CN116467941A - 一种考虑不同风级条件下4自由度船舶运动在线预报方法 - Google Patents
一种考虑不同风级条件下4自由度船舶运动在线预报方法 Download PDFInfo
- Publication number
- CN116467941A CN116467941A CN202310399578.8A CN202310399578A CN116467941A CN 116467941 A CN116467941 A CN 116467941A CN 202310399578 A CN202310399578 A CN 202310399578A CN 116467941 A CN116467941 A CN 116467941A
- Authority
- CN
- China
- Prior art keywords
- training
- level
- wind
- sub
- model
- 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
- 230000033001 locomotion Effects 0.000 title claims abstract description 157
- 238000013277 forecasting method Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 127
- 239000013598 vector Substances 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 241000282461 Canis lupus Species 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 43
- 238000004088 simulation Methods 0.000 claims description 22
- 238000013178 mathematical model Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000011160 research Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000001801 Z-test Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000000332 black box Nutrition 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06N3/08—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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种考虑不同风级条件下4自由度船舶运动在线预报方法,包括获取船舶的运动数据集并进行预处理;构建加权多核相关向量机模型,通过改进的灰狼算法对模型进行优化,根据船舶运动数据集对模型进行训练并获取子预报模型;基于滑动时间窗方法对船舶运动测试数据集进行更新,子预报模型根据船舶运动测试数据集进行预测并获取预测结果,根据子模型预报结果的平均绝对误差进行权重自适应更新并进行融合并表示为4自由度船舶运动集成学习预报模型,根据4自由度船舶运动集成学习预报模型对不同风级条件下的船舶运动状态进行预测。提高了在线预报结果的预报精度,减少了在线预报所需的计算时间,且满足在线预报的时间要求。
Description
技术领域
本发明涉及船舶运动预测领域,尤其涉及一种考虑不同风级条件下4自由度船舶运动在线预报方法。
背景技术
船舶操纵性是船舶水动力性能的重要标准之一。一个有效的船舶运动预报模型对于安全航行有重要的意义。为了有效地控制船舶温室气体排放,国际海事组织更新了能效设计指数,这对船舶操纵性等水动力性能提出了严格的要求。因此,对于船舶操纵性方面的研究十分重要。风力资源的开发应用已经成为世界利用低碳能源的重要组成部分,采用风力助推技术可以有效提高船舶能效。但是,风对船舶的安全航行有一定的影响,并且不同等级的风对船舶航行安全的影响程度不同。
船舶运动建模是船舶操纵性预报、远程操纵以及运动控制的前提,建模方法主要包括机理建模和辨识建模。随着船舶大型化和快速化的发展,对于一些新船型来说,机理建模方法可能不适用或者精度降低。辨识建模有3个要素:1)系统输入、输出数据;2)数学模型;3)辨识准则,并且其相对于机理建模发展较晚。但是,辨识建模具有较强的自适应性以及可扩展性,能够在多场景下实现船舶运动状态准确地预报以及船舶运动模型的参数辨识。
在灰箱辨识建模方面,较多的算法是离线辨识得到船舶运动模型参数,如多新息最小二乘、多新息卡尔曼滤波、神经网络以及支持向量机等。但是,在船舶运动数学模型未知或者是存在较严重的环境干扰时,模型参数可能会存在不准确的问题。
黑箱辨识建模不用考虑模型的内部结构,它主要构建船舶运动状态数据之间的逻辑映射关系,以此来进行船舶运动状态的预报。智能算法,如机器学习算法、集成学习算法以及深度学习算法,被广泛地应用于黑箱辨识建模,但是,经典的辨识算法应用于该方面的研究较少。在黑箱辨识建模方面,由于智能算法需要大量的船舶运动数据作为支持,所以离线预报方面的研究较多而在线预报方面的研究相对较少。快速噪声输入的高斯过程回归、粗微调固定网格小波网络以及自适应滑动数据窗口被证实可以用于船舶运动在线预报。但是,以上的研究算法大多被应用到2自由度船舶运动预报。无论是在线参数辨识还是在线运动状态预报,都需要保证在辨识过程中花费较少的时间。因此,在线辨识相较于离线辨识要求较高,需要考虑的条件也较多,是辨识建模研究中所存在的难点。综上所述,现有研究中关于船舶运动在线预报存在预测结果精度较低,预报周期长等问题。
发明内容
本发明提供一种考虑不同风级条件下4自由度船舶运动在线预报方法,以克服上述技术问题。
一种考虑不同风级条件下4自由度船舶运动在线预报方法,包括,
步骤一、构建4自由度船舶运动数学模型,所述4自由度包括纵荡、横荡、艏摇以及横摇运动,通过航海模拟器分别获取船舶在不同风级条件下的运动数据集,所述不同风级包括0-8级风,并对船舶的运动数据集进行预处理,
步骤二、构建加权多核相关向量机模型,并通过改进的灰狼算法对加权多核相关向量机模型的权重参数和和核函数参数进行优化,对0-8级风进行分类,所述分类为0-2级是微风,3-5级是和风,6-8级是强风,从微风中任意选择一种风级作为第一训练风级,从和风中任意选择一种风级作为第二训练风级,从强风中任意选择一种风级作为第三训练风级,分别根据第一训练风级条件下、第二训练风级条件下以及第三训练风级条件下的运动数据集对加权多核相关向量机模型进行训练,分别获取第一训练风级、第二训练风级以及第三训练风级子预报模型,
步骤三、从船舶的运动数据集中获取测试运动数据集,基于滑动时间窗方法对测试运动数据集进行更新,第一训练风级、第二训练风级以及第三训练风级子预报模型分别根据更新后的测试运动数据集进行预测并获取预测结果,分别根据预测结果计算第一训练风级、第二训练风级以及第三训练风级子预报模型的平均绝对误差,根据平均绝对误差对第一训练风级、第二训练风级以及第三训练风级子预报模型的权重进行自适应更新,根据更新后的权重对第一训练风级、第二训练风级以及第三训练风级子预报模型进行融合并表示为4自由度船舶运动集成学习预报模型,
步骤四、根据4自由度船舶运动集成学习预报模型对不同风级条件下的船舶运动状态进行预测。
优选地,所述对船舶的运动数据集进行预处理包括根据公式(1)对运动数据集中的数据进行预处理,
ζi=ζoi+ζmaxk0kξξi (1)
其中,ζi是进行预处理后的仿真实验数据,ζoi是运动数据集中的仿真实验数据,ζmax是ζoi中绝对值最大的值,k0为常数,kξ对于不同的仿真实验数据类型采用不同的比例系数,所述仿真实验数据类型包括直航速度、横移速度、转艏角速度以及横摇角速度。
优选地,所述加权多核相关向量机模型的核函数包括径向基核函数和Sigmoid核函数,通过公式(2)对径向基核函数和Sigmoid核函数进行混合并表示为混合核函数,
KM=wKG+(1-w)KS (2)
式中,w是权重,KG是径向基核函数,KS是Sigmoid核函数,KM是混合核函数。
优选地,所述根据预测结果的平均绝对误差对第一训练风级、第二训练风级以及第三训练风级子预报模型的权重进行自适应更新包括,
S11、分别获取第一训练风级、第二训练风级以及第三训练风级子预报模型的平均绝对误差,将平均绝对误差最大所对应的子预报模型的权重设置为0,
S12、对于剩余的两个子预报模型判断平均绝对误差的关系是否满足公式(3),
其中,Mae1、Mae2分别为剩余的两个子预报模型的平均绝对误差,
S13、若满足公式(3),则根据公式(4)对剩余的两个子预报模型的权重进行设置,若不满足公式(3),则将剩余的两个子预报模型中平均绝对误差最大所对应的子预报模型的权重设置为0,
其中,W1、W2分别为剩余的两个子预报模型的权重。
优选地,所述分别根据预测结果计算第一训练风级、第二训练风级以及第三训练风级子预报模型的平均绝对误差包括根据公式(5)计算平均绝对误差,
其中,L是滑动时间窗长度,为仿真实验数据,/>为是预测第j个子预报模型的预测结果,k是时间步,Maej为第j个子预报模型的平均绝对误差。
本发明提供一种考虑不同风级条件下4自由度船舶运动在线预报方法,通过在在线预报算法中有机地将改进灰狼算法、加权多核相关向量机以及滑动时间窗相结合,在线预报结果具有预报精度较高、耗费时间较短的特点;通过对不同风级情况下的船舶运动进行了预报,无论是离线预报结果还是在线预报结果,相对于现有技术都提高了预报精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明方法流程图;
图2是本发明滑动时间窗方法示意图;
图3是本发明基于集成学习的船舶运动在线预报流程图;
图4是本发明在1,4,8级风下的船舶运动轨迹;
图5是本发明添加噪声的船舶运动数据;
图6(a)是本发明不同风级条件下船舶运动离线直航速度预报;
图6(b)是本发明不同风级条件下船舶运动离线横移速度预报;
图6(c)是本发明不同风级条件下船舶运动离线转艏角速度预报;
图6(d)是本发明不同风级条件下船舶运动离线横摇角速度预报;
图7(a)是本发明三级风级条件下船舶运动在线直航速度预报;
图7(b)是本发明三级风级条件下船舶运动在线横移速度预报;
图7(c)是本发明三级风级条件下船舶运动在线转艏角速度预报;
图7(d)是本发明三级风级条件下船舶运动在线横摇角预报;
图7(e)是本发明三级风级条件下船舶运动在线横摇角速度预报;
图8(a)是本发明七级风级条件下船舶运动在线直航速度预报;
图8(b)是本发明七级风级条件下船舶运动在线横移速度预报;
图8(c)是本发明七级风级条件下船舶运动在线转艏角速度预报;
图8(d)是本发明七级风级条件下船舶运动在线横摇角预报;
图8(e)是本发明七级风级条件下船舶运动在线横摇角速度预报。
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。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。
图1为本发明方法流程图,如图1所示,本实施例的方法可以包括:
一种考虑不同风级条件下4自由度船舶运动在线预报方法,包括,
步骤一、构建4自由度船舶运动数学模型,所述4自由度包括纵荡、横荡、艏摇以及横摇运动,通过航海模拟器分别获取船舶在不同风级条件下的运动数据集,所述不同风级包括0-8级风,并对船舶的运动数据集进行预处理,
步骤二、构建加权多核相关向量机模型,并通过改进的灰狼算法对加权多核相关向量机模型的权重参数和和核函数参数进行优化,对0-8级风进行分类,所述分类为0-2级是微风,3-5级是和风,6-8级是强风,从微风中任意选择一种风级作为第一训练风级,从和风中任意选择一种风级作为第二训练风级,从强风中任意选择一种风级作为第三训练风级,分别根据第一训练风级条件下、第二训练风级条件下以及第三训练风级条件下的运动数据集对加权多核相关向量机模型进行训练,分别获取第一训练风级、第二训练风级以及第三训练风级子预报模型,
步骤三、从船舶的运动数据集中获取测试运动数据集,基于滑动时间窗方法对测试运动数据集进行更新,第一训练风级、第二训练风级以及第三训练风级子预报模型分别根据更新后的测试运动数据集进行预测并获取预测结果,分别根据预测结果计算第一训练风级、第二训练风级以及第三训练风级子预报模型的平均绝对误差,根据平均绝对误差对第一训练风级、第二训练风级以及第三训练风级子预报模型的权重进行自适应更新,根据更新后的权重对第一训练风级、第二训练风级以及第三训练风级子预报模型进行融合并表示为4自由度船舶运动集成学习预报模型,
步骤四、根据4自由度船舶运动集成学习预报模型对不同风级条件下的船舶运动状态进行预测。
基于上述方案,通过在在线预报算法中有机地将改进灰狼算法、加权多核相关向量机模型与滑动时间窗结合,提高了在线预报方法的预报精度、减少了耗费时间,且满足在线预报的时间要求。风对船舶的安全航行具有较大的影响,通过对不同风级情况下的船舶运动进行了预报,无论是离线预报结果还是在线预报结果,都取得了较高的预报精度。本实施例的实验结果可以为航海模拟器船舶运动状态更新提供一种参考方案以增强航海模拟器的行为真实感,为船员的操纵模拟以及培训奠定基础。船舶运动数学模型是船舶运动控制的基础,无人船的运动控制是否准确与无人船运动数学模型密不可分。本实施例作为一种船舶运动黑箱辨识建模方法,可以有效地、实时地实现不同风级情况下的船舶运动预报,即本发明可以为无人船运动控制提供一定的模型基础。
步骤一、构建4自由度船舶运动数学模型,所述4自由度包括纵荡、横荡、艏摇以及横摇运动,通过航海模拟器分别获取船舶在不同风级条件下的运动数据集,所述不同风级包括0-8级风,并对船舶的运动数据集进行预处理,所述对船舶的运动数据集进行预处理包括根据公式(1)对运动数据集中的数据进行预处理,
ζi=ζoi+ζmaxk0kξξi(1)
其中,ζi是进行预处理后的仿真实验数据,ζoi是运动数据集中的仿真实验数据,ζmax是ζoi中绝对值最大的值,k0为常数,kξ对于不同的仿真实验数据类型采用不同的比例系数,所述仿真实验数据类型包括直航速度、横移速度、转艏角速度以及横摇角速度。
不同风条件下的船舶运动数据来源于大连海事大学360°全景高精度航海模拟器。为了使数据更加贴近于实船试验数据,对训练数据以及部分测试数据添加白噪声干扰。
步骤二、构建加权多核相关向量机模型,所述加权多核相关向量机模型的核函数包括径向基核函数和Sigmoid核函数。通过公式(2)对径向基核函数和Sigmoid核函数进行混合并表示为混合核函数,
KM=wKG+(1-w)KS (2)
式中,w是权重,KG是径向基核函数。KS是Sigmoid核函数,KM是混合核函数。
并通过改进的灰狼算法对加权多核相关向量机模型的权重参数和和核函数参数进行优化,对0-8级风进行分类,所述分类为0-2级是微风,3-5级是和风,6-8级是强风,从微风中任意选择一种风级作为第一训练风级,从和风中任意选择一种风级作为第二训练风级,从强风中任意选择一种风级作为第三训练风级,分别根据第一训练风级条件下、第二训练风级条件下以及第三训练风级条件下的运动数据集对加权多核相关向量机模型进行训练,分别获取第一训练风级、第二训练风级以及第三训练风级子预报模型,本实施例中分别根据1级风条件下、4级风条件下以及8级风条件下的运动数据集对加权多核相关向量机模型进行训练,分别获取1级、4级以及8级子预报模型,
灰狼算法是由Mirjalili提出的群智能优化算法,具备调整参数少,搜索能力强等优点。通过改进种群的初始化方法、收敛因子以及种群更新策略。首先,将灰狼算法中的种群分为4个等级,然后,利用Iterative混沌映射初始化灰狼种群的位置,这可使得种群在搜索空间内均匀分布,加快灰狼个体间信息交换,Iterative混沌映射的数学模型如式(3)所示。
式中,b取值为0.5。
灰狼种群包围猎物的数学模型如式(4)所示。
式中,是灰狼与猎物之间的距离向量,t表示当前迭代次数,/>和/>是系数向量,是猎物的位置向量,/>是灰狼的位置向量。r1,r2是在[0,1]中均匀分布得随机向量。
灰狼种群攻击猎物的数学模型如式(5)。
式中,wα,wβ是领导狼种群更新权重,fα,fβ和fδ是领导狼适应度值。
相关向量机是一种基于概率预测的稀疏贝叶斯学习模型,于2001年被Tipping提出。它在核函数选择方面没有限制。因此,它相较于支持向量机具有一定的优点。另外,将相关向量机中的多个核函数进行组合可以提高单一核函数相关向量机的预报和分类精度,并且不会增加较多的训练和预报时间。给定4自由度船舶运动数据集{xn,tn|n=0,1,2,...,N},tn和f(x)的表达式分别为式(6)和式(7)。
tn=y(xn,w)+εn (6)
式中,N是样本总数。εn是高斯噪声,并且w是权重向量,b是偏置。f(x)是相关向量及预报模型。
假设tn是独立变量,似然估计函数如式(8)所示。
其中,
t=(t1,t2...,tN)T,
Φ=[φ1,φ2,φ3,...,φN],
φi(xi)=[1,K(xi,x1),...,K(xi,xN)]。
为了防止过拟合的出现,引入(N+1)维超参数α,权重的先验估计如式(9)所示。
根据贝叶斯理论,超参数的边际似然可以被推理为式(10)。
式中,A=diag(α0,α1...αN)。
假设测试样本为x*,则预测值y*如式(11)。
y*=μTΦ(x*) (11)
式中,μ=σ-2∑ΦTt。
相关向量机得到的是一种概率预报模型,具备一定的稀疏性。除此之外,相关向量机可以采用non-Mercer核函数,因此,在核函数选择和构造中有较多的选择。在本实施例中,为了提高单一核函数相关向量的预报精度,引入了两种核函数构造了加权多核相关向量机。这两种核函数是径向基核函数和Sigmoid核函数。并对径向基核函数和Sigmoid核函数进行混合得到混合核函数。在较多的研究中,证实了加权多核相关向量机的预报和分类精度高于单一核相关向量机。
步骤三、从船舶的运动数据集中获取测试运动数据集,基于滑动时间窗方法对测试运动数据集进行更新,第一训练风级、第二训练风级以及第三训练风级子预报模型分别根据更新后的测试运动数据集进行预测并获取预测结果,分别根据预测结果计算第一训练风级、第二训练风级以及第三训练风级子预报模型的平均绝对误差,根据平均绝对误差对第一训练风级、第二训练风级以及第三训练风级子预报模型的权重进行自适应更新,根据更新后的权重对第一训练风级、第二训练风级以及第三训练风级子预报模型进行融合并表示为4自由度船舶运动集成学习预报模型,
所述分别根据预测结果计算第一训练风级、第二训练风级以及第三训练风级子预报模型的平均绝对误差包括根据公式(12)计算平均绝对误差,
其中,L是滑动时间窗长度,为仿真实验数据,/>为是预测第j个子预报模型的预测结果,k是时间步,Maej为第j个子预报模型的平均绝对误差。
所述根据预测结果的平均绝对误差对第一训练风级、第二训练风级以及第三训练风级子预报模型的权重进行自适应更新包括,
S11、分别获取第一训练风级、第二训练风级以及第三训练风级子预报模型的平均绝对误差,将平均绝对误差最大所对应的子预报模型的权重设置为0,
S12、对于剩余的两个子预报模型判断平均绝对误差的关系是否满足公式(13),
其中,Mae1、Mae2分别为剩余的两个子预报模型的平均绝对误差,
S13、若满足公式(13),则根据公式(14)对剩余的两个子预报模型的权重进行设置,若不满足公式(13),则将剩余的两个子预报模型中平均绝对误差最大所对应的子预报模型的权重设置为0,
其中,W1、W2分别为剩余的两个子预报模型的权重。
根据更新后的权重对第一训练风级、第二训练风级以及第三训练风级子预报模型进行融合并表示为4自由度船舶运动集成学习预报模型,
具体地,对3种子预报模型进行融合的过程可以描述为首先,判断时间窗内的数据预报平均绝对误差的大小,将预报效果最差的子预报模型剔除,保留两个精度较高的子预报模型。
然后,基于两个精度较高的子预报模型,利用式(13)的判断条件进行权重的自适应更新。如果满足式(13),则权重设置为式(14),并且,式(14)的权重一直随着时间窗的改变而自适应改变。反之,对比两个子预报模型,保留精度较高的那个。最后,得到4自由度船舶运动集成学习预报模型。
步骤四、根据4自由度船舶运动集成学习预报模型对不同风级条件下的船舶运动状态进行预测。
为了验证本发明所提出方法的有效性,这部分以大连海事大学航海模拟器中的一艘瘦长型船舶为研究对象以开展计算机仿真实验。具体实验流程如图3所示。获取离线数据集,离线数据集包括1级风条件下的船舶运动数据、4级风条件下的船舶运动数据以及8级风条件下的船舶运动数据,分别根据船舶运动数据对加权多核相关向量机模型进行训练,获得三个子预报模型,分别为IGWO-WMRVM_1、IGWO-WMRVM_2以及IGWO-WMRVM_3,其中,IGWO表示改进灰狼算法,WMRVM表示加权多核相关向量机,基于滑动时间窗以更新权重并且动态选择权重,根据权重对3个子预报模型进行整理,得到集成学习模型预报。
其中具体流程为:大连海事大学高精度航海模拟器采用的6自由度MMG数学模型进行解算以得到船舶运动数据。其仿真精度较高,在众多高校已被广泛应用于船员培训、实验教学以及科学研究。另外,根据所建立的高精度船舶运动模型以及环境模型,仿真实验可以开展较多的复杂海况下的研究。尽管它与实船试验数据有一定的区别,但它能充分反应出不同类型船舶运动状态并且也能满足辨识建模研究的要求。除此之外,模型仿真实验还能收集海况较为恶劣情况下的数据,这种数据可以为船员在恶劣海况下的操纵提供一定的参考。瘦长型船舶的主要尺度参数如表1所示。
表1瘦长型船舶的主要尺度参数
该船的4自由度运动可以用式(15)来进行表述,即4自由度船舶运动数学模型如式(15)。
式中,m是船舶质量。u,v,r和p分别是直航速度、横移速度、转艏角速度以及横摇角速度。xG和zG分别是关于OX轴和OZ轴的船舶重心。Ixx和Izz分别是关于OX轴和OZ轴的惯性矩。X,Y,N和K是作用在船上的力和力矩。
将式(15)拓展为状态空间方程的形式,表达式如式(16)。
其中,是水动力导数,fi(i=1,2,3,4)是关于力和力矩的非线性函数。
在黑箱辨识建模中,所提算法作为一种数据驱动模型,对于模型框架要求不高,但对于输入输出数据有一定的要求。根据公式(16),黑箱预报模型如式(17)所示。
式中,gi(i=1,2,3,4)是黑箱预报函数。
在航海模拟器中,本实施例主要收集了0-8级风条件下的船舶运动数据。船舶运动数据主要包含标准试验数据,如Z形试验数据以及旋回试验数据。采用1,4,8级风条件下的船舶运动数据作为离线数据集。在3种风级条件下,船舶30°旋回轨迹如图4所示。为了区别3种实验结果,旋回轨迹未全部列出。尽管1级风在海洋环境中出现的频率较低,但是在该条件下的船舶运动数据可以反映出船舶的操纵性能以及动力学特征。并且,其仅仅作为训练数据,而不作为测试数据(仅仅是离线预报,而不是在线预报)。因此,选择了其作为子训练数据集。
在3种风级条件下的离线数据集中,将10°/10°Z形试验和-20°旋回试验数据作为训练样本,其它实验数据作为测试样本,离线训练出3个子预报模型。为了使得模型仿真实验数据更加接近实船试验数据,利用Sutulo提出的方式对仿真实验数据人工污染,即添加一定程度的白噪声,具体地k0被设置为2%,kξ对于u,v,r,p和δ分别设置为0.2,1.0,1.0,1.0,1.0和0.05。
本实施例利用3,7级风条件下的船舶运动数据来验证所提方案的有效性。并且,对3级风条件下的船舶运动数据也按照式(16)添加白噪声的影响。7级风条件下的船舶运动数据不添加白噪声,即从两种不同的数据角度验证所提方案的有效性。在4级风条件下,添加了白噪声的训练数据如图5所示。
基于训练数据集,对改进后的灰狼算法进行初始化并且利用改进后的灰狼算法对加权多核相关向量机的参数优化以得到高精度子预报模型。
在离线预报方面,本实施例没有全部列出离线训练的结果,仅仅给出了部分的预报结果。在1级风级条件下的直航运动预报、4级风级条件下的横移运动预报以及8级风级条件下的转艏以及横摇运动预报分别如图6(a),(b),(c)和(d)所示。8级风级条件下的船舶运动较为复杂,因此,在8级风条件下的船舶运动预报给出了两组实验结果。
在线预报数据集选择了3级风和7级风条件下的船舶运动数据。其中,为了使得样本数据有一定的区别,对3级风条件下的船舶运动数据添加白噪声影响。7级风条件下的运动数据不添加白噪声的影响。除此之外,将3级风和7级风条件下的三种实验数据(15°/15°Z形试验,20°/20°Z形试验以及30°旋回试验)分别整合为一组实验数据。
将滑动时间窗方法的窗口长度设置为20,并利用15°/15°Z形试验的前20个实验数据作为权重确定的条件。最终实现两种风级条件下船舶运动在线预报。根据所建立的子预报模型以及在线预报数据集,3级风条件下的船舶运动在线预报展示在图7(a)、(b)、(c)、(d)、(e)中,7级风条件下的船舶运动在线预报展示在图8(a)、(b)、(c)、(d)、(e)中。
加权多核相关向量机得到的预报模型中有一定的稀疏性,这个性质使得训练好的预报模型在预报时会花费较少的时间。在线船舶运动预报过程中,对花费时间的多少要求较高。计算效率是满足在线预报实时性的基础。在利用所提方案建立好离线预报模型后,在线预报模型花费的时间较少,并且预报每个船舶运动平均每一步长的计算时间约为14ms,即该训练好的预报模型计算效率满足在线预报的要求。
整体的有益效果:
本发明提供一种考虑不同风级条件下4自由度船舶运动在线预报方法,通过在在线预报算法中有机地将改进灰狼算法、加权多核相关向量机以及滑动时间窗相结合,在线预报结果具有预报精度较高、耗费时间较短的特点;通过对不同风级情况下的船舶运动进行了预报,无论是离线预报结果还是在线预报结果,相对于现有技术都提高了预报精度。
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 (5)
1.一种考虑不同风级条件下4自由度船舶运动在线预报方法,其特征在于,包括,
步骤一、构建4自由度船舶运动数学模型,所述4自由度包括纵荡、横荡、艏摇以及横摇运动,通过航海模拟器分别获取船舶在不同风级条件下的运动数据集,所述不同风级包括0-8级风,并对船舶的运动数据集进行预处理,
步骤二、构建加权多核相关向量机模型,并通过改进的灰狼算法对加权多核相关向量机模型的权重参数和和核函数参数进行优化,对0-8级风进行分类,所述分类为0-2级是微风,3-5级是和风,6-8级是强风,从微风中任意选择一种风级作为第一训练风级,从和风中任意选择一种风级作为第二训练风级,从强风中任意选择一种风级作为第三训练风级,分别根据第一训练风级条件下、第二训练风级条件下以及第三训练风级条件下的运动数据集对加权多核相关向量机模型进行训练,分别获取第一训练风级、第二训练风级以及第三训练风级子预报模型,
步骤三、从船舶的运动数据集中获取测试运动数据集,基于滑动时间窗方法对测试运动数据集进行更新,第一训练风级、第二训练风级以及第三训练风级子预报模型分别根据更新后的测试运动数据集进行预测并获取预测结果,分别根据预测结果计算第一训练风级、第二训练风级以及第三训练风级子预报模型的平均绝对误差,根据平均绝对误差对第一训练风级、第二训练风级以及第三训练风级子预报模型的权重进行自适应更新,根据更新后的权重对第一训练风级、第二训练风级以及第三训练风级子预报模型进行融合并表示为4自由度船舶运动集成学习预报模型,
步骤四、根据4自由度船舶运动集成学习预报模型对不同风级条件下的船舶运动状态进行预测。
2.根据权利要求1所述的一种考虑不同风级条件下4自由度船舶运动在线预报方法,其特征在于,所述对船舶的运动数据集进行预处理包括根据公式(1)对运动数据集中的数据进行预处理,
ζi=ζoi+ζmaxk0kξξi (1)
其中,ζi是进行预处理后的仿真实验数据,ζoi是运动数据集中的仿真实验数据,ζmax是ζoi中绝对值最大的值,k0为常数,kξ对于不同的仿真实验数据类型采用不同的比例系数,所述仿真实验数据类型包括直航速度、横移速度、转艏角速度以及横摇角速度。
3.根据权利要求1所述的一种考虑不同风级条件下4自由度船舶运动在线预报方法,其特征在于,所述加权多核相关向量机模型的核函数包括径向基核函数和Sigmoid核函数,通过公式(2)对径向基核函数和Sigmoid核函数进行混合并表示为混合核函数,
KM=wKG+(1-w)KS (2)
式中,w是权重,KG是径向基核函数,KS是Sigmoid核函数,KM是混合核函数。
4.根据权利要求1所述的一种考虑不同风级条件下4自由度船舶运动在线预报方法,其特征在于,所述根据预测结果的平均绝对误差对第一训练风级、第二训练风级以及第三训练风级子预报模型的权重进行自适应更新包括,
S11、分别获取第一训练风级、第二训练风级以及第三训练风级子预报模型的平均绝对误差,将平均绝对误差最大所对应的子预报模型的权重设置为0,
S12、对于剩余的两个子预报模型判断平均绝对误差的关系是否满足公式(3),
其中,Mae1、Mae2分别为剩余的两个子预报模型的平均绝对误差,
S13、若满足公式(3),则根据公式(4)对剩余的两个子预报模型的权重进行设置,若不满足公式(3),则将剩余的两个子预报模型中平均绝对误差最大所对应的子预报模型的权重设置为0,
其中,W1、W2分别为剩余的两个子预报模型的权重。
5.根据权利要求1所述的一种考虑不同风级条件下4自由度船舶运动在线预报方法,其特征在于,所述分别根据预测结果计算第一训练风级、第二训练风级以及第三训练风级子预报模型的平均绝对误差包括根据公式(5)计算平均绝对误差,
其中,L是滑动时间窗长度,为仿真实验数据,/>为是预测第j个子预报模型的预测结果,k是时间步,Maej为第j个子预报模型的平均绝对误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310399578.8A CN116467941A (zh) | 2023-04-14 | 2023-04-14 | 一种考虑不同风级条件下4自由度船舶运动在线预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310399578.8A CN116467941A (zh) | 2023-04-14 | 2023-04-14 | 一种考虑不同风级条件下4自由度船舶运动在线预报方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116467941A true CN116467941A (zh) | 2023-07-21 |
Family
ID=87181820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310399578.8A Pending CN116467941A (zh) | 2023-04-14 | 2023-04-14 | 一种考虑不同风级条件下4自由度船舶运动在线预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116467941A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2023
- 2023-04-14 CN CN202310399578.8A patent/CN116467941A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
---|---|---|
Jiang et al. | Identification modeling and prediction of ship maneuvering motion based on LSTM deep neural network | |
Putra et al. | Q-spinn: A framework for quantizing spiking neural networks | |
Kawai et al. | Sea state estimation using monitoring data by convolutional neural network (CNN) | |
CN113537365B (zh) | 一种基于信息熵动态赋权的多任务学习自适应平衡方法 | |
Song et al. | Segmentation of sidescan sonar imagery using markov random fields and extreme learning machine | |
CN116467941A (zh) | 一种考虑不同风级条件下4自由度船舶运动在线预报方法 | |
Wei et al. | An ensemble multi-step forecasting model for ship roll motion under different external conditions: A case study on the South China Sea | |
Løver et al. | Explainable AI methods on a deep reinforcement learning agent for automatic docking | |
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 | |
Wang et al. | Dendritic neuron model trained by biogeography-based optimization for crude oil price forecasting | |
Han et al. | A Hybrid BPNN-GARF-SVR PredictionModel Based on EEMD for Ship Motion. | |
Zhu et al. | Improved PER-DDPG based nonparametric modeling of ship dynamics with uncertainty | |
CN115994481A (zh) | 基于多组合的船舶运动姿态预测方法 | |
Marushko | Using ensembles of neural networks with different scales of input data for the analysis of telemetry data | |
Zhao et al. | Consciousness neural network for path tracking control of floating objects at sea | |
Rodríguez et al. | How to choose an activation function for deep learning | |
Solodov et al. | Framing regional innovation and technology policies for transformative change | |
CN115616579A (zh) | 一种基于awpso-cnn和hy-2c微波散射计海面风场反演方法 | |
CN112364980A (zh) | 一种弱监督场景下基于强化学习的深度神经网络训练方法 | |
Finsveen | Time-series predictions with Recurrent Neural Networks-Studying Recurrent Neural Networks predictions and comparing to state-of-the-art Sequential Monte Carlo methods | |
Velikova et al. | Solving partially monotone problems with neural networks | |
Noda et al. | Efficient Search of Multiple Neural Architectures with Different Complexities via Importance Sampling | |
Arshad et al. | An overview of sequential learning algorithms for single hidden layer networks: Current issues & future trends | |
Li | Comprehensive review of backpropagation neural networks | |
Zhang et al. | Underwater target recognition method based on domain adaptation |
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 |