CN114021441A - 一种基于CNN-BiLSTM的船舶运动姿态预测方法 - Google Patents

一种基于CNN-BiLSTM的船舶运动姿态预测方法 Download PDF

Info

Publication number
CN114021441A
CN114021441A CN202111261023.4A CN202111261023A CN114021441A CN 114021441 A CN114021441 A CN 114021441A CN 202111261023 A CN202111261023 A CN 202111261023A CN 114021441 A CN114021441 A CN 114021441A
Authority
CN
China
Prior art keywords
bilstm
cnn
data
ship motion
motion attitude
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
Application number
CN202111261023.4A
Other languages
English (en)
Inventor
赵强
左思雨
潘梦婷
周萌萌
张冰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University of Science and Technology
Original Assignee
Jiangsu University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University of Science and Technology filed Critical Jiangsu University of Science and Technology
Priority to CN202111261023.4A priority Critical patent/CN114021441A/zh
Publication of CN114021441A publication Critical patent/CN114021441A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/048—Activation functions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于CNN‑BiLSTM的船舶运动姿态预测方法，包括如下步骤：利用船舶运动姿态的历史数据，归一化处理，得到所需建模数据，将建模数据划分为测试集和验证集；初始化CNN网络、BiLSTM网络的结构以及相关参数；利用初始化后的CNN网络对船舶运动姿态测试集进行特征提取；将提取的特征数据送入BiLSTM网络进行训练，获取到船舶运动姿态测试集预测数据，由此建立CNN‑BiLSTM船舶运动姿态预测模型；通过验证集输入CNN‑BiLSTM船舶运动姿态预测模型进行验证预测，获取到最终的预测结果。本发明结合CNN和BiLSTM的优点，建立了CNN‑BiLSTM船舶运动姿态预测模型，利用CNN对相应船舶运动姿态数据进行特征提取，同时通过BiLSTM对所得特征信息进行预测，有效提高了预测精度，可对船舶运动姿态进行可靠预测。

Description

一种基于CNN-BiLSTM的船舶运动姿态预测方法
技术领域
本发明涉及船舶运动姿态预测技术，具体涉及一种基于CNN-BiLSTM的船舶运动姿态预测方法。
背景技术
近年来，随着海上资源相应开发技术的创新与提高，海上作业的范围越来越广，对船舶运动稳定性的要求更高。当船在不平稳海面航行时，容易受到海浪、风等各种因素的影响，从而在六个自由度发生摇荡现象，对船上作业工人及其船体有很大危害。因此，实现对船舶运动补偿的研究避不可免。对船舶运动补偿的关键是实现对船舶下一步运动姿态的提前获取，因此对船舶运动姿态的预测对提高船舶航行稳定性的意义重大。
目前，对船舶运动姿态的预测方法，主要是：卡尔曼滤波预报、自回归预报、神经网络预报。由于卡尔曼滤波预报法需要求解船舶水动力方程，难以实际运用；而自回归预报模型当外界存在干扰因素时，难以实现准确预报。
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CNN-BiLSTM的船舶运动姿态预测方法，利用神经网络实现对船舶运动姿态的预测，将卷积神经网络与双向长短期记忆网络结合，建立CNN-BiLSTM的船舶运动姿态预测模型，卷积神经网络用于特征提取，双向长短期记忆网络用来预测，实现对船舶运动姿态的精确预测。
技术方案：为实现上述目的，本发明提供一种基于CNN-BiLSTM的船舶运动姿态预测方法，包括如下步骤：
S1：利用船舶运动姿态的历史数据，归一化处理，得到所需建模数据，将建模数据划分为测试集和验证集；
S2：初始化CNN网络、BiLSTM网络的结构以及相关参数；
S3：利用初始化后的CNN网络对船舶运动姿态测试集进行特征提取；
S4：将提取的特征数据送入BiLSTM网络进行训练，获取到船舶运动姿态测试集预测数据，由此建立CNN-BiLSTM船舶运动姿态预测模型；
S5：通过验证集输入CNN-BiLSTM船舶运动姿态预测模型进行验证预测，获取到最终的预测结果。
进一步地，所述步骤S1具体为：
A1：收集船舶在不同海况自由度的历史数据；
A2：对收集到的数据进行测试集和验证集的划分；
A3：对数据进行标准化处理，得到所需测试样本数据集。
进一步地，所述步骤A1中历史数据包括不同海况六个自由度数据，分别为横摇、纵摇、升沉、横荡、纵荡和垂荡。
进一步地，所述步骤A3中所需测试样本数据集的表达式为：
Figure BDA0003325523630000021
其中，x为收集到的数据，
Figure BDA0003325523630000022
为标准化处理后的训练样本数据，
Figure BDA0003325523630000023
为数据均值，σ为标准差。
进一步地，所述步骤S2具体为：
初始化CNN网络的参数包括卷积层、池化层、卷积激活函数；
初始化BiLSTM网络的参数包括隐含层、隐含层神经元、输入层、输出层、激活函数、优化器、学习率因子；
同时为了进行正则化以及防止过拟合，设定dropout。
进一步地，所述步骤S3中特征提取的方式为：CNN通过卷积层对测试集数据进行卷积计算后，使用设定的激活函数提取输入数据的局部特征信息，池化层对卷积层进行采样从而减少网络计算量以及参数个数，同时设定dropout层避免过拟合，最后输出特征序列作为后续BiLSTM的输入。
进一步地，所述步骤S4中船舶运动姿态测试集预测数据的获取方法具体为：将获取的特征序列输入到BiLSTM网络中，通过BiLSTM网络对输入的特征数据进行处理，具体的处理过程为：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
Figure BDA0003325523630000024
Figure BDA0003325523630000025
ot＝σ(Wo[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
其中，ft、it、ot分别代表遗忘门、输出门、输入门三种门结构；ht-1为t-1时刻隐藏层的输出信息；ht为t时刻隐藏层的输出信息，也就是获取到船舶运动姿态测试集预测数据；Wi,Wf,Wc,W0代表不同连接层之间的权重；bi,bf,bc,b0代表不同连接层的偏移；
Figure BDA0003325523630000031
为t时刻输入门的单元状态；Ct为t时刻输出的单元状态；
sigmoid简写为σ，和tanh同为激活函数。
BiLSTM由前向LSTM与后向LSTM组合而成，处理数据过程与LSTM等同。
进一步地，所述步骤S5中通过评价函数对预测结果的效果进行判定，评价函数选用均方根误差以及平均绝对百分比误差作为误差评价指标，公式如下：
Figure BDA0003325523630000032
Figure BDA0003325523630000033
其中，
本发明中将卷积神经网络(convolutional neural network,CNN)用于特征提取，可有效提高预测精度以及识别准确率。另外双向长短期记忆网络(Bi-directional LongShort-Term Memory，BiLSTM)的网络结构双向设计使t时刻所获得特征数据同时拥有过去和将来之间的信息，这种神经网络结构模型对文本特征提取效率及故障检测性能要优于单个LSTM结构模型。
有益效果：本发明与现有技术相比，结合CNN和BiLSTM的优点，建立了CNN-BiLSTM船舶运动姿态预测模型，利用CNN对相应船舶运动姿态数据进行特征提取，同时通过BiLSTM对所得特征信息进行预测，有效提高了预测精度，可对船舶运动姿态进行可靠预测，且非常适用于各种有关六自由度的设备姿态的预测。
附图说明
附图1是本发明的预测流程图；
附图2是LSTM网络的内部结构图；
附图3是本发明对船舶运动姿态横摇角的预测结果图。
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CNN-BiLSTM的船舶运动姿态预测方法，如图1所示，其包括如下步骤：
S1：利用船舶运动姿态的历史数据，归一化处理，得到所需建模数据，将建模数据划分为测试集和验证集；
具体过程如下：
A1：收集船舶在不同海况六个自由度的历史数据，分别为横摇、纵摇、升沉、横荡、纵荡和垂荡
A2：对收集到的数据进行测试集和验证集的划分，划分比例为9：1；
A3：对数据进行标准化处理，得到所需测试样本数据集：
Figure BDA0003325523630000041
其中，x为收集到的数据，
Figure BDA0003325523630000042
为标准化处理后的训练样本数据，
Figure BDA0003325523630000043
为数据均值，σ为标准差。
S2：初始化CNN网络的结构和参数：包括2个卷积层，激活函数选用relu；最大池化层；
初始化BiLSTM网络的结构和参数：三层bilstm，每层单元数依次为128、64、32；学习率设为0.001；优化器选用Adam。
同时为了进行正则化以及防止过拟合，设定dropout为0.25。
S3：利用初始化后的CNN网络对船舶运动姿态测试集进行特征提取：
CNN通过卷积层对数据进行卷积计算后使用设定的激活函数提取输入数据的局部特征信息，池化层对卷积层进行采样从而减少网络计算量以及参数个数，最后输出特征序列作为后续BiLSTM的输入。
S4：将提取的特征数据送入BiLSTM网络进行训练，获取到船舶运动姿态测试集预测数据，由此建立CNN-BiLSTM船舶运动姿态预测模型：
具体的处理过程为：
将获取的特征序列输入到BiLSTM网络中，通过BiLSTM网络对输入的特征数据进行处理，LSTM网络的内部结构具体如图2所示，参照图2，具体的处理过程为：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
Figure BDA0003325523630000044
Figure BDA0003325523630000045
ot＝σ(Wo[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
其中，ft、it、ot分别代表遗忘门、输出门、输入门三种门结构；ht-1为t-1时刻隐藏层的输出信息；ht为t时刻隐藏层的输出信息，也就是获取到船舶运动姿态测试集预测数据；Wi,Wf,Wc,W0代表不同连接层之间的权重；bi,bf,bc,b0代表不同连接层的偏移；
Figure BDA0003325523630000051
为t时刻输入门的单元状态；Ct为t时刻输出的单元状态；sigmoid简写为σ，和tanh同为激活函数。
BiLSTM由前向LSTM与后向LSTM组合而成，处理数据过程与LSTM等同。
S5：通过验证集输入CNN-BiLSTM船舶运动姿态预测模型进行验证预测，通过评价函数对预测结果的效果进行判定，评价函数选用均方根误差以及平均绝对百分比误差作为误差评价指标，公式如下：
Figure BDA0003325523630000052
Figure BDA0003325523630000053
获取到最终的预测结果。
基于上述方案，为了验证本发明预测方法的有效性，将本发明方法对船舶运动姿态的横摇角数据进行预测时的预测结果与实际数据进行拟合对比，具体的拟合结果如图3所示，可见拟合度非常好，表明本发明可有效用于船舶运动姿态的预测，验证了本发明的有效性。

Claims (9)

1.一种基于CNN-BiLSTM的船舶运动姿态预测方法，其特征在于，包括如下步骤：
S1：利用船舶运动姿态的历史数据，归一化处理，得到所需建模数据，将建模数据划分为测试集和验证集；
S2：初始化CNN网络、BiLSTM网络的结构以及相关参数；
S3：利用初始化后的CNN网络对船舶运动姿态测试集进行特征提取；
S4：将提取的特征数据送入BiLSTM网络进行训练，获取到船舶运动姿态测试集预测数据，由此建立CNN-BiLSTM船舶运动姿态预测模型；
S5：通过验证集输入CNN-BiLSTM船舶运动姿态预测模型进行验证预测，获取到最终的预测结果。
2.根据权利要求1所述的一种基于CNN-BiLSTM的船舶运动姿态预测方法，其特征在于，所述步骤S1具体为：
A1：收集船舶在不同海况自由度的历史数据；
A2：对收集到的数据进行测试集和验证集的划分；
A3：对数据进行标准化处理，得到所需测试样本数据集。
3.根据权利要求1所述的一种基于CNN-BiLSTM的船舶运动姿态预测方法，其特征在于，所述步骤A1中历史数据包括不同海况六个自由度数据，分别为横摇、纵摇、升沉、横荡、纵荡和垂荡。
4.根据权利要求2所述的一种基于CNN-BiLSTM的船舶运动姿态预测方法，其特征在于，所述步骤A3中所需测试样本数据集的表达式为：
Figure FDA0003325523620000011
其中，x为收集到的数据，
Figure FDA0003325523620000012
为标准化处理后的训练样本数据，
Figure FDA0003325523620000013
为数据均值，σ为标准差。
5.根据权利要求1所述的一种基于CNN-BiLSTM的船舶运动姿态预测方法，其特征在于，所述步骤S2具体为：
初始化CNN网络的参数包括卷积层、池化层、卷积激活函数；
初始化BiLSTM网络的参数包括隐含层、隐含层神经元、输入层、输出层、激活函数、优化器、学习率因子；
同时为了进行正则化以及防止过拟合，设定dropout。
6.根据权利要求1所述的一种基于CNN-BiLSTM的船舶运动姿态预测方法，其特征在于，所述步骤S3中特征提取的方式为：CNN通过卷积层对测试集数据进行卷积计算后，使用设定的激活函数提取输入数据的局部特征信息，池化层对卷积层进行采样从而减少网络计算量以及参数个数，同时设定dropout层避免过拟合，最后输出特征序列作为后续BiLSTM的输入。
7.根据权利要求6所述的一种基于CNN-BiLSTM的船舶运动姿态预测方法，其特征在于，所述步骤S4中船舶运动姿态测试集预测数据的获取方法具体为：将获取的特征序列输入到BiLSTM网络中，通过BiLSTM网络对输入的特征数据进行处理，具体的处理过程为：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
Figure FDA0003325523620000021
Figure FDA0003325523620000022
ot＝σ(Wo[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
其中，ft、it、ot分别代表遗忘门、输出门、输入门三种门结构；ht-1为t-1时刻隐藏层的输出信息；ht为t时刻隐藏层的输出信息，也就是获取到船舶运动姿态测试集预测数据；Wi,Wf,Wc,W0代表不同连接层之间的权重；bi,bf,bc,b0代表不同连接层的偏移；
Figure FDA0003325523620000023
为t时刻输入门的单元状态；Ct为t时刻输出的单元状态；sigmoid简写为σ，和tanh同为激活函数。
8.根据权利要求1所述的一种基于CNN-BiLSTM的船舶运动姿态预测方法，其特征在于，所述步骤S5中通过评价函数对预测结果的效果进行判定。
9.根据权利要求8所述的一种基于CNN-BiLSTM的船舶运动姿态预测方法，其特征在于，所述步骤S5中评价函数选用均方根误差以及平均绝对百分比误差作为误差评价指标，公式如下：
Figure FDA0003325523620000024
Figure FDA0003325523620000025
CN202111261023.4A 2021-10-28 2021-10-28 一种基于CNN-BiLSTM的船舶运动姿态预测方法 Pending CN114021441A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111261023.4A CN114021441A (zh) 2021-10-28 2021-10-28 一种基于CNN-BiLSTM的船舶运动姿态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111261023.4A CN114021441A (zh) 2021-10-28 2021-10-28 一种基于CNN-BiLSTM的船舶运动姿态预测方法

Publications (1)

Publication Number Publication Date
CN114021441A true CN114021441A (zh) 2022-02-08

Family

ID=80058147

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111261023.4A Pending CN114021441A (zh) 2021-10-28 2021-10-28 一种基于CNN-BiLSTM的船舶运动姿态预测方法

Country Status (1)

Country Link
CN (1) CN114021441A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114936669A (zh) * 2022-04-06 2022-08-23 武汉大学 一种基于数据融合的混合船舶横摇预测方法
CN115526243A (zh) * 2022-09-20 2022-12-27 成都飞机工业（集团）有限责任公司 一种基于多源数据和cnn-lstm的飞机飞行姿态识别方法
CN116050673A (zh) * 2023-03-31 2023-05-02 深圳市城市交通规划设计研究中心股份有限公司 基于CNN-BiLSTM的城市公交客流短时预测方法
CN116993821A (zh) * 2023-06-25 2023-11-03 哈尔滨理工大学 一种基于Transformer-AdaRNN模型的船舶姿态实时预测方法
CN117048802A (zh) * 2023-04-26 2023-11-14 哈尔滨工业大学（威海） 基于真实海况强适应的船舶未来运动姿态预测方法及系统
CN117556376A (zh) * 2024-01-11 2024-02-13 宁波朗达工程科技有限公司 一种基于多源数据融合的船舶动态轨迹预测及跟踪方法
CN117892886A (zh) * 2024-03-18 2024-04-16 青岛哈尔滨工程大学创新发展中心 基于置信区间的船舶运动极短期概率预报方法及系统
CN117892886B (zh) * 2024-03-18 2024-05-28 青岛哈尔滨工程大学创新发展中心 基于置信区间的船舶运动极短期概率预报方法及系统

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114936669A (zh) * 2022-04-06 2022-08-23 武汉大学 一种基于数据融合的混合船舶横摇预测方法
CN114936669B (zh) * 2022-04-06 2024-05-17 武汉大学 一种基于数据融合的混合船舶横摇预测方法
CN115526243A (zh) * 2022-09-20 2022-12-27 成都飞机工业（集团）有限责任公司 一种基于多源数据和cnn-lstm的飞机飞行姿态识别方法
CN115526243B (zh) * 2022-09-20 2023-12-12 成都飞机工业（集团）有限责任公司 一种基于多源数据和cnn-lstm的飞机飞行姿态识别方法
CN116050673A (zh) * 2023-03-31 2023-05-02 深圳市城市交通规划设计研究中心股份有限公司 基于CNN-BiLSTM的城市公交客流短时预测方法
CN116050673B (zh) * 2023-03-31 2023-08-01 深圳市城市交通规划设计研究中心股份有限公司 基于CNN-BiLSTM的城市公交客流短时预测方法
CN117048802A (zh) * 2023-04-26 2023-11-14 哈尔滨工业大学（威海） 基于真实海况强适应的船舶未来运动姿态预测方法及系统
CN116993821A (zh) * 2023-06-25 2023-11-03 哈尔滨理工大学 一种基于Transformer-AdaRNN模型的船舶姿态实时预测方法
CN117556376A (zh) * 2024-01-11 2024-02-13 宁波朗达工程科技有限公司 一种基于多源数据融合的船舶动态轨迹预测及跟踪方法
CN117556376B (zh) * 2024-01-11 2024-04-30 宁波朗达工程科技有限公司 一种基于多源数据融合的船舶动态轨迹预测及跟踪方法
CN117892886A (zh) * 2024-03-18 2024-04-16 青岛哈尔滨工程大学创新发展中心 基于置信区间的船舶运动极短期概率预报方法及系统
CN117892886B (zh) * 2024-03-18 2024-05-28 青岛哈尔滨工程大学创新发展中心 基于置信区间的船舶运动极短期概率预报方法及系统

Similar Documents

Publication Publication Date Title
CN114021441A (zh) 一种基于CNN-BiLSTM的船舶运动姿态预测方法
CN109614981B (zh) 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统
CN107941537B (zh) 一种机械设备健康状态评估方法
CN109214452B (zh) 基于注意深度双向循环神经网络的hrrp目标识别方法
CN107944648B (zh) 一种大型船舶航速油耗率预测方法
CN113156815B (zh) 一种数据驱动的海上船舶运动姿态实时预报方法
CN110657984B (zh) 一种基于强化胶囊网络的行星齿轮箱故障诊断方法
CN109147817B (zh) 一种基于变异受限玻尔兹曼机的去噪音频特征提取方法
CN111680875B (zh) 基于概率基线模型的无人机状态风险模糊综合评价方法
CN110933633B (zh) 一种基于csi指纹特征迁移的船载环境室内定位方法
CN112766229B (zh) 基于注意力机制的人脸点云图像智能识别系统及方法
CN115758290A (zh) 一种基于lstm的风机齿轮箱高速轴温度趋势预警方法
CN112557826A (zh) 一种船舶电力系统故障诊断方法
CN115220133B (zh) 一种多气象要素降雨预测方法、装置、设备及存储介质
CN111723666A (zh) 一种基于半监督学习的信号识别方法和装置
CN114154619A (zh) 一种基于cnn和bilstm的船舶轨迹预测方法
CN114970326A (zh) 一种基于改进胶囊神经网络的油井故障诊断方法
CN116152678A (zh) 小样本条件下基于孪生神经网络的海洋承灾体识别方法
CN112241802A (zh) 一种风电功率的区间预测方法
Wang et al. CNN-BiLSTM-attention model in forecasting wave height over South-East China Seas
CN108898157B (zh) 基于卷积神经网络的数值型数据的雷达图表示的分类方法
CN111783688A (zh) 一种基于卷积神经网络的遥感图像场景分类方法
CN117634661A (zh) 一种基于自注意双向长短期记忆网络的船舶操纵运动预报方法
CN116611580A (zh) 一种基于多源数据与深度学习的海洋赤潮预测方法
CN112948969B (zh) 一种基于lstmc混合网络的船舶横摇预测方法

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