CN113238666B - 基于麻雀搜索算法优化的gru的船舶运动姿态的预测方法 - Google Patents
基于麻雀搜索算法优化的gru的船舶运动姿态的预测方法 Download PDFInfo
- Publication number
- CN113238666B CN113238666B CN202110566690.7A CN202110566690A CN113238666B CN 113238666 B CN113238666 B CN 113238666B CN 202110566690 A CN202110566690 A CN 202110566690A CN 113238666 B CN113238666 B CN 113238666B
- Authority
- CN
- China
- Prior art keywords
- gru
- sparrow
- data
- ship motion
- search algorithm
- 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
- 241000287127 Passeridae Species 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000010845 search algorithm Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 229940060587 alpha e Drugs 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 125000004122 cyclic group Chemical group 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 244000062645 predators Species 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005291 chaos (dynamical) Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/02—Input arrangements using manually operated switches, e.g. using keyboards or dials
- G06F3/023—Arrangements for converting discrete items of information into a coded form, e.g. arrangements for interpreting keyboard generated codes as alphanumeric codes, operand codes or instruction codes
- G06F3/027—Arrangements for converting discrete items of information into a coded form, e.g. arrangements for interpreting keyboard generated codes as alphanumeric codes, operand codes or instruction codes for insertion of the decimal point
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于麻雀搜索算法优化的GRU的船舶运动姿态的预测方法,包括如下步骤:收集船舶运动姿态的历史数据,对收集到的数据进行归一化处理,得到处理后的建模数据;初始化麻雀搜索算法的参数及GRU网络的结构;通过麻雀搜索算法搜索最优参数;将得到的最优参数对GRU网络的连接权值进行赋值,利用建模数据进行GRU网络预测模型的训练;根据监测到的船舶运动姿态数据,利用训练好的GRU网络预测模型进行船舶运动姿态的预测。本发明通过麻雀搜索算法的引用,建立了一个更精准、适应性更好的预测模型,其拟合能力强,泛化能力好,使得预测结果更优越,对于船舶运动姿态的预测精度和效率都得到了提高,实现了高精度、高效率的船舶运动姿态预测。
Description
技术领域
本发明属于船舶运动姿态领域,涉及船舶运动姿态的预测技术,具体涉及一种基于麻雀搜索算法优化的GRU的船舶运动姿态的预测方法。
涉及利用门控循环神经网络实现船舶运动姿态的预测。本发明适用于各种有关六自由度的设备姿态的预测。
背景技术
我国是海洋大国,海上资源的开发日渐迈上新的阶梯。在实际海洋环境中,由于海洋风、浪、流等环境因素的作用,会不断产生六个自由度的摇荡运动,这种不稳定对船舶海上作业如航母舰载机起降、船舶运动控制等造成严重威胁。同时海上作业的安全无法得到有效保障,对海上作业人员来说极度不安全,需对船舶上搭载的海上作业的运动设备进行补偿,补偿的关键在于船舶短期运动数据的提前获取,因此研究船舶运动姿态的预测对提高海上作业安全性以及海上作业效率有重大意义。
在船舶运动姿态的预测方面,船舶运动姿态的预测模型主要为卡尔曼滤波、线性回归预报、神经网络模型,支持向量机模型、混沌理论、灰色理论预报等。但由于海上环境因素的多变,单一的预报算法无法满足实时预报的需求,目前研究较多的是通过多种算法结合,其中神经网络方法的适应性和学习能力均比较突出。
循环门单元(Gated Recurrent Unit,GRU),由Cho,et al.(2014)提出,模型相较于Lstm(长短时记忆神经网络)简单,训练时长有显著缩短。中国卫星海上测控部技术部的黄为等人在2019年11月《科学技术与工程》第19卷第31期中发表了《基于循环神经网络的船摇数据实时预测》。此文章利用循环神经网络( recurrent neural networks,RNN)的方法来对时序模型进行建模分析,避免了传统方法在构建船舶运动状态方程的困难及相关参数设置上的盲目性、随机性,为基于循环神经网络进行船舶运动姿态预测提供了一种有效的解决方法。但是此算法未对权值进行优化,算法的预测精度还有很大的上升空间。
所以,需要一个新的技术方案来解决上述问题。
发明内容
发明目的:为了克服现有技术中存在的不足,提供一种基于麻雀搜索算法优化的GRU的船舶运动姿态的预测方法,其建立了一个更精准、适应性更好的预测模型,使得预测结果更优越,实现了高精度、高效率的船舶运动姿态预测。
技术方案:为实现上述目的,本发明提供一种基于麻雀搜索算法优化的GRU的船舶运动姿态的预测方法,包括如下步骤:
S1:收集船舶运动姿态的历史数据,对收集到的数据进行归一化处理,得到处理后的建模数据;
S2:初始化麻雀搜索算法的参数及GRU网络的结构;
S3:通过麻雀搜索算法搜索最优参数;
S4:将得到的最优参数对GRU网络的连接权值进行赋值,利用步骤S1的建模数据进行GRU网络预测模型的训练;
S5:根据监测到的船舶运动姿态数据,利用训练好的GRU网络预测模型进行船舶运动姿态的预测。
进一步地,所述步骤S1中建模数据的获取公式为:
其中,x为收集到的数据,x′为建模数据,也就是所需训练样本数据,max(x)和min(x)分别为数据集中的最大值和最小值。
进一步地,所述步骤S2具体为:
麻雀搜索算法的参数初始化:设定麻雀搜索算法的参数包括种群规模、层数、迭代次数、和速度取值的限定范围;
GRU网络的结构初始化:确定网络输入层、输出层以及隐含层的层数。
进一步地,所述步骤S3具体包括如下步骤:
A1:对适应度进行排序,找到当前最佳适应度个体和最差适应度个体;
A2:更新适应度靠前麻雀(发现者)位置:
其中,t表示当前迭代,j=1,2,...,d,表示迭代t次时第i只麻雀的适应值,itermax代表最大迭代次数,α∈(0,1]是一个随机数,R2∈[0,1)表示警戒值,ST∈[0.5,1.0]表示安全阈值,Q是一个服从正态分布的随机数,L代表一个1*d的全一矩阵;
当R2<ST,这意味着没有捕食者,生产者进入广泛搜索模式。如果R2≥ST,说明麻雀发现了捕食者,所有的麻雀需要迅速另一个安全区域;
A3:更新适应度靠后麻雀(追随者)位置;
其中,Xp表示被发现者占据的最佳位置,Xworst表示当前最差位置,L代表一个1*d的一行多维矩阵,矩阵中每个元素随机分配1或-1,A+=AT(AAT)-1;当i>n/2时,表示适应度差的更容易挨饿;
A4:随机更新部分麻雀(警戒者)位置:
其中,Xbest表示当前全局最优位置;β即步长控制参数,是均值为0,方差为1的随机数的正态分布;K∈[-1,1]是一个随机数;fi是当前麻雀的适应度值;fg和fw分别是当前全局最优值和最差值,ε是最小的常数,避免零除误差;
A5:得到当前更新后的位置;
A6:如果新位置优于旧位置,更新旧位置;
A7:重复进行步骤A4到步骤A6;
A8:达到最大迭代次数输出最佳适应度值。
进一步地,所述步骤S4具体包括:将得到的最佳适应度值赋值给GRU网络,利用归一化处理后的数据训练GRU网络,达到最大迭代次数后,输出预测值,完成GRU网络预测模型的训练。
进一步地,所述步骤S1中收集到的数据包括横摇、纵摇、升沉、横荡、纵荡和垂荡数据。
有益效果:本发明与现有技术相比,通过麻雀搜索算法的引用,实现了对于权值的优化,建立了一个更精准、适应性更好的预测模型,解决了传统GRU神经网络在训练过程中因梯度下降算法容易产生精度下降的问题,且拟合能力强,泛化能力好,使得预测结果更优越,对于船舶运动姿态的预测精度和效率都得到了提高,实现了高精度、高效率的船舶运动姿态预测。
附图说明
图1为本发明方法的流程图;
图2为GRU神经网络示意图;
图3为船舶横摇数据预测传统GRU网络与本发明预测结果图;
图4为船舶纵摇数据预测传统GRU网络与本发明预测结果图;
图5为船舶升沉数据预测传统GRU网络与本发明预测结果图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明提供一种基于麻雀搜索算法优化的GRU的船舶运动姿态的预测方法,如图1所示,其包括如下步骤:
S1:收集船舶运动姿态的历史数据(横摇、纵摇、升沉),对收集到的数据进行归一化处理,得到处理后的建模数据,该建模数据用于训练样本数据集:
其中,x为收集到的数据,x′为建模数据,也就是所需训练样本数据,max(x)和min(x)分别为数据集中的最大值和最小值。
S2:初始化麻雀搜索算法的参数及GRU网络的结构:
设定麻雀搜索算法的参数包括种群规模、层数、迭代次数、和速度取值的限定范围。种群规模设定为20,层数为21,最大迭代次数为50,速度取值的限定范围为[-5,5];
参照图2,GRU网络结构的初始化指网络输入层、输出层以及隐含层层数的确定。设定输入层为1,输出层为1,隐含层为5。训练迭代最大次数为100。
S3:通过麻雀搜索算法搜索最优参数,包括如下步骤A1~A8:
A1:对适应度进行排序,找到当前最佳适应度个体和最差适应度个体;
A2:更新适应度靠前麻雀(发现者)位置:
其中,t表示当前迭代,j=1,2,...,d,表示迭代t次时第i只麻雀的适应值,itermax代表最大迭代次数,α∈(0,1]是一个随机数,R2∈[0,1)表示警戒值,ST∈[0.5,1.0]表示安全阈值,Q是一个服从正态分布的随机数,L代表一个1*d的全一矩阵;
当R2<ST,这意味着没有捕食者,生产者进入广泛搜索模式。如果R2≥ST,说明麻雀发现了捕食者,所有的麻雀需要迅速另一个安全区域;
A3:更新适应度靠后麻雀(追随者)位置;
其中,Xp表示被发现者占据的最佳位置,Xworst表示当前最差位置,L代表一个1*d的一行多维矩阵,矩阵中每个元素随机分配1或-1,A+=AT(AAT)-1;当i>n/2时,表示适应度差的更容易挨饿;
A4:随机更新部分麻雀(警戒者)位置:
其中,Xbest表示当前全局最优位置;β即步长控制参数,是均值为0,方差为1的随机数的正态分布;K∈[-1,1]是一个随机数;fi是当前麻雀的适应度值;fg和fw分别是当前全局最优值和最差值,ε是最小的常数,避免零除误差;
A5:得到当前更新后的位置;
A6:如果新位置优于旧位置,更新旧位置;
A7:重复进行步骤A4到步骤A6;
A8:达到最大迭代次数输出最佳适应度值。
S4:将得到的最优参数对GRU网络的连接权值进行赋值,利用步骤S1的建模数据进行GRU网络预测模型的训练:
本实施例中GRU网络的前项传播算法如下所示:
zt=σ{Wz[ht-1,xt]}
rt=σ{Wr[ht-1,xt]}
具体的过程如下:
B1:将得到的最佳适应度值赋值给GRU网络;
B2:利用归一化处理的数据训练GRU网络,训练过程中,优化算法选用了Adam算法,这是一种学习速率自适应的优化算法,结合了移动均值和动量方法的优点。达到最大迭代次数后,输出预测值;
B3:保存训练好的网络模型,可用于船舶运动姿态的预测。
S5:根据监测到的船舶运动姿态数据,利用训练好的GRU网络预测模型进行船舶运动姿态的预测。
本实施例还提供一种基于麻雀搜索算法优化的GRU的船舶运动姿态的预测系统,该系统包括网络接口、存储器和处理器;其中,网络接口,用于在与其他外部网元之间进行收发信息过程中,实现信号的接收和发送;存储器,用于存储能够在所述处理器上运行的计算机程序指令;处理器,用于在运行计算机程序指令时,执行上述共识方法的步骤。
本实施例还提供一种计算机存储介质,该计算机存储介质存储有计算机程序,在处理器执行所述计算机程序时可实现以上所描述的方法。所述计算机可读介质可以被认为是有形的且非暂时性的。非暂时性有形计算机可读介质的非限制性示例包括非易失性存储器电路(例如闪存电路、可擦除可编程只读存储器电路或掩膜只读存储器电路)、易失性存储器电路(例如静态随机存取存储器电路或动态随机存取存储器电路)、磁存储介质(例如模拟或数字磁带或硬盘驱动器)和光存储介质(例如CD、DVD或蓝光光盘)等。计算机程序包括存储在至少一个非暂时性有形计算机可读介质上的处理器可执行指令。计算机程序还可以包括或依赖于存储的数据。计算机程序可以包括与专用计算机的硬件交互的基本输入/输出系统(BIOS)、与专用计算机的特定设备交互的设备驱动程序、一个或多个操作系统、用户应用程序、后台服务、后台应用程序等。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
基于上述方案,为了验证本发明方法的效果,进行仿真实验,具体的结果如下为:
如图3可见,本发明方法和传统GRU网络相比,本发明方法预测到的横摇角数据更接近于原始数据。
如图4可见,本发明方法和传统GRU网络相比,本发明方法预测到的纵摇角数据更接近于原始数据。
如图5可见,本发明方法和传统GRU网络相比,本发明方法预测到的升沉数据更接近于原始数据。
实验结果证明经过麻雀搜索算法优化的GRU网络在对船舶运动姿态数据进行预测时预测得到的数据相较于未优化的网络和原始数据拟合度更高,表明本发明与未优化的网络对比,预测精度有明显提高,证明了本发明的有效性和优越性。
Claims (5)
1.基于麻雀搜索算法优化的GRU的船舶运动姿态的预测方法,其特征在于,包括如下步骤:
S1:收集船舶运动姿态的历史数据,对收集到的数据进行归一化处理,得到处理后的建模数据;
S2:初始化麻雀搜索算法的参数及GRU网络的结构;
S3:通过麻雀搜索算法搜索最优参数;
S4:将得到的最优参数对GRU网络的连接权值进行赋值,利用步骤S1的建模数据进行GRU网络预测模型的训练;
S5:根据监测到的船舶运动姿态数据,利用训练好的GRU网络预测模型进行船舶运动姿态的预测;
所述步骤S3具体包括如下步骤:
A1:对适应度进行排序,找到当前最佳适应度个体和最差适应度个体;
A2:更新适应度靠前麻雀位置:
其中,t表示当前迭代,j=1,2,…,d,表示迭代t次时第i只麻雀的适应值,itermax代表最大迭代次数,α∈(0,1]是一个随机数,R2∈[0,1)表示警戒值,ST∈[0.5,1.0]表示安全阈值,Q是一个服从正态分布的随机数,L代表一个1*d的全一矩阵;
A3:更新适应度靠后麻雀位置;
其中,Xp表示被发现者占据的最佳位置,Xworst表示当前最差位置,L代表一个1*d的一行多维矩阵,矩阵中每个元素随机分配1或-1,A+=AT(AAT)-1;
A4:随机更新部分麻雀位置:
其中,Xbest表示当前全局最优位置;β即步长控制参数,是均值为0,方差为1的随机数的正态分布;K∈[-1,1]是一个随机数;fi是当前麻雀的适应度值;fg和fw分别是当前全局最优值和最差值,ε是最小的常数,避免零除误差;
A5:得到当前更新后的位置;
A6:如果新位置优于旧位置,更新旧位置;
A7:重复进行步骤A4到步骤A6;
A8:达到最大迭代次数输出最佳适应度值;
GRU网络的前项传播算法如下所示:
zt=σ{Wz[ht-1,xt]}
rt=σ{Wr[Ht-1,xt]}
2.根据权利要求1所述的基于麻雀搜索算法优化的GRU的船舶运动姿态的预测方法,其特征在于,所述步骤S1中建模数据的获取公式为:
其中,x为收集到的数据,x'为建模数据,也就是所需训练样本数据,max(x)和min(x)分别为数据集中的最大值和最小值。
3.根据权利要求1所述的基于麻雀搜索算法优化的GRU的船舶运动姿态的预测方法,其特征在于,所述步骤S2具体为:
麻雀搜索算法的参数初始化:设定麻雀搜索算法的参数包括种群规模、层数、迭代次数、和速度取值的限定范围;
GRU网络的结构初始化:确定网络输入层、输出层以及隐含层的层数。
4.根据权利要求1所述的基于麻雀搜索算法优化的GRU的船舶运动姿态的预测方法,其特征在于,所述步骤S4具体包括:将得到的最佳适应度值赋值给GRU网络,利用归一化处理后的数据训练GRU网络,达到最大迭代次数后,输出预测值,完成GRU网络预测模型的训练。
5.根据权利要求1或2所述的基于麻雀搜索算法优化的GRU的船舶运动姿态的预测方法,其特征在于,所述步骤S1中收集到的数据包括横摇、纵摇、升沉、横荡、纵荡和垂荡数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110566690.7A CN113238666B (zh) | 2021-05-24 | 2021-05-24 | 基于麻雀搜索算法优化的gru的船舶运动姿态的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110566690.7A CN113238666B (zh) | 2021-05-24 | 2021-05-24 | 基于麻雀搜索算法优化的gru的船舶运动姿态的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113238666A CN113238666A (zh) | 2021-08-10 |
CN113238666B true CN113238666B (zh) | 2024-01-23 |
Family
ID=77138502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110566690.7A Active CN113238666B (zh) | 2021-05-24 | 2021-05-24 | 基于麻雀搜索算法优化的gru的船舶运动姿态的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113238666B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113947009B (zh) * | 2021-08-31 | 2024-03-08 | 西北大学 | 基于柯西扰动麻雀优化的稀疏lstm滑坡动态预测方法 |
CN113723007B (zh) * | 2021-09-08 | 2023-09-15 | 重庆邮电大学 | 基于drsn和麻雀搜索优化的设备剩余寿命预测方法 |
CN113902016A (zh) * | 2021-10-11 | 2022-01-07 | 大连海事大学 | 一种船舶机械运行模式的判定方法 |
CN114355415A (zh) * | 2022-01-06 | 2022-04-15 | 上海安亭地平线智能交通技术有限公司 | 位姿信息的确定方法和装置、电子设备和存储介质 |
CN117056847B (zh) * | 2023-10-10 | 2024-01-30 | 中南大学 | 一种流式数据的异常检测方法、系统、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111336996A (zh) * | 2020-03-28 | 2020-06-26 | 哈尔滨工程大学 | 一种海洋环境与船舶运动监测预报系统及监测预报方法 |
CN112329934A (zh) * | 2020-11-17 | 2021-02-05 | 江苏科技大学 | 一种基于改进麻雀搜索算法的rbf神经网络优化算法 |
CN112418406A (zh) * | 2020-12-09 | 2021-02-26 | 甘肃靖远航天风力发电有限公司 | 基于ssa-lstm模型的风电塔筒倾角缺失数据补齐方法 |
CN112445847A (zh) * | 2021-01-29 | 2021-03-05 | 中科星图股份有限公司 | 基于北斗导航时频数据的船舶轨迹预测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015191394A1 (en) * | 2014-06-09 | 2015-12-17 | Northrop Grumman Systems Corporation | System and method for real-time detection of anomalies in database usage |
-
2021
- 2021-05-24 CN CN202110566690.7A patent/CN113238666B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111336996A (zh) * | 2020-03-28 | 2020-06-26 | 哈尔滨工程大学 | 一种海洋环境与船舶运动监测预报系统及监测预报方法 |
CN112329934A (zh) * | 2020-11-17 | 2021-02-05 | 江苏科技大学 | 一种基于改进麻雀搜索算法的rbf神经网络优化算法 |
CN112418406A (zh) * | 2020-12-09 | 2021-02-26 | 甘肃靖远航天风力发电有限公司 | 基于ssa-lstm模型的风电塔筒倾角缺失数据补齐方法 |
CN112445847A (zh) * | 2021-01-29 | 2021-03-05 | 中科星图股份有限公司 | 基于北斗导航时频数据的船舶轨迹预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113238666A (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113238666B (zh) | 基于麻雀搜索算法优化的gru的船舶运动姿态的预测方法 | |
Graves | Adaptive computation time for recurrent neural networks | |
Sun et al. | Variational inference for infinite mixtures of Gaussian processes with applications to traffic flow prediction | |
CN110132282B (zh) | 无人机路径规划方法及装置 | |
WO2021103675A1 (zh) | 神经网络的训练及人脸检测方法、装置、设备和存储介质 | |
EP4073707A1 (en) | Input into a neural network | |
Guo et al. | A fully-pipelined expectation-maximization engine for Gaussian mixture models | |
CN108983180A (zh) | 一种群智能高精度的雷达海杂波预报系统 | |
CN108876038B (zh) | 大数据、人工智能、超算协同的材料性能预测方法 | |
Kyriacou et al. | Efficient PCA-driven EAs and metamodel-assisted EAs, with applications in turbomachinery | |
CN112163671A (zh) | 一种新能源场景生成方法及系统 | |
Bamakan et al. | Parameters optimization for nonparallel support vector machine by particle swarm optimization | |
CN111507530A (zh) | 基于分数阶动量梯度下降的rbf神经网络船舶交通流预测方法 | |
Liu et al. | EACP: An effective automatic channel pruning for neural networks | |
CN112215412A (zh) | 溶解氧预测方法及装置 | |
CN115544890A (zh) | 一种短期电力负荷预测方法及系统 | |
El-Laham et al. | Policy gradient importance sampling for Bayesian inference | |
Rudy et al. | Prediction of intermittent fluctuations from surface pressure measurements on a turbulent airfoil | |
Dong et al. | Parameter selection of a support vector machine, based on a chaotic particle swarm optimization algorithm | |
US20220121924A1 (en) | Configuring a neural network using smoothing splines | |
Cheung et al. | Consistent estimation for partition-wise regression and classification models | |
CN116663395A (zh) | 基于参数优化的支持向量机回归的降雨量等值面生成方法 | |
CN115599296A (zh) | 一种分布式存储系统的节点自动伸缩方法及系统 | |
CN113112092A (zh) | 一种短期概率密度负荷预测方法、装置、设备和存储介质 | |
Ayers et al. | Supervised machine learning to estimate instabilities in chaotic systems: Estimation of local Lyapunov exponents |
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 |