CN116738565A - 卷积-循环复合神经网络的船舶单破口浸水时间预测方法 - Google Patents
卷积-循环复合神经网络的船舶单破口浸水时间预测方法 Download PDFInfo
- Publication number
- CN116738565A CN116738565A CN202310563359.9A CN202310563359A CN116738565A CN 116738565 A CN116738565 A CN 116738565A CN 202310563359 A CN202310563359 A CN 202310563359A CN 116738565 A CN116738565 A CN 116738565A
- Authority
- CN
- China
- Prior art keywords
- neural network
- time
- ship
- composite neural
- soaking
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 69
- 239000002131 composite material Substances 0.000 title claims abstract description 65
- 238000002791 soaking Methods 0.000 title claims description 72
- 238000007654 immersion Methods 0.000 claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 33
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000015654 memory Effects 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 29
- 238000002474 experimental method Methods 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 125000004122 cyclic group Chemical group 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010027336 Menstruation delayed Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及卷积‑循环复合神经网络的船舶单破口浸水时间预测方法，包括：获取船舶单破口的浸水数据集，对所述浸水数据集进行处理；构建复合神经网络，所述复合神经网络包括：轻量级残差网络ResNet18和长短期记忆模型LSTM；基于所述浸水数据集训练所述复合神经网络，通过训练后的所述复合神经网络，预测所述船舶单破口的浸水时间。本发明旨在提高浸水事故发生后指挥者对浸水区域的掌握程度，方便指挥人员进行抗沉决策及人员疏散。
Description
技术领域
本发明涉及船舶浸水时间预测技术领域，特别是涉及卷积-循环复合神经网络的船舶单破口浸水时间预测方法。
背景技术
船舶在海上航行，威胁最为严重的就是破损浸水，传统解决方法由于信息更新和传递不及时，往往容易导致人员生命安全受到威胁，甚至整船倾覆造成巨大的经济和人员损失。海上航行的船舶遭遇浸水事件时，较为传统的做法是通过船上布置各种传感器获取浸水信息，从而预测浸水过程和最终船舶状态。毋庸置疑，传统方法中使用传感器获得数据有助于计算紧急情况下的船舶浸水时间。但是，这些数据往往需要船载稳性计算机经过大量的流体力学公式计算，不仅耗时长，而且对浸水中后期的浸水细节把握不准。浸水在经过多个舱室以后，传统方法对于浸水发展的预测就会失真，导致指挥人员失去对浸水过程的掌握。
在大型客船中，往往具有上千人的游客和船员，此时客船是一个复杂且庞大的综合系统。一旦发生浸水事故，快速高效的调动全船人员疏散或者逃生仍旧及其耗费时间。基于浸水事故的紧急性和迫切性，浸水期间快速决策能力的重要性被研究人员所强调。浸水事故发生之后，指挥人员需要尽快掌握浸水过程，了解浸水走向和船舶最终状态。快速正确预测破损舱室浸水时间对于指挥员进行人员疏散、制定船舶抗沉方案甚至对决定最终是否需要弃船等都有非常大的帮助。
传统的船舶浸水预测方法分为两大类：实验方法和计算流体力学法，这两种方法都可以用于船舶舱室浸水时间的预测。实验方法是将船舶模型按照一定比例缩小，在静水或波浪环境中对拖曳池中的船舶模型进行浸水实验。实验过程由多个传感器跟踪和记录，传感器获得的数据用于研究受损船舶的渐进浸水过程、船舶运动预测及流体动力学现象分析。实验方法虽然对浸水预测较为精确，但是其成本较高，占用场地大，这两个缺点限制了实验方法的发展，目前绝大多数船舶实验是为了获取数据从而进行验证。计算流体力学法比较典型的是CFD工具包，CFD方法可以准确预测船舶受损后的运动，舱内的水动力现象也可以被完整捕捉到。然而，CFD方法良好预测效果的代价是长时间的迭代计算，有时还需要精细网格划分。由于时域方法的引入和各种渐进式浸水程序的发展，使得船舶浸水后评估浸水时间和决策成为可能。Gao等人提出了一种结合流体体积(VOF)法和动态网格划分技术的纳维—斯托克斯(N-S)求解器来模拟方形舱室的浸水过程，结果与实验数据吻合较好。
随着计算机性能的爆炸式进步，深度学习技术飞速发展，自从卷积神经网络问世以来，其强大的空间信息获取能力得到了验证。在过去的几年中，卷积神经网络已经开发出不同的框架，残差神经网络最具代表性。船舶浸水会随着时间发展体现出良好的规律，包括船体运动，浸水发展等方面。基于破舱浸水发展的时域性质，船舶浸水的时间预测可以很好地与循环神经网络相结合。此外，大型客船通常会在重要位置(机舱)安装监控设备，对船舱进行观察。当船舶出现破损浸水时，摄像设备可以实时记录舱室浸水的视频。将这些视频处理成图像，浸水变化所包含的信息也会随之被固定下来，这使得通过卷积神经网络获取浸水空间信息成为可能。将神经网络和船舶浸水预测相结合已经初步实现，将机器学习和传感器获取的数据相结合，使用机器学习方法来预测船舶浸水后的船体姿态、浸水水位高度等关键信息。
发明内容
本发明的目的是提供了卷积-循环复合神经网络的船舶单破口浸水时间预测方法，旨在提高浸水事故发生后指挥者对浸水区域的掌握程度，方便指挥人员进行抗沉决策及人员疏散。
为实现上述目的，本发明提供了如下方案：
卷积-循环复合神经网络的船舶单破口浸水时间预测方法，包括：
获取船舶单破口的浸水数据集，对所述浸水数据集进行处理；
构建复合神经网络，所述复合神经网络包括：轻量级残差网络ResNet18和长短期记忆模型LSTM；
基于所述浸水数据集训练所述复合神经网络，通过训练后的所述复合神经网络，预测所述船舶单破口的浸水时间。
可选地，获取所述船舶单破口的浸水数据集包括：
设定船舶类型和缩尺比，选择水线以及下一层甲板，划分水密舱壁分隔的舱室，对所述水线以下的舱壁面积进行测绘，基于所述缩尺比，选择破口大小和对应的实船尺寸，获取若干个浸水口；
每个所述浸水口选择不同的天气条件进行破舱浸水实验，记录破损舱室的浸水过程、整个浸水过程以及浸水时间。
可选地，对所述水线以下的舱壁面积进行测绘包括：
对所述水线以下的舱壁面积进行区域划分，将区域划分后的舱壁面积划分为若干小区域，并进行标记。
可选地，对所述浸水数据集进行处理包括：
对记录破损舱室的浸水过程、整个浸水过程进行逐帧处理，获取浸水图片，将所述浸水图片划分为训练集和验证集，所述训练集和所述验证集中的照片按照时间顺序进行重组，并将所述浸水时间作为所述长短期记忆模型LSTM的时间标签。
可选地，基于所述浸水数据集训练所述复合神经网络包括：
将重组后的所述训练集输入所述轻量级残差网络ResNet18，提取浸水图片的空间特征，并转化为一维向量，将所述一维向量输入长短期记忆模型LSTM，对所述浸水过程的时间建模，输出目标舱室的浸水时间预测，并通过所述验证集的图片加载，对所述复合神经网络的时间预测效果进行验证，获取训练后的所述复合神经网络。
可选地，所述复合神经网络的损失函数为：
LS＝L1(q,p)+L2(q,p)+L3(q,p)+L4(q,p)
其中，L1(q,p)为第一舱室的损失函数，L2(q,p)为第二舱室的损失函数，L3(q,p)为第三舱室的损失函数，L4(q,p)为第四舱室的损失函数，p为神经网络给出的预测值，q为浸水实验给出的真实值。
可选地，所述复合神经网络包括：构建所述长短期记忆模型LSTM；
构建所述长短期记忆模型LSTM的方法为：
其中，i为输入门，o为输出门，f为遗忘门，ht-1为t-1秒时神经网络的隐藏状态，xt为当前时刻LSTM的输入，W为权重矩阵，g为当前时刻的输入通过输入门i之后得到的门控状态，tanh为双曲正切函数，σ为激活函数；
所述激活函数的表达式为：
σ(x)＝ex/(ex+1)
其中,e为自然底数；
当前时刻的隐藏状态和细胞状态由下面方程确定：
Ct＝f·Ct-1+i·g
ht＝o·tanh(Ct)
其中，Ct和Ct-1为当前时刻和上一时刻的细胞状态，权重矩阵W包含可学习的参数。
可选地，通过所述验证集的图片加载，对所述复合神经网络的时间预测效果进行验证的方法为：
其中，TACC为时间精确率，Ttarge为浸水实验给出真实时间，Tpred为神经网络给出预测时间。
本发明的有益效果为：使用复合神经网络的方法进行船舶浸水时间预测可以提高预测速度，增加决策者应对突发浸水事件的能力，并在浸水事故发生后为船上人员的疏散撤离争取更多的时间。
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，下面描述中的附图仅仅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为本发明实施例的卷积-循环复合神经网络的船舶单破口浸水时间预测方法流程图；
图2为本发明实施例的邮轮3D模型示意图；
图3为本发明实施例的船舶模型某舱室一侧舱壁开口分布图；
图4为本发明实施例的浸水场景CATIA建模概念图；
图5为本发明实施例的部分舱室浸水图片；
图6为本发明实施例的复合神经网络的搭建及其结构图；
具体实施方式
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，所描述的实施例仅仅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做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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
卷积-循环复合神经网络的船舶单破口浸水时间预测方法，包括船舶单破口浸水实验和浸水数据集生成、浸水数据集处理、复合神经网络搭建、复合神经网络训练与验证四个部分。
船舶单破口浸水实验和浸水数据集生成：搭建和训练复合神经网络之前，进行船舶单破口浸水实验，从而获得合适的深度学习数据。船舶模型以邮轮H1508为原型，缩尺比为1：200。选择水线以下一层甲板，按照设计图分为4个以水密舱壁分隔的舱室。对水线以下的舱壁面积进行测绘，按照缩尺比，选择的破口大小为6毫米，对应实船尺寸为1.2米，得到若干个浸水口。每个破口选择三个不同的天气条件进行一次破舱浸水实验，在涉及浸水的每个舱室都设置浸水报警器，当报警器探测到浸水就开始发出警报，同时记录时间(浸水开始为零时刻)，浸水只在预设的甲板层蔓延。同时，在破损舱室正上方布置一个高清摄像装置记录破损舱室的浸水过程，在船体上方布置一个高清摄像装置记录整个浸水过程。
浸水数据集处理：整理实验过程中记录下的浸水视频和浸水时间。浸水视频使用软件处理成连续的图片，浸水时间记录作为卷积-循环复合神经网络训练的标签。
复合神经网络搭建：数据整理好之后，搭建复合神经网络，复合神经网络由卷积和循环两部分构成，卷积神经网络部分用于提取浸水图片的空间特征，循环神经网络用于浸水过程的时间建模。卷积部分使用轻量级残差网络ResNet18，可以较好地提取图片中的信息。残差网络ResNet18输出的信息接下来会进入循环神经网络部分中进行训练，循环神经网络模型选择长短期记忆模型LSTM，模型输出为船舶舱室单破口浸水时间。
复合神经网络的训练和验证：通过浸水实验所获得的816组数据集对神经网络进行训练，浸水过程与训练过程一一对应，每个训练过程拥有30张浸水图片，这些图片会被残差网络转化为一维向量然后输入到双层的LSTM中。每批次输入16个浸水过程的图片，共计480张，共训练180轮。待训练完毕，将验证数据集的图片加载，对模型的时间预测效果进行验证。输入仍旧是浸水过程的图片。输出为目标舱室的浸水时间预测。将其与真实时间对比，计算时间预测精确率。训练好的模型可对同舱室其他单破口浸水时间进行预测，进而辅助指挥人员进行抗沉决策并合理安排人员疏散。
进一步地，针对指定的船体，需要对聚焦的浸水区域进行浸水实验来获得数据集，使用专门的数据集来训练神经网络，从而预测指定船舶舱室的单破口浸水时间。
进一步地，卷积-循环复合神经网络的船舶单破口浸水时间预测方法的具体步骤：
步骤1：船舶单破口浸水实验和浸水数据集生成。对邮轮模型的水线下的舱壁进行区域划分，将该区域的曲面面积划分为若干小区域并标记，对每个小区域进行三次船舶的浸水实验，浸水过程从开始直到四个舱室都到达警戒水位线结束，记录总时间以及每个舱室浸水到达警戒线的时间。同时使用摄像设备记录每次浸水的整个过程。
步骤2：浸水数据集处理。将获得的浸水视频数据使用软件逐帧处理，得到浸水图片，将这些视频分为两部分，一部分的图片作为训练集，占图片总量的80％；另一部分的图片，作为验证集，占图片总量的20％。将记录下的时间数据处理训练的标签，作为循环神经网络部分的时间标签。
步骤3：复合神经网络搭建。复合神经网络选择卷积-复合形式，卷积网络部分选择残差网络，循环网络部分选择双层的LSTM。
步骤4：神经网络训练与验证。浸水图片在残差网络中转化为向量之后，按照图片的时间顺序依次输入到循环神经网络。一个浸水过程对应的浸水图片和浸水时间标签完成一次对神经网络的训练。直到所有的数据都经过训练，结束。将训练好循环神经网络部分组合在一起，得到用于舱室浸水时间预测的复合神经网络。
本发明的目的在于提供一种可在船舶发生单破口浸水后快速预测舱室浸水时间的复合神经网络模型。该模型通过深度学习的方法来实现训练，使用船舶浸水实验获得的图片数据来进行训练。复合神经网络第一部分为卷积部分，用来提取图片的特征向量。采用ResNet18模型，目的是将浸水图片中的信息转化为一维向量方便进入循环神经网络进行训练，第二部分为双层的LSTM(长短期记忆模型)，用来输出船舶浸水以后需要预测的舱室浸水时间。由于目前的绝大部分计算浸水时间的方法还是求解流体力学方程，而浸水事故发生不可预知且时间紧急，留给指挥人员的决策时间非常短，本发明旨在提高浸水事故发生后指挥者对浸水区域的掌握程度，方便指挥人员进行抗沉决策及人员疏散。
下面结合附图和实例对本发明作更详细的描述。
如图1所示，卷积-循环复合神经网络的船舶单破口浸水时间预测方法，包括
步骤1：设计浸水场景并且进行船舶浸水实验并且收集数据。选择的邮轮原型如图2所示。
1.1对浸水舱室的舱壁面积进行测绘，全船水线下面积测绘:对船舶水线下某甲板层的舱壁进行划分，将该区域的曲面面积划分为若干小区域并标记，对每个小区域开圆形孔。选择一个浸水舱室开孔情况进行展示，如图3所示。
1.2设计浸水场景，本实验浸水区域包括四个舱室，两个压载舱室和两个机舱。具体布置如图4所示。选择三种不同的天气状况，对每个圆形孔进行三次船舶的浸水实验，每个圆形孔与天气条件组合构成一种浸水场景。浸水开始为零时刻，浸水到达所有目标舱室的指定水位线时结束，记录每个目标舱室浸水到达警戒线的时间T1,T2,T3,T4。同时使用摄像设备记录每次浸水的整个过程。
1.3以上步骤完成以后，获得816组浸水视频，以及每次浸水过程中每个舱室浸水到达警戒线的时间。
步骤2：处理实验数据。
2.1将浸水实验录制的视频数据进行逐帧处理，将得到的图片分为两部分，第一部分的图片设定为测试集，一共占有总数据的80％左右，作为复合神经网络训练用的数据；第二部分的图片，作为验证集，占所有数据的20％左右，作为验证复合神经网络模型性能的数据。
2.2将每个浸水过程处理得到的图片按照时间顺序组成一个系列。将记录下的时间数据处理为时间标签，作为复合神经网络循环部分的标签值。一个浸水过程部分浸水图片的示例如图5所示，进入船模的水使用不同形状框标注。
步骤3：将多组浸水图片转化为同数量的一维向量。
使用ResNet18模型，模型的结构图如图6所示，图像首先进入ResNet18网络(去掉SoftMax层)进行空间特征提取，然后通过扁平层转化为一维向量，之后输入到双层的LSTM模型中进行时间预测。
训练中，优化器选择Adam模型，损失函数为交叉熵损失函数，其损失函数表达式(1)为：
其中L(p,q)为单个舱室的损失函数,p(xi),q(xi)为真实值和预测值。因为有四个舱室的浸水时间需要进行预测，所以总的损失函数构成为：
LS＝L1(q,p)+L2(q,p)+L3(q,p)+L4(q,p) (2)
其中，L1(q,p)为第一舱室的损失函数，L2(q,p)为第二舱室的损失函数，L3(q,p)为第三舱室的损失函数，L4(q,p)为第四舱室的损失函数，p为神经网络给出的预测值，q为浸水实验给出的真实值。
步骤4：复合网络的循环网络部分的结构和训练。
使用复合神经网络对破损后的船舶舱室的浸水时间进行预测。复合神经网络的第二部分选取LSTM模型。船舶浸水是一个持续的过程，为了快速获得预测结果，浸水视频的时间尺度一般在秒到分钟之间。为此选择长短期记忆网络。LSTM网络在更长的时间序列训练中具有优势。它比标准RNN更不容易受到梯度消失问题的影响。这使得LSTM成为本实施例中时间预测的合适选择。
一般的LSTM单元由输入门i、输出门o和遗忘门f组成。其中ht-1是t-1秒时神经网络的隐藏状态，xt是当前时刻LSTM的输入。具体见方程(3)：
其中，i为输入门，o为输出门，f为遗忘门，ht-1为t-1秒时神经网络的隐藏状态，xt为当前时刻LSTM的输入，W为权重矩阵，g为当前时刻的输入通过输入门i之后得到的门控状态，tanh为双曲正切函数，σ为激活函数；当前时刻的隐藏状态和单元格状态由公式4、5确定：
Ct＝f·Ct-1+i·g (4)
ht＝o·tanh(Ct) (5)
其中，Ct和Ct-1为当前时刻和上一时刻的细胞状态，权重矩阵W包含可学习的参数。sigmoid函数(σ为激活函数)由方程6给出：
σ(x)＝ex/(ex+1) (6)
其中,e为自然底数；
其中输入向量的形状为N×2048×1，N为浸水时间，单位为秒。训练模型的超参数见表1，表1为神经网络模型的超参数。
表1
步骤3中每个浸水过程都会得到的一组，N个一维向量，这些一维向量作为输入Xt进入到双层的LSTM对模型进行一次训练，直到所有的训练数据集都使用完，反复训练若干次。
然后使用验证集验证模型的效果，即对不同的浸水场景，使用模型对浸水舱室的浸水时间进行预测。浸水实验给出真实时间Ttarge，神经网络给出预测时间Tpred。根据公式7计算其时间精确率。
其中，TACC为时间精确率，Ttarge为浸水实验给出真实时间，Tpred为神经网络给出预测时间。
一共预测了160组浸水场景共计640个舱室浸水时间。精确率如表2所示，表2为复合神经网络模型给出的舱室时间预测精确率。
表2
根据表2可以发现，无论破口位置处于哪个舱室，对于舱室浸水时间的预测，准确率均超过85％。在大多数情况下，浸水时间预测率超过91％。该结果帮助指挥人员直观地了解浸水过程，更好地支持浸水后的决策。由于每个舱室的进水时间是确定的，所以被困船员的逃生时间也随之确定。逃生时间也有助于决策者根据紧急程度规划疏散路线，配合各种机载救援设备，增加被困机组人员逃生的可能性。如果船上的救援力量调动及时，逃生时间只会延长。
下面选取一个具体的预测案例来说明该神经网络如何帮助指挥人员更好的做出决策。选择一个模型发挥平均预测水平的浸水场景。在该浸水场景中，破口在D舱室，计算得出，A、B、C、D四个舱室的预测时间为16.49分钟、14.14分钟、9.43分钟、9.43分钟，实际时间为17.48分钟、14.40分钟、9.74分钟、10.59分钟。时间准确率分别为94.34％、91.82％、96.74％和89.91％。
这个示例展示了神经网络预测结果能给出的浸水信息。到达警戒线的舱室顺序是C、D、B、A。C舱和D舱的时间非常接近，相差只有0.85分钟。这表明水从舱C进入后，迅速扩散到舱D。这一特点在预测结果中有所反映，即神经网络给C、D的两个舱室同样9.43分钟到达警戒线。按照神经网络给出的结果，C、D舱室的浸水时间接近，也就是说，C、D舱室的人逃生时间都在9.43分钟，需要在这个时间内向临近的舱室或者向上一层甲板转移。接下来是B舱室，这个舱室的被困人员有多更的逃生时间，但是只能向A舱室的方向或者更高的甲板层疏散。不可以向C、D舱室逃生，因为那里更加危险。A舱室的人员拥有最久的逃生时间，逃生压力最小。在浸水发生不到一分钟后，神经网络根据已经获得的浸水图片给出了精确的浸水时间，这足以使得指挥人员有足够的时间掌握舱室浸水过程并且进行人员疏散。
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.卷积-循环复合神经网络的船舶单破口浸水时间预测方法，其特征在于，包括：
获取船舶单破口的浸水数据集，对所述浸水数据集进行处理；
构建复合神经网络，所述复合神经网络包括：轻量级残差网络ResNet18和长短期记忆模型LSTM；
基于所述浸水数据集训练所述复合神经网络，通过训练后的所述复合神经网络，预测所述船舶单破口的浸水时间。
2.根据权利要求1所述的卷积-循环复合神经网络的船舶单破口浸水时间预测方法，其特征在于，获取所述船舶单破口的浸水数据集包括：
设定船舶类型和缩尺比，选择水线以及下一层甲板，划分水密舱壁分隔的舱室，对所述水线以下的舱壁面积进行测绘，基于所述缩尺比，选择破口大小和对应的实船尺寸，获取若干个浸水口；
每个所述浸水口选择不同的天气条件进行破舱浸水实验，记录破损舱室的浸水过程、整个浸水过程以及浸水时间。
3.根据权利要求2所述的卷积-循环复合神经网络的船舶单破口浸水时间预测方法，其特征在于，对所述水线以下的舱壁面积进行测绘包括：
对所述水线以下的舱壁面积进行区域划分，将区域划分后的舱壁面积划分为若干小区域，并进行标记。
4.根据权利要求2所述的卷积-循环复合神经网络的船舶单破口浸水时间预测方法，其特征在于，对所述浸水数据集进行处理包括：
对记录破损舱室的浸水过程、整个浸水过程进行逐帧处理，获取浸水图片，将所述浸水图片划分为训练集和验证集，所述训练集和所述验证集中的照片按照时间顺序进行重组，并将所述浸水时间作为所述长短期记忆模型LSTM的时间标签。
5.根据权利要求4所述的卷积-循环复合神经网络的船舶单破口浸水时间预测方法，其特征在于，基于所述浸水数据集训练所述复合神经网络包括：
将重组后的所述训练集输入所述轻量级残差网络ResNet18，提取浸水图片的空间特征，并转化为一维向量，将所述一维向量输入长短期记忆模型LSTM，对所述浸水过程的时间建模，输出目标舱室的浸水时间预测，并通过所述验证集的图片加载，对所述复合神经网络的时间预测效果进行验证，获取训练后的所述复合神经网络。
6.根据权利要求1所述的卷积-循环复合神经网络的船舶单破口浸水时间预测方法，其特征在于，所述复合神经网络的损失函数为：
LS＝L1(q,p)+L2(q,p)+L3(q,p)+L4(q,p)
其中，L1(q,p)为第一舱室的损失函数，L2(q,p)为第二舱室的损失函数，L3(q,p)为第三舱室的损失函数，L4(q,p)为第四舱室的损失函数，p为神经网络给出的预测值，q为浸水实验给出的真实值。
7.根据权利要求1所述的卷积-循环复合神经网络的船舶单破口浸水时间预测方法，其特征在于，所述复合神经网络包括：构建所述长短期记忆模型LSTM；
构建所述长短期记忆模型LSTM的方法为：
其中，i为输入门，o为输出门，f为遗忘门，ht-1为t-1秒时神经网络的隐藏状态，xt为当前时刻LSTM的输入，W为权重矩阵，g为当前时刻的输入通过输入门i之后得到的门控状态，tanh为双曲正切函数，σ为激活函数；
所述激活函数的表达式为：
σ(x)＝ex/(ex+1)
其中,e为自然底数；
当前时刻的隐藏状态和细胞状态由下面方程确定：
Ct＝f·Ct-1+i·g
ht＝o·tanh(Ct)
其中，Ct和Ct-1为当前时刻和上一时刻的细胞状态，权重矩阵W包含可学习的参数。
8.根据权利要求5所述的卷积-循环复合神经网络的船舶单破口浸水时间预测方法，其特征在于，通过所述验证集的图片加载，对所述复合神经网络的时间预测效果进行验证的方法为：
其中，TACC为时间精确率，Ttarge为浸水实验给出真实时间，Tpred为神经网络给出预测时间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310563359.9A CN116738565A (zh) | 2023-05-18 | 2023-05-18 | 卷积-循环复合神经网络的船舶单破口浸水时间预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310563359.9A CN116738565A (zh) | 2023-05-18 | 2023-05-18 | 卷积-循环复合神经网络的船舶单破口浸水时间预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116738565A true CN116738565A (zh) | 2023-09-12 |
Family
ID=87900235
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310563359.9A Pending CN116738565A (zh) | 2023-05-18 | 2023-05-18 | 卷积-循环复合神经网络的船舶单破口浸水时间预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116738565A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110162048A (zh) * | 2019-05-22 | 2019-08-23 | 集美大学 | 一种船舶间运动补偿方法及系统 |
| CN114154619A (zh) * | 2021-11-15 | 2022-03-08 | 哈尔滨工程大学 | 一种基于cnn和bilstm的船舶轨迹预测方法 |
| KR20220061360A (ko) * | 2020-11-06 | 2022-05-13 | 한국생산기술연구원 | 딥러닝 이상 감지 기반 생산 제품 불량 검출 방법 및 시스템 |
| US20220182485A1 (en) * | 2020-12-04 | 2022-06-09 | Nice Ltd. | Method for training a spoofing detection model using biometric clustering |
| CN114973061A (zh) * | 2022-04-24 | 2022-08-30 | 哈尔滨工程大学 | 基于深度学习方法的辅助抗沉决策模型生成方法及系统 |
-
2023
- 2023-05-18 CN CN202310563359.9A patent/CN116738565A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110162048A (zh) * | 2019-05-22 | 2019-08-23 | 集美大学 | 一种船舶间运动补偿方法及系统 |
| KR20220061360A (ko) * | 2020-11-06 | 2022-05-13 | 한국생산기술연구원 | 딥러닝 이상 감지 기반 생산 제품 불량 검출 방법 및 시스템 |
| US20220182485A1 (en) * | 2020-12-04 | 2022-06-09 | Nice Ltd. | Method for training a spoofing detection model using biometric clustering |
| CN114154619A (zh) * | 2021-11-15 | 2022-03-08 | 哈尔滨工程大学 | 一种基于cnn和bilstm的船舶轨迹预测方法 |
| CN114973061A (zh) * | 2022-04-24 | 2022-08-30 | 哈尔滨工程大学 | 基于深度学习方法的辅助抗沉决策模型生成方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 王克强等: "《人工智能原理及应用》", 天津科学技术出版社, pages: 188 - 191 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111275115B (zh) | 一种基于生成对抗网络的对抗攻击样本的生成方法 | |
| CN110211137B (zh) | 基于残差网络和U-Net分割网络的卫星图像分割方法 | |
| CN108710831A (zh) | 一种基于机器视觉的小数据集人脸识别算法 | |
| CN109410307A (zh) | 一种场景点云语义分割方法 | |
| CN108230302B (zh) | 一种核电厂冷源海域入侵海洋生物探测及处置方法 | |
| CN111079739B (zh) | 一种多尺度注意力特征检测方法 | |
| CN113569667B (zh) | 基于轻量级神经网络模型的内河船舶目标识别方法及系统 | |
| CN109376589B (zh) | 基于卷积核筛选ssd网络的rov形变小目标识别方法 | |
| CN113408340B (zh) | 基于增强型特征金字塔的双极化sar小型船只检测方法 | |
| CN110222604A (zh) | 基于共享卷积神经网络的目标识别方法和装置 | |
| CN111914924A (zh) | 一种快速舰船目标检测方法、存储介质及计算设备 | |
| CN113052834A (zh) | 一种基于卷积神经网络多尺度特征的管道缺陷检测方法 | |
| CN112686826A (zh) | 一种恶劣气候环境下的海洋搜救方法 | |
| CN114842542B (zh) | 基于自适应注意力与时空关联的面部动作单元识别方法及装置 | |
| CN116186275A (zh) | 战场态势的时空知识图谱构建、计算和感知方法和设备 | |
| CN115995041A (zh) | 基于注意力机制的sar图像多尺度舰船目标检测方法和装置 | |
| CN116485885A (zh) | 基于深度学习去除视觉slam前端动态特征点的方法 | |
| CN110175961B (zh) | 一种基于人脸图像分割对抗思想的去网纹方法 | |
| CN113436125B (zh) | 基于风格迁移的侧扫声呐仿真图像生成方法、装置及设备 | |
| CN116738565A (zh) | 卷积-循环复合神经网络的船舶单破口浸水时间预测方法 | |
| Bai et al. | A detection method of the rescue targets in the marine casualty based on improved YOLOv5s | |
| CN114973061B (zh) | 基于深度学习方法的辅助抗沉决策模型生成方法及系统 | |
| CN108959512B (zh) | 一种基于属性增强注意力模型的图像描述网络及技术 | |
| CN110675311A (zh) | 一种素描序约束下的素描生成的方法、装置及存储介质 | |
| CN115424276A (zh) | 一种基于深度学习技术的船牌号检测方法 |
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 |