个目标种类的样本波浪数据对应的波浪增阻值;基于多个目标种类的样本波浪数据和与多个目标种类的样本波浪数据对应的波浪增阻值对波浪增阻预测模型进行训练,得到波浪增阻预测模型的目标系数向量。
在可选的实施方式中,基于多个目标种类的样本波浪数据和与多个目标种类的样本波浪数据对应的波浪增阻值对波浪增阻预测模型进行训练,得到波浪增阻预测模型的目标系数向量的步骤,包括:根据每个目标种类的波浪数据计算波浪增阻传递函数,并基于每个目标种类的波浪数据对应的波浪增阻传递函数确定波浪增阻预测模型的第一训练样本;计算指定数量的目标种类的波浪数据组合下对应的波浪增阻传递函数的线性组合,并基于指定数量组合下的每个目标种类的波浪数据对应的波浪增阻传递函数的线性组合确定波浪增阻预测模型的第二训练样本;基于第一训练样本和第二训练样本对波浪增阻预测模型进行训练,得到目标系数向量。
在可选的实施方式中,方法还包括:采用预设的回归方法确定目标系数向量;预设的回归方法包括RidgeCV或LassoCV。
在可选的实施方式中,方法还包括:将训练好的波浪增阻预测模型布设于岸基,以使岸基基于训练好的波浪增阻预测模型计算指定海况下的波浪增阻值。
在可选的实施方式中,当前海况下船舶周围的多个目标种类的波浪数据包括波浪谱数据和船体几何数据;波浪谱数据包括以下至少一种参数:有效波高、谱峰周期、平均风速、峰形参数、尖度因子、组成波与主浪向的夹角;船体几何数据包括以下至少一种参数:船长、船宽、吃水、航速、方形系数、质量、质心位置、浮心位置、六自由度转动惯量。
第二方面,实施例提供一种基于波浪增阻预测的船舶控制装置,应用于船基,船基配置有训练好的波浪增阻预测模型;装置包括:数据获取模块,用于获取当前海况下船舶周围的多个目标种类的波浪数据;预测模块,用于将多个目标种类的波浪数据输入训练好的波浪增阻预测模型,预测得到当前海况下波浪增阻值;响应模块,用于控制船舶响应波浪增阻值。
在可选的实施方式中,在将训练好的波浪增阻预测模型应用于船基之前,还包括:模型训练模块,用于获取训练样本集;训练样本集中的每个训练样本包括多个目标种类的样本波浪数据和与多个目标种类的样本波浪数据对应的波浪增阻值;基于多个目标种类的样本波浪数据和与多个目标种类的样本波浪数据对应的波浪增阻值对波浪增阻预测模型进行训练,得到波浪增阻预测模型的目标系数向量。
第三方面,实施例提供一种船舶,包括控制终端;控制终端用于控制船舶响应前述实施方式任一项方法。
第四方面,实施例提供一种计算机可读存储介质,用于储存为前述实施方式任一项方法所用的计算机软件指令。
本发明提供的基于波浪增阻预测的船舶控制方法、装置及智能终端,应用于船基,船基配置有训练好的波浪增阻预测模型,该基于波浪增阻预测的船舶控制方法通过获取当前海况下船舶周围的多个目标种类的波浪数据,将多个目标种类的波浪数据输入训练好的波浪增阻预测模型,预测得到当前海况下波浪增阻值,从而控制船舶响应波浪增阻值。由于船基配置有训练好的波浪增阻预测模型,因此船舶可以根据当前海况下的波浪数据快速预测船舶受到的波浪增阻,通过控制船舶响应该波浪增阻值,为船舶的自主决策快速相应提供了技术支持。因此本发明实施例可以快速计算具体海况下船舶受到的波浪增阻,为船舶的自主决策快速响应提供了技术支持。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于波浪增阻预测的船舶控制方法的流程示意图;
图2为本发明实施例提供的另一种基于波浪增阻预测的船舶控制方法的流程示意图;
图3为本发明实施例提供的一种基于波浪增阻预测的船舶控制装置的结构示意图;
图4为本发明实施例提供的一种模型训练模块的结构示意图。
图标:41-第一样本确定单元;42-第二样本确定单元;43-模型训练单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
考虑到现有技术中存在的船舶控制计算时间较长、自主决策能力不足的问题,本发明实施例提供了一种基于波浪增阻预测的船舶控制方法、装置及智能终端,可以快速计算具体海况下船舶受到的波浪增阻,为船舶的自主决策快速响应提供了技术支持。
为便于理解,首先对本发明实施例提供的基于波浪增阻预测的船舶控制方法进行详细介绍,参见图1所示的一种基于波浪增阻预测的船舶控制方法的流程示意图,该方法应用于船基,船基配置有训练好的波浪增阻预测模型,该方法主要包括如下步骤S102至步骤S106:
步骤S102:获取当前海况下船舶周围的多个目标种类的波浪数据。
在一种实施方式中,为了得到当前海况下较为准确的波浪增阻值,需要获取当前海况下船舶周围的多个目标种类的波浪数据,通过船基雷达测得的船舶周围多个目标种类的波浪数据,多个目标种类可以包括波浪谱参数和船体的几何参数,波浪谱参数可以包括诸如波浪的有效波高、谱峰周期、平均风速、峰形参数、尖度因子、组成波与主浪向的夹角等,船体的几何参数可以包括诸如船长、船宽、吃水、方形系数、六自由度转动惯量等。
步骤S104:将多个目标种类的波浪数据输入训练好的波浪增阻预测模型,预测得到当前海况下波浪增阻值。
在一种实施方式中,训练好的波浪增阻模型为通过大量的多个目标种类的波浪数据及不同目标种类组合下对应的波浪增阻值进行大数据训练得到的模型,该模型可以为通过机器学习建立的基于数理回归的模型,由于船基上配置有该训练好的波浪增阻预测模型,通过将上述获取的当前海况下的波浪数据输入训练好的波浪增阻预测模型中,可以快速预测得到当前海况下的波浪增阻值。
步骤S106:控制船舶响应波浪增阻值。
在一种实施方式中,船舶可以根据船基雷达测得的船舶周围的波浪数据,通过训练好的波浪增阻预测模型预测得到的当前海况下的波浪增阻值,并实时的响应该波浪增阻值,为航迹预报等功能的实现、船舶的自主决策提供技术支持。
本发明提供的基于波浪增阻预测的船舶控制方法,应用于船基,船基配置有训练好的波浪增阻预测模型,该基于波浪增阻预测的船舶控制方法通过获取当前海况下船舶周围的多个目标种类的波浪数据,将多个目标种类的波浪数据输入训练好的波浪增阻预测模型,预测得到当前海况下波浪增阻值,从而控制船舶响应波浪增阻值。由于船基配置有训练好的波浪增阻预测模型,因此船舶可以根据当前海况下的波浪数据快速预测船舶受到的波浪增阻,通过控制船舶响应该波浪增阻值,为船舶的自主决策快速相应提供了技术支持。因此本发明实施例可以快速计算具体海况下船舶受到的波浪增阻,为船舶的自主决策快速响应提供了技术支持。
为便于理解,本发明实施例提供了另一种基于波浪增阻预测的船舶控制方法,参见如图2所示的另一种基于波浪增阻预测的船舶控制方法的流程示意图,将不同的波浪数据通过计算软件进行计算,得到波浪增阻函数,并基于得到的结果进行机器学习,得到最终的数据模型(也即波浪增阻预测模型)。一方面,将最终的数理模型进行船基布置,用于船舶自主决策快速响应等,另一方面,将最终的数理模型进行岸基应用,用于进行大数据分析等,为便于理解,具体实施过程如下。
为了实现上述船舶的自主决策快速响应,在将训练好的波浪增阻预测模型应用于船基之前,需要预先训练该波浪增阻模型,该波浪增阻模型的训练步骤包括如下步骤1和步骤2:
步骤1,获取训练样本集。
训练样本集中的每个训练样本包括多个目标种类的样本波浪数据和与多个目标种类的样本波浪数据对应的波浪增阻值。在一种实施方式中,多个目标种类的样本数据包括上述波浪谱参数和船体的几何参数中的多个,每种参数均有对应的波浪增阻值。在另一种实施方式中,每个训练样本还包括多个目标种类的样本波浪数据的组合,以及不同目标种类的样本波浪数据的组合对应的波浪增阻值。
步骤2,基于多个目标种类的样本波浪数据和与多个目标种类的样本波浪数据对应的波浪增阻值对波浪增阻预测模型进行训练,得到波浪增阻预测模型的目标系数向量。
为了便于理解,上述步骤2可以进一步包括如下步骤2.1至步骤2.3:
步骤2.1,根据每个目标种类的波浪数据计算波浪增阻传递函数,并基于每个目标种类的波浪数据对应的波浪增阻传递函数确定波浪增阻预测模型的第一训练样本。
在一种实施方式中,首先计算单个波浪数据因素对波浪增阻值的影响,这个的单个波浪数据指的是上述波浪谱参数中的一种数据或者船体的几何参数中的一种数据,通过控制其他的波浪数据不变,计算单个波浪数据变化下的波浪增阻值,并将计算结果利用统计方法可得波浪增阻传递函数这里φ为单个波浪数据(也即变量),RAW(φ)为φ对应下的波浪增阻值,RAW(φ)这个值可以通过shipFlow、star-CCM等软件进行计算得到,f即为单个变量φ影响波浪增阻的传递函数,当变量的数量有N个时,传递函数f也对应有N个,将N个波浪传递函数组成为一个N维的向量X=(f1,f2…fN),X也即波浪增阻预测模型的第一训练样本。
得到步骤2.2,计算指定数量的目标种类的波浪数据组合下对应的波浪增阻传递函数的线性组合,并基于指定数量组合下的每个目标种类的波浪数据对应的波浪增阻传递函数的线性组合确定波浪增阻预测模型的第二训练样本。
在一种实施方式中,由于单个波浪数据是无法真实模拟真实海况下的波浪增阻情况,为了能够模拟真实海况下的波浪增阻情况,需要计算指定数量的目标种类的波浪数据组合下对应的波浪增阻传递函数的线性组合,指定数量可以理解为根据实际情况进行设置的数量,这里为了能够真实模拟,因此采用任意目标种类的波浪数据组合下对应的波浪增阻传递函数的线性组合,也即上述通过shipFlow、star-CCM等软件计算不同波浪数据组合下的波浪增阻值,不同波浪数据组合下的波浪增阻值可以表示为各波浪数据对应的波浪增阻传递函数的线性组合。为了能够获得更多的训练样本,可以尽可能多的设置各类波浪数据的组合数量,进而可以得到不同波浪增阻传递函数组成的向量和波浪增阻值的对应关系,将不同浪增阻传递函数组成的向量和波浪增阻值的对应关系构成的向量确定为第二训练样本。
步骤2.3,基于第一训练样本和第二训练样本对波浪增阻预测模型进行训练,得到目标系数向量。
在一种实施方式中,需要确定不同组合下波浪数据的目标系数向量,基于确定的目标系数向量最终输出的为不用组合下的波浪数据对应的波浪增阻值,另外,在确定目标系数向量时,为了防止过拟合现象的发生,可以采用预设的回归方法确定目标系数向量,预设的回归方法包括RidgeCV或LassoCV。
在一种实施方式中,采用RidgeCV方法进行回归计算,RidgeCV方法的目标函数为:其中为惩罚项,α为惩罚项强弱的系数,在具体计算时给定一个筛选的范围,诸如10-3,10-2,10-1,100,101,102,103的范围。在确定RidgeCV方法的目标函数时,将上述第一训练样本和第二训练样本划分为训练样本集和测试样本集,随后,逐个计算不同α取值下训练集训练所得的目标系数值,再将训练所得的目标系数向量乘以测试集中的波浪数据对应的波浪增阻传递函数得到相应的预测结果,预测的结果与测试集中真实的波浪增阻值作对比,计算其误差,误差越小则准确性越高,根据准确性最高的结果确定对应的α值,并基于α确定最终的目标系数向量。
在另一种实施方式中,采用LassoCV方法进行回归计算,LassoCV方法目标函数为:函数中的各个参数的含义与RidgeCV方法相同,但是目标系数向量的确定方法与RidgeCV不同,常用的方法为坐标轴下降法、最小角回归法等。
基于上述两种实施方式(RidgeCV、LassoCV)等方法计算目标系数向量后,则可根据目标系数向量确定最终的波浪增阻预测模型(也即数理模型),此处回归方法并不限于RidgeCV、LassoCV方法。
考虑到对多种指定海况下的波浪增阻情况进行预测,还可以将训练好的波浪增阻预测模型布设于岸基(也即陆地上的指挥中心),以使岸基基于训练好的波浪增阻预测模型计算指定海况下的波浪增阻值,用于大数据分析。
本发明提供的基于波浪增阻预测的船舶控制方法,应用于船基,船基配置有训练好的波浪增阻预测模型,通过获取训练样本集,并基于获取到的训练样本集对波浪增阻预测模型进行训练,得到波浪增阻预测模型的目标系数向量,通过预设的回归方法对目标系数向量进行计算,德奥最终训练好的波浪增阻预测模型,将该波浪增阻预测模型配置于船基,以使船舶响应该波浪增阻预测模型,将波浪增阻预测模型配置与岸基,以使岸基通过波浪增阻预测模型进行大数据分析。因此本发明实施例可以快速计算具体海况下船舶受到的波浪增阻,为船舶的自主决策快速响应提供了技术支持,同时还可以通过将波浪增阻预测模型配置于岸基对指定海况下的波浪增阻值进行大数据分析。
对于上述基于波浪增阻预测的船舶控制方法,本发明实施还提供了一种基于波浪增阻预测的船舶控制装置,应用于船基,船基配置有训练好的波浪增阻预测模型,参见图3所示的一种基于波浪增阻预测的船舶控制装置的结构示意图,该装置包括以下部分:
数据获取模块302,用于获取当前海况下船舶周围的多个目标种类的波浪数据;
预测模块304,用于将多个目标种类的波浪数据输入训练好的波浪增阻预测模型,预测得到当前海况下波浪增阻值;
响应模块306,用于控制船舶响应波浪增阻值。
本发明提供的基于波浪增阻预测的船舶控制装置,应用于船基,船基配置有训练好的波浪增阻预测模型,该基于波浪增阻预测的船舶控制方法通过获取当前海况下船舶周围的多个目标种类的波浪数据,将多个目标种类的波浪数据输入训练好的波浪增阻预测模型,预测得到当前海况下波浪增阻值,从而控制船舶响应波浪增阻值。由于船基配置有训练好的波浪增阻预测模型,因此船舶可以根据当前海况下的波浪数据快速预测船舶受到的波浪增阻,通过控制船舶响应该波浪增阻值,为船舶的自主决策快速相应提供了技术支持。因此本发明实施例可以快速计算具体海况下船舶受到的波浪增阻,为船舶的自主决策快速响应提供了技术支持。
在一种实施方式中,在将训练好的波浪增阻预测模型应用于船基之前,该装置还包括:模型训练模块,用于获取训练样本集;训练样本集中的每个训练样本包括多个目标种类的样本波浪数据和与多个目标种类的样本波浪数据对应的波浪增阻值;基于多个目标种类的样本波浪数据和与多个目标种类的样本波浪数据对应的波浪增阻值对波浪增阻预测模型进行训练,得到波浪增阻预测模型的目标系数向量。
在一种实施方式中,上述模型训练模块,参见图4所示的一种模型训练模块的结构示意图,该模型训练模块包括第一样本确定单元41,用于根据每个目标种类的波浪数据计算波浪增阻传递函数,并基于每个目标种类的波浪数据对应的波浪增阻传递函数确定波浪增阻预测模型的第一训练样本;第二样本确定单元42,用于计算指定数量的目标种类的波浪数据组合下对应的波浪增阻传递函数的线性组合,并基于指定数量组合下的每个目标种类的波浪数据对应的波浪增阻传递函数的线性组合确定波浪增阻预测模型的第二训练样本;模型训练单元43,用于基于第一训练样本和第二训练样本对波浪增阻预测模型进行训练,得到目标系数向量。
在一种实施方式中,上述装置还包括:系数确定模块,用于采用预设的回归方法确定目标系数向量;预设的回归方法包括RidgeCV或LassoCV。
在一种实施方式中,上述装置还包括:模型布设模块,用于将训练好的波浪增阻预测模型布设于岸基,以使岸基基于训练好的波浪增阻预测模型计算指定海况下的波浪增阻值。
在一种实施方式中,当前海况下船舶周围的多个目标种类的波浪数据包括波浪谱数据和船体几何数据;波浪谱数据包括以下至少一种参数:有效波高、谱峰周期、平均风速、峰形参数、尖度因子、组成波与主浪向的夹角;船体几何数据包括以下至少一种参数:船长、船宽、吃水、航速、方形系数、质量、质心位置、浮心位置、六自由度转动惯量。
本发明还提供了一种船舶,具体的,该船舶包括控制终端;该控制终端包括如上所述实施方式的任一项所述的方法。
本发明还提供一种基于波浪增阻预测的船舶控制方法、装置及智能终端的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统具体工作过程,可以参考前述实施例中的对应过程,在此不再赘述。
本发明实施例所提供的可读存储介质的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于波浪增阻预测的船舶控制方法,其特征在于,应用于船基,所述船基配置有训练好的波浪增阻预测模型;所述方法包括:
获取当前海况下所述船舶周围的多个目标种类的波浪数据;
将多个所述目标种类的波浪数据输入所述训练好的波浪增阻预测模型,预测得到所述当前海况下波浪增阻值;
控制所述船舶响应所述波浪增阻值。
2.根据权利要求1所述的方法,其特征在于,在将所述训练好的波浪增阻预测模型应用于船基之前,还包括:
获取训练样本集;所述训练样本集中的每个训练样本包括所述多个目标种类的样本波浪数据和与所述多个目标种类的样本波浪数据对应的波浪增阻值;
基于所述多个目标种类的样本波浪数据和与所述多个目标种类的样本波浪数据对应的波浪增阻值对所述波浪增阻预测模型进行训练,得到所述波浪增阻预测模型的目标系数向量。
3.根据权利要求2所述的方法,其特征在于,所述基于所述多个目标种类的样本波浪数据和与所述多个目标种类的样本波浪数据对应的波浪增阻值对所述波浪增阻预测模型进行训练,得到所述波浪增阻预测模型的目标系数向量的步骤,包括:
根据每个所述目标种类的波浪数据计算波浪增阻传递函数,并基于每个所述目标种类的波浪数据对应的所述波浪增阻传递函数确定所述波浪增阻预测模型的第一训练样本;
计算指定数量的所述目标种类的波浪数据组合下对应的波浪增阻传递函数的线性组合,并基于所述指定数量组合下的每个目标种类的波浪数据对应的波浪增阻传递函数的线性组合确定所述波浪增阻预测模型的第二训练样本;
基于所述第一训练样本和所述第二训练样本对所述波浪增阻预测模型进行训练,得到所述目标系数向量。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
采用预设的回归方法确定所述目标系数向量;所述预设的回归方法包括RidgeCV或LassoCV。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:将所述训练好的波浪增阻预测模型布设于岸基,以使所述岸基基于所述训练好的波浪增阻预测模型计算指定海况下的所述波浪增阻值。
6.根据权利要求1所述的方法,其特征在于,所述当前海况下所述船舶周围的多个目标种类的波浪数据包括波浪谱数据和船体几何数据;所述波浪谱数据包括以下至少一种参数:有效波高、谱峰周期、平均风速、峰形参数、尖度因子、组成波与主浪向的夹角;所述船体几何数据包括以下至少一种参数:船长、船宽、吃水、航速、方形系数、质量、质心位置、浮心位置、六自由度转动惯量。
7.一种基于波浪增阻预测的船舶控制装置,其特征在于,应用于船基,所述船基配置有训练好的波浪增阻预测模型;所述装置包括:
数据获取模块,用于获取当前海况下所述船舶周围的多个目标种类的波浪数据;
预测模块,用于将所述多个目标种类的波浪数据输入所述训练好的波浪增阻预测模型,预测得到所述当前海况下波浪增阻值;
响应模块,用于控制所述船舶响应所述波浪增阻值。
8.根据权利要求7所述的装置,其特征在于,在将所述训练好的波浪增阻预测模型应用于船基之前,还包括:
模型训练模块,用于获取训练样本集;所述训练样本集中的每个训练样本包括所述多个目标种类的样本波浪数据和与所述多个目标种类的样本波浪数据对应的波浪增阻值;基于所述多个目标种类的样本波浪数据和与所述多个目标种类的样本波浪数据对应的波浪增阻值对所述波浪增阻预测模型进行训练,得到所述波浪增阻预测模型的目标系数向量。
9.一种船舶,其特征在于,包括控制终端;所述控制终端用于控制所述船舶响应权利要求1至6任一项所述方法。
10.一种计算机可读存储介质,其特征在于,用于储存为权利要求1至6任一项所述方法所用的计算机软件指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911300058.7A CN110979589B (zh) | 2019-12-16 | 2019-12-16 | 基于波浪增阻预测的船舶控制方法、装置及智能终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911300058.7A CN110979589B (zh) | 2019-12-16 | 2019-12-16 | 基于波浪增阻预测的船舶控制方法、装置及智能终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110979589A true CN110979589A (zh) | 2020-04-10 |
CN110979589B CN110979589B (zh) | 2020-10-30 |
Family
ID=70094582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911300058.7A Active CN110979589B (zh) | 2019-12-16 | 2019-12-16 | 基于波浪增阻预测的船舶控制方法、装置及智能终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110979589B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797474A (zh) * | 2020-06-30 | 2020-10-20 | 中国船级社上海规范研究所 | 船舶动稳性性能的预测模型的建立、预测方法、装置及介质 |
CN111797570A (zh) * | 2020-06-30 | 2020-10-20 | 中国船级社上海规范研究所 | 船舶运动性能的预测模型的建立、预测方法、终端及介质 |
CN111814412A (zh) * | 2020-06-30 | 2020-10-23 | 中国船级社上海规范研究所 | 波浪增阻性能的预测模型的建立、预测方法、终端及介质 |
CN113408401A (zh) * | 2021-06-16 | 2021-09-17 | 中国科学院南海海洋研究所 | 一种基于机器学习的船行波快速自动识别方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218662A (zh) * | 2013-04-16 | 2013-07-24 | 郑州航空工业管理学院 | 一种基于bp神经网络的变压器故障诊断方法 |
KR20150062239A (ko) * | 2013-11-28 | 2015-06-08 | 한국해양과학기술원 | 파랑중부가저항의 효과적 계측 방법 |
CN105528652A (zh) * | 2015-12-03 | 2016-04-27 | 北京金山安全软件有限公司 | 一种预测模型的建立方法及终端 |
CN107688872A (zh) * | 2017-08-20 | 2018-02-13 | 平安科技(深圳)有限公司 | 预测模型建立装置、方法及计算机可读存储介质 |
CN108427658A (zh) * | 2018-03-12 | 2018-08-21 | 北京奇艺世纪科技有限公司 | 一种数据预测方法、装置及电子设备 |
CN109866875A (zh) * | 2019-03-06 | 2019-06-11 | 上海船舶研究设计院(中国船舶工业集团公司第六0四研究院) | 船舶性能评估和预测方法及装置 |
-
2019
- 2019-12-16 CN CN201911300058.7A patent/CN110979589B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218662A (zh) * | 2013-04-16 | 2013-07-24 | 郑州航空工业管理学院 | 一种基于bp神经网络的变压器故障诊断方法 |
KR20150062239A (ko) * | 2013-11-28 | 2015-06-08 | 한국해양과학기술원 | 파랑중부가저항의 효과적 계측 방법 |
CN105528652A (zh) * | 2015-12-03 | 2016-04-27 | 北京金山安全软件有限公司 | 一种预测模型的建立方法及终端 |
CN107688872A (zh) * | 2017-08-20 | 2018-02-13 | 平安科技(深圳)有限公司 | 预测模型建立装置、方法及计算机可读存储介质 |
CN108427658A (zh) * | 2018-03-12 | 2018-08-21 | 北京奇艺世纪科技有限公司 | 一种数据预测方法、装置及电子设备 |
CN109866875A (zh) * | 2019-03-06 | 2019-06-11 | 上海船舶研究设计院(中国船舶工业集团公司第六0四研究院) | 船舶性能评估和预测方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797474A (zh) * | 2020-06-30 | 2020-10-20 | 中国船级社上海规范研究所 | 船舶动稳性性能的预测模型的建立、预测方法、装置及介质 |
CN111797570A (zh) * | 2020-06-30 | 2020-10-20 | 中国船级社上海规范研究所 | 船舶运动性能的预测模型的建立、预测方法、终端及介质 |
CN111814412A (zh) * | 2020-06-30 | 2020-10-23 | 中国船级社上海规范研究所 | 波浪增阻性能的预测模型的建立、预测方法、终端及介质 |
CN113408401A (zh) * | 2021-06-16 | 2021-09-17 | 中国科学院南海海洋研究所 | 一种基于机器学习的船行波快速自动识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110979589B (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110979589B (zh) | 基于波浪增阻预测的船舶控制方法、装置及智能终端 | |
CN110275148B (zh) | 一种海杂波幅度分布参数估计方法及系统 | |
RU2473861C2 (ru) | Способ и система оценки зоны попадания боевой нагрузки, запускаемой с летательного аппарата | |
CN107346138A (zh) | 一种基于增强学习算法的无人船侧向控制方法 | |
KR102206324B1 (ko) | 기술적 시스템의 스타팅 변수의 모델을 확인하기 위한 방법 | |
Maki et al. | Application of optimal control theory based on the evolution strategy (CMA-ES) to automatic berthing (part: 2) | |
CN108960421A (zh) | 改进基于bp神经网络的水面无人艇航速在线预报方法 | |
CN111767612A (zh) | 模型构建方法、船舶控制方法、装置及电子设备 | |
CN111626359A (zh) | 数据融合方法、装置、控制终端和船舶 | |
CN111047002B (zh) | 一种基于bp神经网络的校直行程预测方法 | |
CN113309663A (zh) | 用于风力发电机组的控制方法及控制装置 | |
CN109115446B (zh) | 基于跨声速风洞风速精度控制方法及系统 | |
CN113955097B (zh) | 一种旋翼飞行器的舵机位移处理方法和装置 | |
CN112686523A (zh) | 一种飞机执行闭环机动任务下的飞行品质评估方法及系统 | |
Marie et al. | Sail-assisted motor vessels weather routing using a fuzzy logic model | |
US11029130B2 (en) | Mission planning for weapons systems | |
CN110826749A (zh) | 基于snn的溶解氧含量预测方法、电子设备及系统 | |
CN108710713A (zh) | 一种求解含区间参数结构的静力学响应的贝叶斯配点方法 | |
Vianna et al. | Neural Network Based Model Predictive Control for an Autonomous Vehicle | |
Moon et al. | Guidance algorithm for satisfying terminal speed and Impact Angle constraints with the neural network technique | |
CN111859744A (zh) | 基于监测数据的节点刚域识别方法、装置及设备 | |
CN111290118A (zh) | 一种变形镜的解耦控制方法及装置 | |
CN110879530A (zh) | 用于对动态模型进行安全的训练的方法 | |
Robles et al. | Flight control laws carefree handling clearance of a highly manoeuvrable aircraft using multi-strategy adaptive global optimization | |
Montazeri et al. | Uncertainties in ship-based estimation of waves and responses |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |