CN116842381A - 基于数据融合的船舶运动极短期预报模型泛化性优化方法 - Google Patents
基于数据融合的船舶运动极短期预报模型泛化性优化方法 Download PDFInfo
- Publication number
- CN116842381A CN116842381A CN202310701618.XA CN202310701618A CN116842381A CN 116842381 A CN116842381 A CN 116842381A CN 202310701618 A CN202310701618 A CN 202310701618A CN 116842381 A CN116842381 A CN 116842381A
- Authority
- CN
- China
- Prior art keywords
- matrix
- calendar
- motion
- training
- under
- 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 158
- 238000000034 method Methods 0.000 title claims abstract description 80
- 230000004927 fusion Effects 0.000 title claims abstract description 47
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 90
- 238000013136 deep learning model Methods 0.000 claims abstract description 23
- 230000000694 effects Effects 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 164
- 238000003062 neural network model Methods 0.000 claims description 42
- 238000010276 construction Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 21
- 239000012634 fragment Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 14
- 238000010586 diagram Methods 0.000 description 22
- 238000004590 computer program Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 5
- 238000013277 forecasting method Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013075 data extraction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 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
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于船舶与海洋工程技术领域,公开了基于数据融合的船舶运动极短期预报模型泛化性优化方法。针对不同工况下船舶运动时历数据特征的差异性,利用多工况数据融合方法融合不同工况下的时历数据,构建相应的训练集,通过深度学习模型的训练提取多工况下运动时历特征,实现多工况下运动时历预报。通过本发明可以实现多种工况条件下的运动时历数据融合训练,实现深度学习神经网络对不同工况条件下的数据特征提取,相应训练所得的预报模型具有更强的泛化性表现,可以针对多种工况条件下的运动时历均保持较好的预报效果。通过该发明可以较好的平衡预报精度与模型适应性,提高船舶相关作业安全的保障能力。
Description
技术领域
本发明属于船舶与海洋工程技术领域,尤其涉及基于数据融合的船舶运动极短期预报模型泛化性优化方法。
背景技术
船舶在航行过程中,由于受到周围环境中风、浪、流等因素的影响会产生六自由度摇荡运动,其中横摇、纵摇和垂荡运动会对船舶作业造成较大的影响,在中高海况下甚至会对船舶航行安全造成威胁。因此,提前对船舶运动姿态进行预报,进而为船舶海上航行与执行作业任务提供辅助决策信息对于保障船舶安全具有重大意义。
目前针对船舶运动时历的极短期预报方法主要分为传统时序预报方法与深度学习预报方法,相应的典型预报模型为自回归(AR)模型与长短期记忆(LSTM)神经网络模型。对于AR模型,其具有良好的自适应性,可以实时的根据输入运动时历进行模型定阶计算与预报,但由于模型的构建基于线性理论,对于非线性较强的船舶运动时历数据预报精度较低。而LSTM模型作为一种神经网络模型,其在处理船舶运动非线性特征方面展现出更好的性能,预报精度明显优于AR模型,是未来主要的发展趋势。但作为一种数据驱动的预报模型,其预报性能完全依赖于对训练数据的特征提取。
在实际应用过程中,模型的泛化性表现尤为重要。泛化性是指训练完成的模型对未知数据进行预测或分类的能力。由于船舶在实际航行过程中随着遭遇海况的变化、航向航速的调整,运动时历特征变化明显,因此导致模型在实际应用时预报效果波动较大。为此,针对深度学习预报模型开展泛化性优化方法研究对于提升其工程实际应用价值具有重要意义。
通过上述分析,现有技术存在的问题及缺陷为:现有的深度学习模型泛化性优化方法主要包括数据增强、模型结构优化、模型复杂度控制、训练策略优化等方法,但由于应用领域不同,数据之间特征差异明显,例如在图像处理领域可以通过图片的翻转、裁剪等方法实现训练数据样本扩充,进而提升模型泛化能力,但针对时间序列无法执行上述操作,因此上述方法并不普遍适用于所有深度学习预报模型,使得现有技术对不同工况条件下的船舶运动时历预报数据稳定性差;目前针对基于深度学习方法的船舶运动极短期预报模型泛化性优化方法尚未有公开发表文献及专利。
发明内容
为克服相关技术中存在的问题,本发明公开实施例提供了一种基于数据融合的船舶运动极短期预报模型泛化性优化方法,具体涉及一种基于深度学习的船舶运动极短期预报方法。
所述技术方案如下:基于数据融合的船舶运动极短期预报模型泛化性优化方法,针对不同工况下船舶运动时历数据特征的差异性,利用多工况数据融合方法融合不同工况下的时历数据,构建相应的训练集,通过深度学习模型的训练提取多工况下运动时历特征,实现多工况下运动时历预报;具体包括以下步骤:
S1,多工况船舶运动时间序列读取;
S2,单工况特征矩阵构建;
S3,多工况特征矩阵融合;
S4,深度学习模型构建与训练;
S5,目标工况运动时历预报;
S6,预报结果输出及误差计算。
在步骤S1中,多工况船舶运动时间序列读取包括:针对多个工况条件下的船舶单自由度运动时历数据T={T1,T2…Tn-1,Tn}进行读取;
多个工况条件包括:多个海况等级、多个航速、多个浪向;
船舶单自由度运动时历数据包括:垂荡运动、横摇运动、纵摇运动。
在步骤S2中,单工况特征矩阵构建包括:依据输入向量阶数p与预报步长q,采用滑动窗口的形式将每个工况下的运动时历数据分割为多组对应的输入与输出,合并成有序的特征矩阵;特征矩阵包括输入矩阵与标签矩阵,其中,输入矩阵表示在预报时所需的历史运动时历输入片段,标签矩阵表示对应的预报时历片段。
进一步,单工况特征矩阵构建中,单工况下时历数据为T={T1,T2…Tn-1,Tn},单工况下时历数据矩阵中的每一行表示不同时刻下输入的历史时历与预报时历片段,第一行中,输入时历片段为{T1,T2…Tp},对应的预报时历片段为{Tp+1,Tp+2…Tp+q};其中,T1,T2…Tp分别表示t1,t2…tp时刻下的船舶运动姿态,Tp+1,Tp+2…Tp+q分别表示tp+1,tp+2…tp+q时刻下的船舶运动姿态。
在步骤S3中,多工况特征矩阵融合包括:针对数据融合所需的各个工况下船舶运动时历,按照步骤S2进行数据片段拆分与特征矩阵构建,对各工况下的输入输出片段进行均匀混合,得到多工况数据融合的样本训练集。
通过特征矩阵构建获取四个海况下运动时历的特征矩阵,并进行特征矩阵融合,所述特征矩阵包括输入矩阵与标签矩阵具体包括:
对于输入矩阵和标签矩阵分别抽取四级、五级、六级、七级海况下输入矩阵的第一行,共同作为融合矩阵的Line1,依次抽取第二行、第三行直至最后一行,共同组成融合矩阵的Line2,Line3至Line最后,完成输入矩阵和标签矩阵的融合。
在步骤S4中,深度学习模型构建与训练包括:在完成多工况运动数据集构建的基础上,进行深度学习模型的构建与训练;通过模型超参数、训练轮数的设定,开展模型训练,最终输出训练完成的船舶运动时历预报模型。
进一步,深度学习模型构建与训练还包括:首先,完成神经网络的构建,对神经网络模型超参数进行设置,包括:神经网络层数、神经元个数、batch-size大小、epoch大小;
然后,针对神经网络模型进行训练,包括:在最开始的第一轮训练中,生成一组初始化的权值矩阵,该权值矩阵内部参数完全随机生成;
最后,以batch-size为单位抽取输入矩阵中与标签矩阵中的对应元素进行训练,矩阵共有Tn-p-1+1行,从中随机抽取64行作为一个batch-size,该batch-size下的数据矩阵与神经网络模型生成的权值矩阵相乘,得到神经网络模型输出的预报结果,通过损失函数计算预报结果与对应的标签数据的误差,并基于该误差采用梯度下降法进行权值矩阵内的权值更新;按照batch-size进行不断的不重复抽取,直至矩阵中的所有行都被抽取计算完成,此时视作完成一轮训练,以此类推,完成3000轮的深度学习模型训练,在完成指定轮数的训练后终止训练,输出训练神经网络模型。
在步骤S5中,目标工况运动时历预报包括:针对目标工况下的船舶运动时历T′={T1′,T2′…Tn-1′,Tn′},通过步骤S2获取相应的输入矩阵,该特征矩阵满足步骤S4中预报模型的数据输入形式,通过输入该特征矩阵,获取该工况下对应的时历预报结果。
进一步,在输出训练神经网络模型后,使用该神经网络模型对目标工况下的运动时历进行预报测试;定义目标工况下的船舶运动时历表示为T′={T1′,T2′…Tn-1′,Tn′},首先针对该时历按照步骤S2中的滑动窗口处理方式进行预处理,同样的,输入向量阶数设置为p,预报步长设置为q,将其切割为对应的输入矩阵:
式中,T1′,T2′…T′n-q分别表示目标工况下t1,t2…tn-q时刻下的实际船舶运动姿态;
标签矩阵:
″′
式中,Tp+1,Tp+2…Tn分别表示目标工况下tp+1,tp+2…tn时刻下的实际船舶运动姿态;
将输入矩阵作为神经网络模型的输入,通过神经网络模型内部的权重矩阵与输入矩阵之间的运算,可以得到相应的预报时历矩阵:
式中,分别表示目标工况下tp+1,tp+2…tn时刻下预报所得的船舶运动姿态;
在得到预报时历矩阵后,通过对比标签矩阵与预报时历矩阵绘制相应的预报结果对比图与相应的误差;
在步骤S6中,预报结果输出及误差计算包括:通过对比预报所得的时历片段与实际时历片段,绘制预报结果曲线,展示神经网络模型预报效果。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:目前针对船舶运动实时预报的研究方法主要包括传统时序预报方法与深度学习预报方法,以自回归(AR)模型为代表的传统时序预报方法具有较好的自适应性,可以根据实时输入的不同工况下船舶运动数据进行模型参数更新,对不同工况下的预报效果较为稳定,但该方法基于线性理论,对于非线性较强的船舶运动时历预报精度较低。深度学习方法具有较强的非线性拟合能力,因此对于船舶运动时历预报较高的预报精度,但该方法的适应性较差,其预报精度很大程度上依赖于输入数据,当实际遭遇工况与模型训练工况差异较大时,模型预报效果差异明显,体现为模型的泛化性表现较差。为此,当前对于船舶运动实时预报的研究难以同时保障模型的预报精度与适应性。
通过本发明可以实现多种工况条件下的运动时历数据融合训练,实现深度学习神经网络对不同工况条件下的数据特征提取,相应训练所得的预报模型具有更强的泛化性表现,可以针对多种工况条件下的运动时历均保持较好的预报效果。通过该发明可以较好的平衡预报精度与模型适应性,为船舶运动的高精度实时预报提供了一种稳定可靠的解决方法,提高船舶相关作业安全的保障能力。
作为本发明的积极效果,还体现在以下几个重要方面:通过该方法可以实现基于深度学习的船舶运动预报模型实际工程应用,在保证模型适应性的基础上大幅提升预报精度,且模型经训练后实时响应速度快、计算成本低,具有广阔的工程应用价值与前景。目前针对船舶运动预报的实际工程应用仅局限于传统的AR模型预报方法,但该方法预报精度较低,难以满足实际工程应用需求。基于深度学习的船舶运动预报方法在实际工程应用时的模型泛化性优化技术在我国尚属空白,本发明通过采用多样本数据融合方法,有效的提升了预报模型的泛化性表现,填补了相关技术空白。本发明的技术方案有效解决了在船舶运动预报领域始终存在的预报精度与模型适应性难以兼顾的难题,在保证深度学习预报模型预报精度的基础上,通过数据融合训练有效提升模型在多工况下的自适应性,为船舶运动的实时高精度预报提供了一种切实可行的技术方法。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理;
图1是本发明实施例提供的基于数据融合的船舶运动极短期预报模型泛化性优化方法图;
图2是本发明实施例提供的运动时历读取示意图;
图3是本发明实施例提供的单工况特征矩阵构建示意图;
图4是本发明实施例提供的多工况特征矩阵融合示意图;
图5是本发明实施例提供的训练过程中单个batch-size数据抽取示意图;
图6是本发明实施例提供的神经网络模型训练流程示意图;
图7是本发明实施例提供的四级海况运动时历示意图;
图8是本发明实施例提供的五级海况运动时历示意图;
图9是本发明实施例提供的六级海况运动时历示意图;
图10是本发明实施例提供的七级海况运动时历示意图;
图11是本发明实施例提供的四级海况下预报结果时历对比图;
图12是本发明实施例提供的五级海况下预报结果对比图;
图13是本发明实施例提供的六级海况下预报结果对比图;
图14是本发明实施例提供的七级海况下预报结果对比图;
图15是本发明实施例提供的基于数据融合的模型预报误差图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施的限制。
本发明通过考虑不同工况下船舶运动时历数据特征的差异性,设计了一种多工况数据融合方法,通过有效融合不同工况下的时历数据,构建相应的训练集,实现深度学习神经网络对多工况特征的提取,进而提升预报模型在多工况下的预报效果,实现模型泛化能力的提升。
实施例1,图1所示,本发明实施例提供的基于数据融合的船舶运动极短期预报模型泛化性优化方法包括以下步骤:
S1,多工况船舶运动时间序列读取;
S2,单工况特征矩阵构建;
S3,多工况特征矩阵融合;
S4,深度学习模型构建与训练;
S5,目标工况运动时历预报;
S6,预报结果输出及误差计算。
可以理解,本发明提出了一种基于数据融合的船舶运动极短期预报模型泛化性优化方法,该方法通过考虑不同工况条件下船舶运动时历特征的差异,设计了一种多工况数据融合的模型训练方法,使模型可以充分提取不同工况下的数据特征。通过该方法可以实现深度学习预报模型对多工况下的船舶运动时历预报效果的稳定提升,有效提升模型的工程实用性。
在步骤S1中,多工况船舶运动时间序列读取包括:针对多个工况条件下的船舶单自由度运动时历数据T={T1,T2…Tn-1,Tn}进行读取,如图2所示,数据读取形式为列表,多个工况条件包括但不限于多个海况等级、多个航速、多个浪向,船舶单自由度运动时历数据包括但不限于垂荡、横摇、纵摇运动。
在本发明实施例步骤S2中,单工况特征矩阵构建包括:依据设定的输入向量阶数p与预报步长q,采用滑动窗口的形式将每个工况下的运动时历数据分割为多组对应的输入与输出,合并成有序的特征矩阵。特征矩阵包括输入矩阵与标签矩阵,其中,输入矩阵表示在预报时所需的历史运动时历输入片段,标签矩阵表示对应的预报时历片段。如图3单工况特征矩阵构建示意图所示,以单工况下时历数据T={T1,T2…Tn-1,Tn}为例,矩阵中的每一行表示不同时刻下输入的历史时历与预报时历片段,以第一行为例,此时输入时历片段为{T1,T2…Tp},对应的预报时历片段便为{Tp+1,Tp+2…Tp+q};
式中,T1,T2…Tp表示t1,t2…tp时刻下的船舶运动姿态,Tp+1,Tp+2…Tp+q分别表示tp+1,tp+2…tp+q时刻下的船舶运动姿态,后续神经网络模型训练的目的便为学习{T1,T2…Tp}与{Tp+1,Tp+2…Tp+q}之间的映射关系,实现预报。
在本发明实施例步骤S3中,多工况特征矩阵融合包括:针对数据融合所需的各个工况下船舶运动时历按照步骤二进行数据片段拆分与特征矩阵构建,之后对各工况下的输入输出片段进行均匀混合,得到多工况数据融合的样本训练集,以输入片段为例,相应数据混合效果如图4多工况特征矩阵融合示意图所示,图4中包括多个不同工况下的数据集。
在本发明实施例步骤S4中,深度学习模型构建与训练包括:在完成多工况运动数据集构建的基础上,进行深度学习模型的构建与训练。通过模型超参数、训练轮数,开展模型训练,最终输出训练完成的船舶运动时历预报模型。
示例性的,深度学习模型的构建与训练过程可以描述如下:首先要完成神经网络的构建,具体方式即为对一些神经网络模型超参数进行设置,包括但不限于神经网络层数、神经元个数、batch-size大小、epoch大小,本发明中所涉及的LSTM神经网络层数均为1层,神经元个数均为16,batch-size为64,epoch为3000。
之后针对神经网络模型开展训练。神经网络模型的训练过程在于其内部权值矩阵的更新。在最开始的第一轮训练中,深度学习模型会生成一组初始化的权值矩阵,此时该矩阵内部参数完全随机生成。之后以batch-size为单位抽取输入矩阵中与标签矩阵中的对应元素进行训练,以图3中展示的特征矩阵为例,矩阵共有Tn-p-q+1行,从中随机抽取64行作为一个batch-size,如图5训练过程中单个batch-size数据抽取示意图所示,该batch-size下的数据矩阵与神经网络模型生成的权值矩阵相乘,得到神经网络模型输出的预报结果,通过损失函数计算预报结果与其对应的标签数据的误差,并基于该误差采用梯度下降法进行权值矩阵内的权值更新,使其在更逼近真实值。按照batch-size进行不断的不重复抽取,直至矩阵中的所有行都被抽取计算完成,视作一个epoch的训练完成。以此类推,完成3000轮的深度学习模型训练,此时在训练过程中如果损失函数计算的误差不再下降,即可视为神经网络模型收敛,在完成指定轮数的训练后便可以终止训练,输出训练神经网络模型。若神经网络模型不收敛,则需要增加epoch,进行再次训练,直至神经网络模型收敛。神经网络模型训练流程示意图如图6所示。
在本发明实施例步骤S5中,目标工况运动时历预报包括:针对目标工况下的船舶运动时历T′={T1′,T2′…Tn-1′,Tn′},通过步骤S2可以获取相应的输入矩阵,该特征矩阵满足步骤S4中预报模型的数据输入形式。通过输入该特征矩阵,可以获取该工况下对应的时历预报结果。
示例性的,在神经网络模型训练完成后,需要使用该神经网络模型对目标工况下的运动时历进行预报测试。定义目标工况下的船舶运动时历表示为T′={T1′,T2′…Tn-1′,Tn′},首先针对该时历按照步骤S2中的滑动窗口处理方式进行预处理,同样的,输入向量阶数设置为p,预报步长设置为q,将其切割为对应的输入矩阵:
式中,T1′,T2′…T′n-q分别表示目标工况下t1,t2…tn-q时刻下的实际船舶运动姿态;
标签矩阵:
式中,T′p+1,T′p+2…Tn′分别表示目标工况下tp+1,tp+2…tn时刻下的实际船舶运动姿态。
之后,将输入矩阵作为训练完成的神经网络预报模型的输入,该模型的本质为训练完成后的权重矩阵,通过该权重矩阵与输入矩阵之间的运算,可以得到相应的预报时历矩阵:
式中,分别表示目标工况下tp+1,tp+2…tn时刻下预报所得的船舶运动姿态。
在得到预报时历矩阵后,通过对比标签矩阵与预报时历矩阵便可以绘制相应的预报结果对比图与相应的误差。
以预报第1步的误差为例,实际时历为标签矩阵中的第一列:
″′
式中,Tp+1,Tp+2…Tn-q+1分别表示在tp+1,tp+2…tn-q+1时刻下的实际船舶运动姿态。
预报时历为预报时历矩阵的第一列:
式中,分别表示在tp+1,tp+2…tn-q+1时刻下预报所得的船舶运动姿态。
通过这两列数可以绘制预报第1步时的预报时历对比曲线与相应误差。
在本发明实施例步骤S6中,预报结果输出及误差计算包括:通过对比预报所得的时历片段与实际时历片段,绘制预报结果曲线,展示神经网络模型预报效果。同时,在时间序列预测任务中,均方根误差(RMSE)是最常用的性能指标之一,RMSE代表了实际值与预测值之间的平均误差大小,且对异常值不敏感,能更好地反映预测结果的稳定性和准确性。但作为一种绝对误差,RMSE的大小往往与数据分布范围有关,为了充分衡量模型在不同数据分布特征下的预报性能,本发明中同时采用RMSE与一种正则化的均方根误差(NRMSE)作为评估整体时间序列预测精度的指标,相应误差定义公式如下所示:
其中,与/>分别为每一时刻下的舰船实际运动时历与时序模型预报的时历,m为该时序片段中包含的样本点数,Hs为该段时历的有义值。
可以理解,本发明中采用RMSE与常用的RMSE含义相同,但定义的相对误差NRMSE是本发明中特有的,其通过计算所得的均方根误差除以该序列下的有义值(有义值表示为该列数中前三分之一最大峰谷值的平均值,可以较好的反映该列数整体数据分布的范围大小)作为一种相对误差,可以客观的用来衡量在不同工况下的模型预报结果。不同工况下船舶运动时历的变化范围不同,例如在5级海况下船舶的横摇运动可以达到-15°-15°左右,但在3级海况下可能只有-5°-5°,此时如果只用均方根误差RMSE衡量预报效果不合理,因为RMSE是绝对误差,它的大小和数据范围有关,无法客观的反映预报效果。
实施例2,船舶航行的工况可以由海况、航速、航向所决定,本发明针对不同海况下的数据融合训练,同样可以进行不同航速下的数据融合训练、不同航向下的数据融合训练,或者不同海况、航速、航向下的数据融合训练,下面以不同海况下数据融合神经网络模型的训练与测试为例,本发明实施例提供的基于数据融合的船舶运动极短期预报模型泛化性优化方法包括:
步骤一:针对四种工况条件(海况等级包括四级、五级、六级、七级,航速均为0航速,浪向均为135°浪向)下的船舶横摇运动时历数据进行读取。每个工况下数据总时长为11000秒,数据时间间隔为0.5秒,选取前10000秒数据作为训练集用于神经网络模型训练,后1000秒数据作为测试集用于验证模型预报效果。图7为四级海况运动时历示意图,图8为五级海况运动时历示意图,图9为六级海况运动时历示意图,图10为七级海况运动时历示意图。
步骤二:设定神经网络模型输入向量阶数p为30,预报步长q为24,即采用历史15秒的运动时历预报未来12秒的运动时历。针对读取的4个工况下运动数据,分别单独采用滑动窗口的形式对相应的训练集数据进行切割,划分为多个输入输出片段,实现输入矩阵与标签矩阵构建,输入矩阵与标签矩阵满足后续构建的神经网络模型(本发明中以LSTM模型为例)的数据输入格式。
示例性的,以四级海况下运动时历为例,运动时历总时长为11000秒,时间间隔为0.5秒,那么该组时历可以表示为:
设定模型的输入向量阶数p为30,预报步长q为24,即采用历史15秒的运动时历预报未来12秒的运动时历,那么通过滑动窗口的形式可以构建相应的特征矩阵如下,相应的,五级海况下的特征矩阵可以表示为:输入矩阵为:
式中,分别表示在t0.5s,t1s…t10988s时刻下的实际船舶运动姿态;
标签矩阵为:
式中,分别表示在t15.5s,t16s…t11000s时刻下的实际船舶运动姿态,六级与七级将对应的上标替换成T3,T4即可。其中单工况特征矩阵构建示意图如图3所示。
步骤三:分别针对4个工况下的运动时历数据按照步骤二进行数据片段拆分与特征矩阵构建,之后对4种工况下的输入输出片段进行均匀混合,得到多海况数据融合的样本训练集,以输入片段为例,相应数据混合效果如图4所示,包括多种不同海况下的数据集。
示例性的,针对步骤二中通过特征矩阵构建获取的4个海况下运动时历的特征矩阵,包括输入矩阵与标签矩阵,进行特征矩阵融合。以输入矩阵为例,分别抽取四级、五级、六级、七级海况下输入矩阵的第一行,共同作为融合矩阵的Line1,之后依次抽取第二行、第三行……最后一行,直至最后一行,共同组成融合矩阵的Line2,Line3……Line最后,至此,完成输入融合矩阵构建。对于标签矩阵采取同样的操作实现标签矩阵融合。
步骤四:在完成数据集构建的基础上,基于Tensorflow框架开展神经网络模型的构建与训练。设置神经网络模型初始训练轮数epochs为3000,LSTM神经网络层数为1层,神经元个数为16,batch-size为64,开展神经网络模型训练,最终输出训练完成的船舶运动时历预报模型。
步骤五:分别以四级、五级、六级与七级海况作为目标工况,将对应的测试集按照步骤二处理获取相应的输入矩阵,将该输入矩阵作为步骤四中训练完成后的船舶运动时历预报模型的输入,经过模型输出可以获取相应工况下的运动时历预报结果。
步骤六:通过对比预报所得的时历片段与实际时历片段,绘制预报结果曲线,直观的展示模型预报效果。同时计算不同预报时长下的RMSE与NRMSE,评估模型预报效果。
示例性的,通过步骤五中进行的目标工况下运动时历预报可以分别得到四级、五级、六级与七级海况下的运动时历预报结果,以四级海况为例,所得到的预报结果为矩阵形式:
矩阵中第一列表示提前0.5秒的预报时历片段为:
第二列表示提前1秒的预报时历片段为:
依此类推,最后一列表示提前12秒的预报时历片段为:
相应的对应真实时历为标签矩阵:
该矩阵中不同列数表述不同预报时长下的预报时历片段对应的真实时历,例如第一列表示提前0.5秒预报时对应的真实时历片段为:
第二列表示提前1秒预报时对应的真实时历片段为:
依此类推,最后一列表示提前12秒预报时对应的真实时历片段为:
在进行预报结果对比与误差计算时,选取相应的列数进行对比绘图及误差计算即可。如图11中四级海况下预报结果时历对比图为例,图11中的提前1s预报结果即采用四级海况下的与/>绘制而成,提前12s预报结果即采用/>与/>绘制而成。相应的误差计算中,不同预报时长下的RMSE就是采用对应的这两列数计算得出,NRMSE则是在RMSE计算的基础上,除以对应海况下运动时历的有义值,本发明中四级海况下运动时历有义值为2.3°,如图12五级海况下预报结果对比图所示,五级海况下运动时历有义值为8.1°,如图13六级海况下预报结果对比图所示,六级海况下运动时历有义值为16.3°,如图14七级海况下预报结果对比图所示,七级海况下运动时历有义值为23.3°。
表1预报误差计算结果统计
由图11-图14不同海况下模型预报效果时历对比图中展示的模型预报时历对比图可以看出,在提前预报时长为1秒时,数据混合后的训练模型对四种海况下的预报结果与实际时历曲线之间基本贴合,预报效果较好。当预报时长增长至12秒时,此时该模型对四种工况条件下的时历预报结果仍能保持较好的趋势一致性,可以较好的预报出运动变化情况。
由图15基于数据融合的模型预报误差图中所示,展示的混合模型对四种海况下的预报误差曲线变化可以看出,经过数据混合训练后的模型对四种海况下的预报效果较为接近,曲线变化趋势相近,并且相同时间步长下的预报误差差异较小,整体预报性能较为稳定。结合表1中统计的具体误差数据可以看出,整体预报的相对误差可以保持在7%以下。
以上结果可以说明本发明中提出的多工况数据融合方法可以有效的使深度学习模型在训练过程中提取到更多的不同工况下数据特征,实现对各个工况下预报效果的提升,提升了模型预报效果的稳定性,较好的优化了深度学习模型的泛化性能。
实施例3,本发明实施例提供的基于数据融合的船舶运动极短期预报模型泛化性优化系统包括以下步骤:
多工况船舶运动时间序列读取模块,用于多工况船舶运动时间序列读取;
单工况特征矩阵构建模块,用于单工况特征矩阵构建;
特征矩阵融合模块,用于多工况特征矩阵融合;
深度学习模型构建与训练模块,用于深度学习模型构建与训练;
目标工况运动时历预报模块,用于目标工况运动时历预报;
预报结果模块,用于预报结果输出及误差计算。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
上述装置/单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程。
基于上述本发明实施例记载的技术方案,进一步的可提出以下应用例。
根据本申请的实施例,本发明还提供了一种计算机设备,该计算机设备包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本发明实施例还提供了一种信息数据处理终端,所述信息数据处理终端用于实现于电子装置上执行时,提供用户输入接口以实施如上述各方法实施例中的步骤,所述信息数据处理终端不限于手机、电脑、交换机。
本发明实施例还提供了一种服务器,所述服务器用于实现于电子装置上执行时,提供用户输入接口以实施如上述各方法实施例中的步骤。
本发明实施例还提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行时可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
以上所述,仅为本发明较优的具体的实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于数据融合的船舶运动极短期预报模型泛化性优化方法,其特征在于,该方法针对不同工况下船舶运动时历数据特征的差异性,利用多工况数据融合方法融合不同工况下的时历数据,构建相应的训练集,通过深度学习模型的训练提取多工况下运动时历特征,实现多工况下运动时历预报;具体包括以下步骤:
S1,多工况船舶运动时间序列读取;
S2,单工况特征矩阵构建;
S3,多工况特征矩阵融合;
S4,深度学习模型构建与训练;
S5,目标工况运动时历预报;
S6,预报结果输出及误差计算。
2.根据权利要求1所述的基于数据融合的船舶运动极短期预报模型泛化性优化方法,其特征在于,在步骤S1中,多工况船舶运动时间序列读取包括:针对多个工况条件下的船舶单自由度运动时历数据T={T1,T2…Tn-1,Tn}进行读取;
多个工况条件包括:多个海况等级、多个航速、多个浪向;
船舶单自由度运动时历数据包括:垂荡运动、横摇运动、纵摇运动。
3.根据权利要求1所述的基于数据融合的船舶运动极短期预报模型泛化性优化方法,其特征在于,在步骤S2中,单工况特征矩阵构建包括:依据输入向量阶数p与预报步长q,采用滑动窗口的形式将每个工况下的运动时历数据分割为多组对应的输入与输出,合并成有序的特征矩阵;特征矩阵包括输入矩阵与标签矩阵,其中,输入矩阵表示在预报时所需的历史运动时历输入片段,标签矩阵表示对应的预报时历片段。
4.根据权利要求3所述的基于数据融合的船舶运动极短期预报模型泛化性优化方法,其特征在于,单工况特征矩阵构建中,单工况下时历数据为T={T1,T2…Tn-1,Tn},单工况下时历数据矩阵中的每一行表示不同时刻下输入的历史时历与预报时历片段,第一行中,输入时历片段为{T1,T2…Tp},对应的预报时历片段为{Tp+1,Tp+2…Tp+q};其中,T1,T2…Tp分别表示t1,t2…tp时刻下的船舶运动姿态,Tp+1,Tp+2…Tp+q分别表示tp+1,tp+2…tp+q时刻下的船舶运动姿态。
5.根据权利要求1所述的基于数据融合的船舶运动极短期预报模型泛化性优化方法,其特征在于,在步骤S3中,多工况特征矩阵融合包括:针对数据融合所需的各个工况下船舶运动时历,按照步骤S2进行数据片段拆分与特征矩阵构建,对各工况下的输入输出片段进行均匀混合,得到多工况数据融合的样本训练集。
6.根据权利要求5所述的基于数据融合的船舶运动极短期预报模型泛化性优化方法,其特征在于,通过特征矩阵构建获取四个海况下运动时历的特征矩阵,并进行特征矩阵融合,所述特征矩阵包括输入矩阵与标签矩阵具体包括:
对于输入矩阵和标签矩阵分别抽取四级、五级、六级、七级海况下输入矩阵的第一行,共同作为融合矩阵的Line1,依次抽取第二行、第三行直至最后一行,共同组成融合矩阵的Line2,Line3至Line最后,完成输入矩阵和标签矩阵的融合。
7.根据权利要求1所述的基于数据融合的船舶运动极短期预报模型泛化性优化方法,其特征在于,在步骤S4中,深度学习模型构建与训练包括:在完成多工况运动数据集构建的基础上,进行深度学习模型的构建与训练;通过模型超参数、训练轮数的设定,开展模型训练,最终输出训练完成的船舶运动时历预报模型。
8.根据权利要求7所述的基于数据融合的船舶运动极短期预报模型泛化性优化方法,其特征在于,深度学习模型构建与训练还包括:首先,完成神经网络的构建,对神经网络模型超参数进行设置,包括:神经网络层数、神经元个数、batch-size大小、epoch大小;
然后,针对神经网络模型进行训练,包括:在最开始的第一轮训练中,生成一组初始化的权值矩阵,该权值矩阵内部参数完全随机生成;
最后,以batch-size为单位抽取输入矩阵中与标签矩阵中的对应元素进行训练,矩阵共有Tn-p-1+1行,从中随机抽取64行作为一个batch-size,该batch-size下的数据矩阵与神经网络模型生成的权值矩阵相乘,得到神经网络模型输出的预报结果,通过损失函数计算预报结果与对应的标签数据的误差,并基于该误差采用梯度下降法进行权值矩阵内的权值更新;按照batch-size进行不断的不重复抽取,直至矩阵中的所有行都被抽取计算完成,此时视作完成一轮训练,以此类推,完成3000轮的深度学习模型训练,在完成指定轮数的训练后终止训练,输出训练神经网络模型。
9.根据权利要求1所述的基于数据融合的船舶运动极短期预报模型泛化性优化方法,其特征在于,在步骤S5中,目标工况运动时历预报包括:针对目标工况下的船舶运动时历T′={T1′,T2′…Tn-1′,Tn′},通过步骤S2获取相应的输入矩阵,该特征矩阵满足步骤S4中预报模型的数据输入形式,通过输入该特征矩阵,获取该工况下对应的时历预报结果。
10.根据权利要求8所述的基于数据融合的船舶运动极短期预报模型泛化性优化方法,其特征在于,在输出训练神经网络模型后,使用该神经网络模型对目标工况下的运动时历进行预报测试;定义目标工况下的船舶运动时历表示为T′={T1′,T2′…Tn-1′,Tn′},首先针对该时历按照步骤S2中的滑动窗口处理方式进行预处理,同样的,输入向量阶数设置为p,预报步长设置为q,将其切割为对应的输入矩阵:
式中,T′1,T′2…T′n-q分别表示目标工况下t1,t2…tn-q时刻下的实际船舶运动姿态;
标签矩阵:
″′
式中,Tp+1,Tp+2…Tn分别表示目标工况下tp+1,tp+2…tn时刻下的实际船舶运动姿态;
将输入矩阵作为神经网络模型的输入,通过神经网络模型内部的权重矩阵与输入矩阵之间的运算,可以得到相应的预报时历矩阵:
式中,分别表示目标工况下tp+1,tp+2…tn时刻下预报所得的船舶运动姿态;
在得到预报时历矩阵后,通过对比标签矩阵与预报时历矩阵绘制相应的预报结果对比图与相应的误差;
在步骤S6中,预报结果输出及误差计算包括:通过对比预报所得的时历片段与实际时历片段,绘制预报结果曲线,展示神经网络模型预报效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310701618.XA CN116842381A (zh) | 2023-06-13 | 2023-06-13 | 基于数据融合的船舶运动极短期预报模型泛化性优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310701618.XA CN116842381A (zh) | 2023-06-13 | 2023-06-13 | 基于数据融合的船舶运动极短期预报模型泛化性优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116842381A true CN116842381A (zh) | 2023-10-03 |
Family
ID=88162624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310701618.XA Pending CN116842381A (zh) | 2023-06-13 | 2023-06-13 | 基于数据融合的船舶运动极短期预报模型泛化性优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116842381A (zh) |
Cited By (3)
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 |
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 |
CN117893575A (zh) * | 2024-03-15 | 2024-04-16 | 青岛哈尔滨工程大学创新发展中心 | 图神经网络融入自注意力机制的船舶运动预报方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609685A (zh) * | 2017-08-22 | 2018-01-19 | 哈尔滨工程大学 | 一种基于浮体运动时历包络预测的作业安全期预报系统 |
CN112684701A (zh) * | 2020-12-01 | 2021-04-20 | 哈尔滨工程大学 | 一种基于长短时记忆网络和高斯过程回归的船舶运动预报方法 |
CN113156815A (zh) * | 2021-03-10 | 2021-07-23 | 广东海洋大学 | 一种数据驱动的海上船舶运动姿态实时预报方法 |
CN113283153A (zh) * | 2021-06-15 | 2021-08-20 | 大连海事大学 | 一种变工况下船舶振动设备寿命预测方法 |
CN113408711A (zh) * | 2021-07-15 | 2021-09-17 | 武汉理工大学 | 一种基于lstm神经网络的船舶运动极短期预报方法及系统 |
CN113837454A (zh) * | 2021-09-09 | 2021-12-24 | 武汉大学 | 一种船舶三自由度的混合神经网络模型预测方法及系统 |
CN114298382A (zh) * | 2021-12-13 | 2022-04-08 | 燕山大学 | 船体运动位姿极短期实时预报方法 |
CN114330828A (zh) * | 2021-11-29 | 2022-04-12 | 北京遥测技术研究所 | 一种预报舰船运动静息期的方法 |
CN114357872A (zh) * | 2021-12-24 | 2022-04-15 | 武汉理工大学 | 一种基于stacking模型融合的船舶运动黑箱辨识建模与运动预测方法 |
CN114781074A (zh) * | 2022-06-20 | 2022-07-22 | 交通运输部天津水运工程科学研究所 | 一种复杂环境下船舶仿真模拟及风险评估方法 |
CN115127556A (zh) * | 2022-03-31 | 2022-09-30 | 中国船舶重工集团公司第七0七研究所 | 一种基于lstm神经网络的舰位预测方法 |
CN115944868A (zh) * | 2023-01-16 | 2023-04-11 | 上海海事大学 | 一种舰载消防水炮控制方法 |
CN116245244A (zh) * | 2023-03-08 | 2023-06-09 | 武汉理工大学 | 一种海流影响下船舶航迹极短期预报方法 |
-
2023
- 2023-06-13 CN CN202310701618.XA patent/CN116842381A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609685A (zh) * | 2017-08-22 | 2018-01-19 | 哈尔滨工程大学 | 一种基于浮体运动时历包络预测的作业安全期预报系统 |
CN112684701A (zh) * | 2020-12-01 | 2021-04-20 | 哈尔滨工程大学 | 一种基于长短时记忆网络和高斯过程回归的船舶运动预报方法 |
US20210117796A1 (en) * | 2020-12-01 | 2021-04-22 | Harbin Engineering University | Ship Motion Prediction Method Based on Long Short-Term Memory Network and Gaussian Process Regression |
CN113156815A (zh) * | 2021-03-10 | 2021-07-23 | 广东海洋大学 | 一种数据驱动的海上船舶运动姿态实时预报方法 |
CN113283153A (zh) * | 2021-06-15 | 2021-08-20 | 大连海事大学 | 一种变工况下船舶振动设备寿命预测方法 |
CN113408711A (zh) * | 2021-07-15 | 2021-09-17 | 武汉理工大学 | 一种基于lstm神经网络的船舶运动极短期预报方法及系统 |
CN113837454A (zh) * | 2021-09-09 | 2021-12-24 | 武汉大学 | 一种船舶三自由度的混合神经网络模型预测方法及系统 |
CN114330828A (zh) * | 2021-11-29 | 2022-04-12 | 北京遥测技术研究所 | 一种预报舰船运动静息期的方法 |
CN114298382A (zh) * | 2021-12-13 | 2022-04-08 | 燕山大学 | 船体运动位姿极短期实时预报方法 |
CN114357872A (zh) * | 2021-12-24 | 2022-04-15 | 武汉理工大学 | 一种基于stacking模型融合的船舶运动黑箱辨识建模与运动预测方法 |
CN115127556A (zh) * | 2022-03-31 | 2022-09-30 | 中国船舶重工集团公司第七0七研究所 | 一种基于lstm神经网络的舰位预测方法 |
CN114781074A (zh) * | 2022-06-20 | 2022-07-22 | 交通运输部天津水运工程科学研究所 | 一种复杂环境下船舶仿真模拟及风险评估方法 |
CN115944868A (zh) * | 2023-01-16 | 2023-04-11 | 上海海事大学 | 一种舰载消防水炮控制方法 |
CN116245244A (zh) * | 2023-03-08 | 2023-06-09 | 武汉理工大学 | 一种海流影响下船舶航迹极短期预报方法 |
Non-Patent Citations (3)
Title |
---|
侯建军 等: "基于相空间重构和回声状态网络的舰船摇荡预报", 《中国航海》, no. 03, 25 September 2018 (2018-09-25), pages 90 - 93 * |
刘煜城: "基于深度学习的船舶运动极短期预报方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑(月刊)》, vol. 2020, no. 03, 15 March 2020 (2020-03-15), pages 2 * |
杨晓攀: "船舶多工况横摇运动建模与预报研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑(月刊)》, vol. 2013, no. 09, 15 September 2013 (2013-09-15), pages 3 * |
Cited By (4)
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 |
CN117893575A (zh) * | 2024-03-15 | 2024-04-16 | 青岛哈尔滨工程大学创新发展中心 | 图神经网络融入自注意力机制的船舶运动预报方法及系统 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116842381A (zh) | 基于数据融合的船舶运动极短期预报模型泛化性优化方法 | |
CN110377984B (zh) | 一种工业设备剩余有效寿命预测方法、系统及电子设备 | |
Shen et al. | Wind speed prediction of unmanned sailboat based on CNN and LSTM hybrid neural network | |
US20210150151A1 (en) | Autonomous evolution intelligent dialogue method, system, and device based on a game with a physical environment | |
CN106845530A (zh) | 字符检测方法和装置 | |
US20200410365A1 (en) | Unsupervised neural network training using learned optimizers | |
CN110383298A (zh) | 用于连续控制任务的数据高效强化学习 | |
CN112182362A (zh) | 训练用于在线预测点击率的模型的方法、设备及推荐系统 | |
CN116861202B (zh) | 基于长短期记忆神经网络的船舶运动包络预报方法及系统 | |
CN116842474A (zh) | 一种基于tft模型的舰船运动极短期预报方法及系统 | |
CN109189922B (zh) | 评论评估模型的训练方法和装置 | |
CN112785005A (zh) | 多目标任务的辅助决策方法、装置、计算机设备及介质 | |
CN111177135B (zh) | 一种基于界标的数据填补方法及装置 | |
WO2020013726A1 (ru) | Способ интерпретации искусственных нейронных сетей | |
CN111738017A (zh) | 一种意图识别方法、装置、设备及存储介质 | |
Zhang et al. | A data driven method for multi-step prediction of ship roll motion in high sea states | |
CN113010687A (zh) | 一种习题标签预测方法、装置、存储介质以及计算机设备 | |
CN108710713A (zh) | 一种求解含区间参数结构的静力学响应的贝叶斯配点方法 | |
Li et al. | Research on recommendation algorithm based on e-commerce user behavior sequence | |
CN112766462A (zh) | 数据处理方法、装置及计算机可读存储介质 | |
CN111563767A (zh) | 股票价格预测方法及装置 | |
CN117893575A (zh) | 图神经网络融入自注意力机制的船舶运动预报方法及系统 | |
CN111325387A (zh) | 可解释法律自动判决预测方法及装置 | |
CN116663563B (zh) | 基于多任务负采样的跨领域实体链接方法、装置及介质 | |
Malik et al. | Towards a Stock Price Prediction on Time Series Data using Long-Short Term Memory Method |
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 |