CN116108383A - 一种基于改进樽海鞘多输出支持向量的船舶航迹预测方法 - Google Patents
一种基于改进樽海鞘多输出支持向量的船舶航迹预测方法 Download PDFInfo
- Publication number
- CN116108383A CN116108383A CN202211544351.XA CN202211544351A CN116108383A CN 116108383 A CN116108383 A CN 116108383A CN 202211544351 A CN202211544351 A CN 202211544351A CN 116108383 A CN116108383 A CN 116108383A
- Authority
- CN
- China
- Prior art keywords
- support vector
- model
- data
- ship
- prediction method
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000013598 vector Substances 0.000 title claims abstract description 27
- 241000251555 Tunicata Species 0.000 title claims 10
- 230000008878 coupling Effects 0.000 claims abstract description 22
- 238000010168 coupling process Methods 0.000 claims abstract description 22
- 238000005859 coupling reaction Methods 0.000 claims abstract description 22
- 238000012706 support-vector machine Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000012795 verification Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract 2
- 238000012216 screening Methods 0.000 claims abstract 2
- 230000006870 function Effects 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000002790 cross-validation Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 241000251557 Ascidiacea Species 0.000 claims 5
- 238000012843 least square support vector machine Methods 0.000 claims 2
- 241000798368 Ecteinascidia Species 0.000 claims 1
- 238000005336 cracking Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 22
- 230000003044 adaptive effect Effects 0.000 abstract description 10
- 241001415513 Salpida Species 0.000 description 8
- 230000006872 improvement Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- LKJPSUCKSLORMF-UHFFFAOYSA-N Monolinuron Chemical compound CON(C)C(=O)NC1=CC=C(Cl)C=C1 LKJPSUCKSLORMF-UHFFFAOYSA-N 0.000 description 1
- 206010036590 Premature baby Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G3/00—Traffic control systems for marine craft
- G08G3/02—Anti-collision systems
-
- 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]
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Radar, Positioning & Navigation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Ocean & Marine Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于改进樽海鞘多输出支持向量的船舶航迹预测方法。具体为对美国海岸警卫队导航中心提供的AIS航迹数据进行筛选和预处理；对模型中的超参数进行樽海鞘参数寻优；构建最终多元支持向量模型，并进行评估；选取其他的寻优方法与各种支持向量机与之做对比。本发明在美国海岸警卫队导航中心采集到的AIS数据进行模型训练及验证，结果显示本方法在经纬度强耦合的情况下的预测表现良好，并且在模型经纬度弱耦合的情况下的表现仍然优秀；并改进了樽海鞘群(SSA)寻优方法，由算法寻找合适的参数，避免主观人为因素的干扰，算法控制参数少且易于实现；引入了自适应权重算法与离群象算法的特点进行改进。
Description
技术领域
本发明属于船舶操纵和人工智能领域，具体涉及一种基于改进樽海鞘多输出支持向量的船舶航迹预测方法。
背景技术
随着船舶业与人工智能技术的发展，智能船舶被越来越多的国家与机构所重视，智能船舶高技术，全天候，反应快，不会产生决策疲劳，在商业民用领域有巨大的优势。船舶智能避碰系统作为一种新型智能航行系统的重要组成部分，是智能船舶的关键技术之一。智能船舶实现科学的避碰功能在日趋复杂的水路交通运输情况下，保证船舶能够安全航行，从而完成运输、巡航、监测等各种任务。而支持向量机在船舶航迹预测上有良好效果，可在非线性下通过核函数进行升维来构建决策函数，通过同时最小化经验误差和结构误差(模型复杂程度)，避免了神经网络的过拟合问题，在小样本下也具有较好的建模能力，保证了预测船舶航迹的实时性。但常规支持向量机为单输出模型，在船舶航迹预测上也多采用构建多个支持向量模型，将多个模型的输出组合来预测船舶未来的航迹路线，但分别构建模型的方法会忽略多维输出之间的耦合关系，在输出之间存在强耦合的情况下表现较差，因此寻找一种考虑输出之间耦合关系的多元输出的支持向量机算法是十分必要的。
发明内容
本发明的目的是为了提供一种基于改进樽海鞘多输出支持向量的船舶航迹预测方法。
本发明的目的通过如下技术方案来实现：
一种基于改进樽海鞘多输出支持向量的船舶航迹预测方法，具体步骤如下：
步骤1：对美国海岸警卫队导航中心提供的AIS航迹数据进行筛选和预处理；
步骤2：对模型中的超参数进行樽海鞘参数寻优；
步骤3：构建最终多元支持向量模型，并进行评估；
步骤4：选取其他的寻优方法与各种支持向量机与之做对比。
进一步地，步骤1具体为：过去4时刻的AIS数据作为输入变量，对船舶航迹数据中的时间信息，采用前后时间差Δt作为特征变量，船艏向采用正弦和余弦函数共同表示；避免船艏向在360°到0°所产生的割裂问题，设t时刻的船艏向为Ct，其对应的三角函数转换后的值为sin Ct和cosCt，设为δt和φt，对船艏向角进行唯一表达。
消除AIS数据不同属性之间的差异，减小模型预测误差，对模型的输入数据进行归一化处理，经过归一化处理以后，数据之间的属性差别被移除，所有维度的数据都处于同一个数值区间，都限定在[0,1]内。
进一步地，步骤2具体为：初始化SSA种群数量100，设定最大迭代次数15次，初始化樽海鞘群位置并将樽海鞘个体位置值作为LSSVM的超参数构建预测模型；采用三折交叉验证LSSVM模型，将误差协方差矩阵作为损失函数，计算樽海鞘个体适应度；根据樽海鞘运动规则更新樽海鞘个体位置，使樽海鞘群进行移动；
判断迭代是否结束，若没有达到最大迭代次数，则不断重复除初始化外的此步骤；最后将樽海鞘种群中最优适应度个体的位置作为MLSSVR预测模型的超参数。
进一步地，步骤3具体为：将在经过数据清洗、处理后选取100艘集装箱货船不同航迹的AIS数据用于制作输入变量作为训练数据，选取樽海鞘寻优的超参数构建预测模型，采用均方误差MSE与相关系数R对数据的预测经度进行评价的基础上加入误差协方差矩阵COV对输出数据之间的耦合误差进行量化评价。
进一步地，步骤4具体为：验证模型的泛化能力，额外选取3种训练数据之外的差异性较大的同种船舶轨迹作为验证，得到AIS数据动态信息的拟合结果，为验证本文方法在模型拟合与船舶轨迹预测方面的精确度提升，选取樽海鞘优最小二乘支持向量机SSALSSVM、粒子群支持向量回归PSOSVR与网格搜索多输出最小二乘支持向量机GRIMLSSVM与之进行评价对比。
技术效果
与现有技术相比，本发明的有益效果是：
本发明采用基于改进樽海鞘群优化算法与多输出最小二乘法支持向量回归相结合，所构建的船舶航迹预测模型可以对航迹的经纬度变化同时进行输出预测，模型考虑了航迹经纬度之间的耦合关系，在输出量之间存在强耦合关系的情况下提高了航迹预测的精度，并改进了樽海鞘算法，加入了自适应权重与离群象算法的特点，避免了算法早熟与高维易陷入的局部最优的问题，最后实验选取2021年美国海岸警卫队导航中心采集到的AIS数据进行模型训练及验证，并与其他模型预测数据进行比较。结果表示本发明在经纬度强耦合的情况下的预测表现良好，如船舶回转状态等。并且在模型经纬度弱耦合的情况下仍然优秀，如船舶直航前进状态，可为智能船舶决策避碰系统提供决策与风险或为海上人员提供参考。
附图说明
图1是本发明的支持向量映射模型；
图2是本发明的具体实施方式框架图；
图3是本发明的樽海鞘损失值随迭代次数变化示意图；
图4是本发明的樽海鞘迭代寻优流程图。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明的目的是为了解决船舶在预测航迹输出中可能存在的耦合关系，构建深层船舶预测模型，提出了一种由仿生算法寻优的多元输出支持向量机的航迹预测方法。着重在于船舶输出之间存在的耦合关系，并在输出若耦合的情况下依然表现良好。此外，多元支持向量中的超参数(如正则因子)大小影响着模型中结构风险和经验风险之间的平衡，本发明改进了樽海鞘群(SSA)寻优方法，由算法寻找合适的参数，避免主观人为因素的干扰，算法控制参数少且易于实现。对于其算法易早熟与高维易陷入的局部最优的问题，本发明引入了自适应权重算法与离群象算法的特点进行改进。并在美国海岸警卫队导航中心采集到的AIS数据进行模型训练及验证，结果显示本方法在经纬度强耦合的情况下的预测表现良好，并且在模型经纬度弱耦合的情况下的表现仍然优秀。
支持向量机(SVR)模型在船舶航迹预测方法上，可在非线性下通过核函数进行升维来构建决策函数，如图1所示，通过同时最小化经验误差和结构误差(模型复杂程度)，避免了神经网络的过拟合问题，在小样本下也具有较好的建模能力，保证了预测船舶航迹的实时性。但常规支持向量机为单输出模型，在船舶航迹预测上也多采用构建多个支持向量模型，将多个模型的输出组合来预测船舶未来的航迹路线，但分别构建模型的方法会忽略多维输出之间的耦合关系，在输出之间存在强耦合的情况下表现较差，针对以上问题，本发明提供一种基于改进樽海鞘多输出支持向量的船舶航迹预测方法。
本发明模型的整体构建流程框架如图2所示。整个模型框架主要分为四个部分，分别是航迹数据处理部分、参数寻优部分、构建评估模型部分和多模型结果评价对比部分。在该框架中，问航迹数据处理部分主要功能为过滤筛选有效数据，提取数据特征，并进行标准化处理增强数据特性，如图3所示，在参数寻优部分，樽海鞘种群在三维空间中搜索构建模型的参数，再加入自适应权值后的樽海鞘在迭代开始时进行快速全局搜索，进度较为缓慢，而在中期快速收敛，并在后期进行局部最优搜索，引入离群象算法后仍会有部分樽海鞘离开种群独自搜索，试图跳出可能的局部最优点。具体流程图如图4所示。在构建评估模型部分，在采用均方误差(MSE)与相关系数(R)对数据的预测经度进行评价的基础上加入误差协方差矩阵(COV)对输出数据之间的耦合误差进行量化评价。使樽海鞘优化寻优使将输出之间的耦合误差纳入损失函数，提高模型对多输出之间关系的把握。在多模型结果评价对比部分采用多组不同航迹特征的AIS数据与其他常用寻优方法与模型进行比较，证明了基于改进樽海鞘多输出支持向量预测的有效性与优势。在多输出耦合较弱时保持足够精度的情况下，对强耦合输出下达到较高的精度与较小的误差，满足智能船舶的避碰决策信息需求，证明其在实际应用中更具有实用意义。
本发明的樽海鞘参数寻优算法，具体如下：
樽海鞘在移动过程中，领导者进行全局探索，而追随者则充分进行局部探索，大大减少了陷入局部最优的情况，这样的运动模式使樽海鞘链有很强的全局探索和局部开发能力。本发明将MLSSVR中的超参数如正则化因子，松弛变量与径向基中的参数数值作为樽海鞘的位置信息，将预测经纬度的误差协方差作为损失函数进行搜索，同时融入自适应权重算法与离群象算法，提高樽海鞘群全局搜索与局部搜索能力。
算法流程首先将种群分为两个组：领导者和追随者，领导者搜寻食物并自主行动，跟随者的移动按照严格的等级制度，只受到前一个樽海鞘的影响，以一种链式行为，向食物移动。相比其他生物种群来说，樽海鞘群体中领导者对群体的影响力不高，领导者只直接影响紧挨着自己之后的跟随者的位置更新，由此类推，领导者对后面跟随者的影响力逐层递减，可以使得排在后面的跟随者在更新过程中保持多样性。
设搜索空间为D×N的欧式空间，D为空间维数，N为种群数量。空间中的樽海鞘的位置用Xn＝[Xn1,Xn2,…,XnD]T表示，食物的位置用Fn＝[Fn1,Fn2,…,FnD]T表示，搜索空间的上界为μb，下界为lb。樽海鞘个体位置初始化如下：
XD×N＝rand(D,N)·(μb(D,N)-lb(D,N))+lb(D,N) (1)
为增强樽海鞘的全局寻优能力，将樽海鞘链前段一半的个体设为领导者，领导者的更新位置移动公式如下：
其中，fpos为食物的位置(当前全局最优点)，flead为领导者移动后位置，c2,c3为[0,1]之间的随机数。
为衰减函数，用于平衡全局探索与局部收敛。其中l是当前迭代次数，L是最大迭代次数。
樽海鞘链后段一半的个体均为追随者，它们的更新位置移动公式如下：
其中fFolli与fFolli-1分别为更新后的追随者位置和更新前追随者的位置。
计算更新后的群体适应度，将更新后的每个樽海鞘个体的适应度值与当前食物的适应度值进行比较，若更新后樽海鞘的适应度值优于食物，则以适应度值更优的樽海鞘位置作为新的食物的位置。重复上述步骤，直到达到一定迭代次数或适应度值达到终止门限，满足终止条件后，输出当前的食物位置作为目标的估计位置
但是SSA算法在函数寻优过程中存在的估计精度不高、易早熟收敛速度慢、容易陷入局部最优等问题，针对这些问题本发明加入自适应惯性权重与离群象值的方法进行改进。
自适应惯性权重在很多群体智能优化算法中被使用，搜索前期权重较大，可以增强全局搜索能力，搜索后期自适应权重较小，可以增强局部寻优能力。自适应权重函数如下式：
其中，wmin,wmax为预设的最小与最大惯性系数，fmean为当前迭代下所有粒子的平均适应度，fmin为当前迭代下所有粒子的最小适应度。
适应度越小，说明距离越近，此时更需局部搜索；
适应度越大，说明距离越远，此时更需全局搜索；
领导者的位置移动公式增加自惯性权重后更改为如下形式：
追随者的位置移动公式更新如下：
离群象，指氏族中的雄象成长至一定年龄后就会离开氏族独立生活，本发明借鉴这种思想，在樽海鞘链中设置离群象值，将适应度最差的个体不在跟随前一个个体移动，而是移动至随机位置。使樽海鞘算法增强全局寻优能力，避免陷入局部最优的问题。
本发明的构建多元支持向量模型MSVR，具体如下：
支持向量机利用自适应的基于边缘的损失函数，将学习数据投影到一个高维线性特征空间中，从而降低求解的复杂性，并在特征空间中找到最佳的决策函数，SVM以其良好的泛化性能和利用核技术处理非线性模型的能力而闻名。
在求解回归问题时，该问题转化为回归函数的形式：
f(x)＝ωTx+b (7)
其中ω是权重向量ω∈Rn，b为偏差b∈R。
最小二乘支持向量机(least squares support vector regression,LS–SVR)是支持向量机的一种改进，最该算法是Suykens等对前述标准SVM算法的一种改进，LS–SVR把SVM的一次损失函数改写为二次损失函数,并将不等式约束改为等式约束,且将误差平方和损失函数作为训练集的经验损失，从而把解二次规划问题转化为求解线性方程组问题，提高了求解问题的速度和收敛精确度。
最小二乘法的目标优化函数如下：
其中，ζi为松弛因子，c为正则化参数，
对于如何实现支持向量机的多输出功能，我们可以将ωi改写为ωi＝ω0+vi,在模型的多元输出之间彼此相似时向量vi为小量，在模型的多元输出之间差异较大时向量ω0为小量，ω0表示模型输出之间的共性，vi表示模型输出之间的异性。在有约束情况下的优化目标函数如下：
其中，ψii＝ζTζ，V＝vTv，v＝(v1,v1,…,vm)∈Rn×mζ＝(ξ1,ξ2,…,ξm)∈Rl×m，W＝(ω0+v1,ω0+v2,…,ω0+vm)∈Rn×m，
B＝(b1,b2,…,bm)∈Rl×m。λ,γ∈R+为两个正则化参数。
将上式转换为无约束拉格朗日问题如下：
其中A＝(α1,α2,…,αm)∈Rl×m为拉格朗日算子矩阵。根据KKT条件进行求解
由此上述优化问题可等价表示为只涉及V,B的约束优化问题。如下所示：
与LSSVM类似，通过KKT条件消除V,ζ可以得到以下线性系统：
其中，
通过上式求解出α和b，得到用核函数表示的非线性船舶航迹预测模型为：
船舶轨迹预测会采用均方误差(MSE)与相关系数(R)对数据的预测经度进行评价，本文在采用两者的基础上加入误差协方差矩阵(COV)对输出数据之间的耦合误差进行量化评价。使樽海鞘优化寻优使将输出之间的耦合误差纳入损失函数，提高模型对多输出之间关系的把握。假设真实值为y＝{(y11,y12),(y21,y22),…,(yn1,yn2)}，预测值为
则评估指标的表达式为：
其中
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于改进樽海鞘多输出支持向量的船舶航迹预测方法，其特征在于：具体步骤如下：
步骤1：对美国海岸警卫队导航中心提供的AIS航迹数据进行筛选和预处理；
步骤2：对模型中的超参数进行樽海鞘参数寻优；
步骤3：构建最终多元支持向量模型，并进行评估；
步骤4：选取其他的寻优方法与各种支持向量机与之做对比。
2.根据权利要求1所述的一种基于改进樽海鞘多输出支持向量的船舶航迹预测方法，其特征在于：步骤1具体为：过去4时刻的AIS数据作为输入变量，对船舶航迹数据中的时间信息，采用前后时间差Δt作为特征变量，船艏向采用正弦和余弦函数共同表示；避免船艏向在360°到0°所产生的割裂问题，设t时刻的船艏向为Ct，其对应的三角函数转换后的值为sinCt和cosCt，设为δt和φt，对船艏向角进行唯一表达。
消除AIS数据不同属性之间的差异，减小模型预测误差，对模型的输入数据进行归一化处理，经过归一化处理以后，数据之间的属性差别被移除，所有维度的数据都处于同一个数值区间，都限定在[0,1]内。
3.根据权利要求1所述的一种基于改进樽海鞘多输出支持向量的船舶航迹预测方法，其特征在于：步骤2具体为：初始化SSA种群数量100，设定最大迭代次数15次，初始化樽海鞘群位置并将樽海鞘个体位置值作为LSSVM的超参数构建预测模型；采用三折交叉验证LSSVM模型，将误差协方差矩阵作为损失函数，计算樽海鞘个体适应度；根据樽海鞘运动规则更新樽海鞘个体位置，使樽海鞘群进行移动；
判断迭代是否结束，若没有达到最大迭代次数，则不断重复除初始化外的此步骤；最后将樽海鞘种群中最优适应度个体的位置作为MLSSVR预测模型的超参数。
4.根据权利要求1所述的一种基于改进樽海鞘多输出支持向量的船舶航迹预测方法，其特征在于：步骤3具体为：将在经过数据清洗、处理后选取100艘集装箱货船不同航迹的AIS数据用于制作输入变量作为训练数据，选取樽海鞘寻优的超参数构建预测模型，采用均方误差MSE与相关系数R对数据的预测经度进行评价的基础上加入误差协方差矩阵COV对输出数据之间的耦合误差进行量化评价。
5.根据权利要求1所述的一种基于改进樽海鞘多输出支持向量的船舶航迹预测方法，其特征在于：步骤4具体为：验证模型的泛化能力，额外选取3种训练数据之外的差异性较大的同种船舶轨迹作为验证，得到AIS数据动态信息的拟合结果，为验证本文方法在模型拟合与船舶轨迹预测方面的精确度提升，选取樽海鞘优最小二乘支持向量机SSALSSVM、粒子群支持向量回归PSOSVR与网格搜索多输出最小二乘支持向量机GRIMLSSVM与之进行评价对比。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211544351.XA CN116108383A (zh) | 2022-12-04 | 2022-12-04 | 一种基于改进樽海鞘多输出支持向量的船舶航迹预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211544351.XA CN116108383A (zh) | 2022-12-04 | 2022-12-04 | 一种基于改进樽海鞘多输出支持向量的船舶航迹预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116108383A true CN116108383A (zh) | 2023-05-12 |
Family
ID=86262805
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211544351.XA Pending CN116108383A (zh) | 2022-12-04 | 2022-12-04 | 一种基于改进樽海鞘多输出支持向量的船舶航迹预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116108383A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117008154A (zh) * | 2023-08-03 | 2023-11-07 | 北京航空航天大学 | 一种基于松弛因子逆时衰减函数的快速电离层层析方法 |
| CN117556172A (zh) * | 2024-01-11 | 2024-02-13 | 青岛哈尔滨工程大学创新发展中心 | 船舶操纵运动预报模型构建方法及船舶操纵运动预报方法 |
-
2022
- 2022-12-04 CN CN202211544351.XA patent/CN116108383A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117008154A (zh) * | 2023-08-03 | 2023-11-07 | 北京航空航天大学 | 一种基于松弛因子逆时衰减函数的快速电离层层析方法 |
| CN117008154B (zh) * | 2023-08-03 | 2024-03-26 | 北京航空航天大学 | 一种基于松弛因子逆时衰减函数的快速电离层层析方法 |
| CN117556172A (zh) * | 2024-01-11 | 2024-02-13 | 青岛哈尔滨工程大学创新发展中心 | 船舶操纵运动预报模型构建方法及船舶操纵运动预报方法 |
| CN117556172B (zh) * | 2024-01-11 | 2024-04-19 | 青岛哈尔滨工程大学创新发展中心 | 船舶操纵运动预报模型构建方法及船舶操纵运动预报方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110514206B (zh) | 一种基于深度学习的无人机飞行路径预测方法 | |
| Das et al. | Metaheuristic clustering | |
| Jantzen | Neurofuzzy modelling | |
| CN116108383A (zh) | 一种基于改进樽海鞘多输出支持向量的船舶航迹预测方法 | |
| Cai et al. | A multiobjective simultaneous learning framework for clustering and classification | |
| Xu et al. | Hierarchical approximate policy iteration with binary-tree state space decomposition | |
| WO2020095321A2 (en) | Dynamic structure neural machine for solving prediction problems with uses in machine learning | |
| Zadeh et al. | An efficient metamodel-based multi-objective multidisciplinary design optimization framework | |
| Boulkaibet et al. | An adaptive fuzzy predictive control of nonlinear processes based on Multi-Kernel least squares support vector regression | |
| Gu et al. | Bayesian Takagi–Sugeno–Kang fuzzy model and its joint learning of structure identification and parameter estimation | |
| Zhang et al. | Evolving neural network classifiers and feature subset using artificial fish swarm | |
| CN114859719A (zh) | 一种基于图神经网络的强化学习集群蜂拥控制方法 | |
| Castellano et al. | An empirical risk functional to improve learning in a neuro-fuzzy classifier | |
| CN105913078A (zh) | 改进自适应仿射传播聚类的多模型软测量方法 | |
| Li et al. | An overlapping oriented imbalanced ensemble learning algorithm with weighted projection clustering grouping and consistent fuzzy sample transformation | |
| Yan et al. | OSSEFS: An online semi-supervised ensemble fuzzy system for data streams learning with missing values | |
| Wei et al. | A flight maneuver recognition method based on multi-strategy affine canonical time warping | |
| CN112784915A (zh) | 一种优化决策边界增强深度神经网络鲁棒性的图像分类方法 | |
| Sun et al. | Design of Multidimensional Classifiers using Fuzzy Brain Emotional Learning Model and Particle Swarm Optimization Algorithm | |
| CN115562345A (zh) | 一种基于深度强化学习的无人机侦测轨迹规划方法 | |
| Zhang et al. | Learning to search efficient densenet with layer-wise pruning | |
| Ye et al. | Multi-objective meta-learning | |
| Lai et al. | A LPSO-SGD algorithm for the Optimization of Convolutional Neural Network | |
| Kearney | Using genetic algorithms to evolve artificial neural networks | |
| CN116859722A (zh) | 异构无人机协同搜索路径规划方法、电子设备及存储介质 |
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 |