CN116861202B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116861202B CN116861202B CN202311133272.4A CN202311133272A CN116861202B CN 116861202 B CN116861202 B CN 116861202B CN 202311133272 A CN202311133272 A CN 202311133272A CN 116861202 B CN116861202 B CN 116861202B
- Authority
- CN
- China
- Prior art keywords
- envelope
- data
- ship motion
- ship
- motion
- 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.)
- Active
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 535
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 53
- 230000007787 long-term memory Effects 0.000 title claims abstract description 20
- 230000006403 short-term memory Effects 0.000 title claims abstract description 18
- 238000013277 forecasting method Methods 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 222
- 238000012360 testing method Methods 0.000 claims abstract description 166
- 238000000034 method Methods 0.000 claims abstract description 95
- 238000003062 neural network model Methods 0.000 claims abstract description 69
- 230000015654 memory Effects 0.000 claims abstract description 38
- 238000013507 mapping Methods 0.000 claims abstract description 22
- 239000000203 mixture Substances 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 21
- 238000005520 cutting process Methods 0.000 claims description 18
- 239000012634 fragment Substances 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000014509 gene expression Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 description 25
- 230000008569 process Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 9
- 238000005096 rolling process Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 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
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- G06N3/08—Learning methods
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)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (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,公开了基于长短期记忆神经网络的船舶运动包络预报方法及系统。该方法包括:根据船舶运动时历数据和船舶运动包络数据,截取与包络时历数据对应的时历片段,基于得到的包络时历数据和运动时历数据重构包络反演的训练集和测试集;建立神经网络模型,训练得到包络时历数据与运动时历数据的映射关系,并将完整的船舶运动时历数据输入得到的神经网络模型,反演得到完整的船舶运动包络时历数据;然后将得到的船舶运动包络时历数据划分为训练集和测试集,并输入到长短期记忆神经网络模型中,训练得到LSTM包络预报模型的参数。本发明可明显提升有效预报时长和预报精度,具有更重要的工程意义。
Description
技术领域
本发明属于船舶与海洋工程技术领域,尤其涉及一种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。
背景技术
随着海洋资源探测和开发的不断推进,海上作业和海上航行的需求变得越来越频繁和越来越复杂。其中船舶作为应用最广泛的海上交通工具和海上作业的载体,它从设计到使用都需要考虑六自由度运动对船舶本身以及海上作业效果的影响。在恶劣海况下,剧烈的摇荡运动不仅会影响船上设施的正常运行造成财产损失,甚至还会造成人员伤亡。因此如何精准预测船舶运动的时历数据的相关特征,从而指导相关作业的进行成为了需要被解决的问题。
而对于船舶运动的预报工作,主要有两个问题需要被解决。其一,由于船舶运动时历数据是周期性数据且周期较短,这使得在直接对运动时历数据进行预报时,可预报时长较短,实际使用价值较低。其二,目前用于预报船舶运动的方法可分为四类:基于水动力方法的预报模型,传统时序预报模型,神经网络模型,混合模型。因此,选择何种模型进行预报也是需要解决的问题。
由于传统的水动力模型中并没有船舶运动包络项,以及基于水动力方法的预报模型的时效性较差,因此基于水动力方法的预报模型不适用。而传统时序预报模型虽然计算效率较好但是预报效果较差,因此选用可以专门提取数据时序特征的长短期记忆(LSTM)神经网络模型进行预报。并且能够通过提前完成离线训练预报模型,达到同时兼顾预报结果的准确度与计算效率的目的。由于船舶六自由度运动时历数据的周期较短,会导致数据的有效预报时长较短。并且在实际船舶作业时,受关注的船舶运动时历数据的特征是运动幅值的极值及其变化趋势,因此可以提取船舶运动包络时历数据,在保证船舶运动幅值特征不丢失的同时,将短周期数据转化为长周期数据,从而有效提高可预报时长。
现有资料中,在船舶运动包络预报方面,现有技术提供一种基于浮体运动时历包络预测的作业安全期预报系统,此方案包括人机交互、运动数据测量、数据预处理(包络提取)、数值计算(时间序列预报)和辅助决策,共五个模块,整体偏向一种系统。此方案采用极值提取和样条拟合得到船舶运动包络时历,其预报模型包括线性时间序列模型、非线性时间序列模型和神经网络模型,但并未说明预报模型中数据分割以及模型训练的具体算法。
该基于浮体运动时历包络预测的作业安全期预报系统接近方案的缺陷是在进行船舶运动包络时历提取的时候,采用的极值提取结合样条拟合的方式,此方法提取的船舶运动包络时历,在数据的两端会出现明显的异常值片段,即在两端的包络时历数据与真实的包络数据直接存在巨大差异,进而直接对船舶运动包络预报结果产生负面影响,降低预报结果精度。
在基于长短期记忆神经网络模型的船舶运动预报方面,现有技术提出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。该方案对获取的某一自由度下的船舶运动历史数据进行归一化处理,形成船舶运动原始时间序列;将原始时间序列分为训练集和测试集;训练集和测试集重新构造数据集,建立长短时记忆网络模型进行预测,得到第一次船舶运动的预测结果;重新构造数据集,建立高斯过程回归模型进行预测,得到第二次船舶运动的预测结果;将高斯过程回归模型得到的预测结果进行反归一化,得到最终的船舶运动预测结果。
该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方案的缺陷是直接使用船舶运动时历数据进行预报,由于船舶运动数据具有周期短的特点,导致有效预报时长比较短,仅仅实现提前1s的预报。
通过上述分析,现有技术存在的问题及缺陷为:
(1)在船舶运动包络预报方面,已有方案采用极值提取和样条拟合得到船舶运动包络时历,此方法得到的包络时历数据,在时间序列的两端会出现包络数据拟合异常的问题,即端点效应。尤其是序列末端的异常包络数据,会对船舶运动包络预测产生明显的负面影响;
(2)在基于长短期记忆神经网络模型的船舶运动预报方面,已有的实现方案是直接对船舶某一自由度运动时历进行极短期预报,由于船舶运动时历具有周期较短的特点,因此现有技术方案的有效预报时长较短,对于实际工程应用意义较小。
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长短期记忆神经网络的船舶运动包络预报方法及系统。
所述技术方案如下:基于长短期记忆神经网络的船舶运动包络预报方法,包括以下步骤:
S1,提取船舶运动时历数据,得到船舶运动极值数据,对船舶运动极值数据进行三次样条拟合并截去两端数据,得到船舶运动包络时历数据;
S2,从船舶运动时历数据中截取与包络时历数据对应的片段,得到包络时历数据和运动时历数据,重构包络反演的训练集和测试集;
S3,建立神经网络模型,训练得到包络时历数据与运动时历数据的映射关系,并将完整的船舶运动时历数据输入建立的神经网络模型,反演得到完整的船舶运动包络时历数据;
S4,将得到的船舶运动包络时历数据划分为训练集和测试集,并输入到长短期记忆神经网络模型中,训练得到LSTM包络预报模型的参数;
S5,使用包络反演模型和预报模型,基于过去一段时间的船舶运动时历数据对未来一段时间的船舶运动上下包络时历数据进行预测。
在步骤S1中,提取船舶运动时历数据,得到船舶运动极值数据包括:得到船舶某一自由度运动时历数据为,/>,若/>,则将/>与/>,/>,/>,/>对应的运动幅值进行比较;
若,则将/>提取为船舶运动极大值,最终得到船舶运动极大值时历数据/>;
若,则将/>提取为船舶运动极小值,最终得到船舶运动极小值时历数据/>;
所述对船舶运动极值数据进行三次样条拟合并截去两端数据,得到船舶运动包络时历数据包括:按照极值点数量,将得到的船舶运动极大值时历数据与船舶运动极小值时历数据/>分别划分为/>和/>间隔;设函数表示/>与/>的间隔中的数值,根据包络线连续光滑的要求,设置边界条件来求解参数,得到船舶运动包络曲线;设置采样频率为船舶运动时历数据频率,从得到的船舶运动上下包络线中采样得到船舶运动上包络时历数据/>和船舶运动下包络时历数据;设置两端截断长度/>,对船舶运动包络数据进行裁剪,得到船舶运动上包络时历数据/>和船舶运动下包络时历数据/>。
在步骤S2中,从船舶运动时历数据中截取与包络时历数据对应的片段包括:
船舶运动时历数据与船舶运动包络时历数据频率相同,从船舶运动时历数据为,,分别截取得到与船舶运动上包络时历数据/>对应的运动时历数据和与船舶运动下包络时历数据/>对应的运动时历数据/>;
将船舶运动上包络时历数据和其对应的运动时历数据/>均分割为两部分,分别作为训练集和测试集的数据来源,其中训练集所用数据具体包括:
,
;
其中,为训练集所用的船舶运动上包络时历数据,/>为训练集所用的船舶运动时历数据;
其余部分为测试集所用数据,具体包括:
,
;
其中,为测试集所用的船舶运动上包络时历数据,/>为测试集所用的船舶运动时历数据;
将船舶运动下包络时历数据和其对应的运动时历数据/>均分割为两部分,分别作为训练集和测试集的数据来源,其中训练集所用数据具体包括:
,
;
其中,为训练集所用的船舶运动上包络时历数据,/>为训练集所用的船舶运动时历数据;
其余部分为测试集所用数据,具体包括:
,
;
其中,为测试集所用的船舶运动上包络时历数据,/>为测试集所用的船舶运动时历数据;
其中,训练集和测试集的数据数量根据实际需求设置。
在步骤S2中,重构包络反演的训练集和测试集,具体包括:
设置窗口长度为,从划分得到的/>中分别采用滑动窗口法提取出以下表达式:
,
,
,
;
从中分别提取出:
,
,
,
;
然后,构建出上包络反演训练集,上包络反演测试集,其中,
,
,
,
;
其中,为上包络反演训练集中的标签部分,由若干个上包络时历片段组成;/>为上包络反演训练集中的特征部分,由若干个运动时历片段/>组成;为上包络反演测试集的标签部分,由若干个上包络时历片段/>组成;/>为上包络反演测试集中的特征部分,由若干个运动时历片段/>组成;
构建出下包络反演训练集,下包络反演测试集,
其中,
,
,
,
;
式中,为下包络反演训练集中的标签部分,由若干个下包络时历片段组成;/>为下包络反演训练集中的特征部分,由若干个运动时历片段组成;/>为下包络反演测试集的标签部分,由若干个下包络时历片段组成;/>为下包络反演测试集中的特征部分,由若干个运动时历片段组成。
在步骤S3中,建立神经网络模型,包括:
将得到的上包络反演训练数据集和下包络反演训练数据集分别输入神经网络模型中,设置数据集中的运动时历数据为特征,包络时历数据为标签,通过神经网络模型参数迭代,学习运动时历数据与包络时历数据的映射关系,最终得到船舶运动上包络反演模型和船舶运动下包络反演模型;上包络数据集用于训练迭代得到上包络反演模型,下包络数据集用于训练迭代得到下包络反演模型;
将船舶运动时历数据为,/>,输入两个反演模型中,得到神经网络船舶运动上包络时历数据/>和神经网络船舶运动下包络时历数据/>。
进一步,所述神经网络包括ANN神经网络、LSTM模型、GRU模型、RNN模型中的一种。
在步骤S4中,训练得到LSTM包络预报模型的参数包括:
训练得到包络时历数据与运动时历数据的映射关系,并将完整的船舶运动时历数据输入得到的神经网络模型,反演得到完整的船舶运动包络时历数据;然后将得到的船舶运动包络时历数据划分为训练集和测试集,并输入到长短期记忆神经网络模型中,训练得到LSTM包络预报模型的参数;
将得到的神经网络船舶运动包络时历数据分别分割为两部分,训练集所用数据与测试集所用数据;
根据得到的训练集与测试集所用的数据,采用滑动窗口法构建船舶运动上包络数据集和船舶运动下包络数据集,数据集包括训练集和测试集;
构建长短期记忆神经网络模型,分别将船舶运动上包络数据集和船舶运动下包络数据集输入初始模型中,经过模型参数训练,最终得到船舶运动上包络与下包络预测模型。
在步骤S4中,将得到的船舶运动包络时历数据划分为训练集和测试集包括:
将得到的船舶运动上包络时历数据与船舶运动下包络时历数据/>,分别划分为训练集与测试集,得到船舶运动上包络预报训练集/>与船舶运动上包络预报测试集/>以及船舶运动下包络预报训练集/>与船舶运动下包络预报测试集,其中训练集与测试集的数据数量根据实际需求设定;
根据得到的训练集与测试集构建船舶运动上包络数据集和船舶运动下包络数据集具体包括:
设置历史输入步长back,以及提前预测步长ahead,从得到的上包络预报训练集所用数据中采用滑动窗口法提取/>以及,从得到的上包络预报测试集所用数据/>中采用滑动窗口法提取/>以及;然后构建上包络预报训练集,其中/>,;构建上包络预报测试集/>,其中,/>;
其中,为船舶运动上包络时历预报训练集中的特征部分,由若干个船舶运动上包络时历片段/>组成;/>为船舶运动上包络时历预报训练集中的标签部分,由若干个船舶运动上包络时历片段/>组成;/>为船舶运动上包络时历预报测试集中的特征部分,由若干个船舶运动上包络时历片段/>组成;/>为船舶运动上包络时历预报测试集中的标签部分,由若干个船舶运动上包络时历片段/>组成;
同样地,根据得到的下包络预报训练集和下包络预报测试集/>,构建下包络预报训练数据集/>和下包络预报测试数据集/>;
其中,为船舶运动下包络时历预报训练集中的特征部分,由若干个船舶运动下包络时历片段组成;/>为船舶运动下包络时历预报训练集中的标签部分,由若干个船舶运动下包络时历片段组成;/>为船舶运动下包络时历预报测试集中的特征部分,由若干个船舶运动下包络时历片段组成;/>为船舶运动下包络时历预报测试集中的标签部分,由若干个船舶运动下包络时历片段组成;根据得到的数据集分别构建长短期记忆神经网络模型,得到船舶运动上包络与下包络预测结果包括:建立长短期记忆神经网络模型,其中输入层节点数为back,隐藏层节点数为ahead,输出层节点数为1,神经元数量可根据具体情况调整;输入为船舶运动时间序列/>,输出为输入序列后ahead个步长的时刻的预测结果/>,输出/>内任意步长的预报结果;神经网络隐藏层计算后得到的输出为/>,网络输出为/>,其中/>,/>为权重矩阵,/>为偏移量;将训练数据集中的/>输入模型进行计算,将计算结果与训练数据集中的/>进行损失函数计算,迭代优化得到预测模型,其中损失函数的计算方式可选择均方误差、均方根误差、平均绝对误差和平均绝对百分比误差,最后将测试数据集中的/>输入训练完成的模型中可得到预测结果。
在步骤S5中,使用包络反演模型和预报模型,基于过去一段时间的船舶运动时历数据对未来一段时间的船舶运动上下包络时历数据进行预测包括:将得到的两个包络预报模型与所得的两个包络预报模型进行拼接,分别得到船舶运动上包络预测模型和船舶运动下包络预测模型。
本发明的另一目的在于提供一种基于长短期记忆神经网络的船舶运动包络预报系统,实施所述基于长短期记忆神经网络的船舶运动包络预报方法,该系统包括:
船舶运动包络时历数据获取模块,用于提取船舶运动时历数据,得到船舶运动极值数据,对船舶运动极值数据进行三次样条拟合并截去两端数据,得到船舶运动包络时历数据;
包络反演训练集和测试集重构模块,用于从船舶运动时历数据中截取与包络时历数据对应的片段,得到包络时历数据和运动时历数据,重构包络反演的训练集和测试集;
包络反演模型模块,用于建立神经网络模型,训练得到包络时历数据与运动时历数据的映射关系,并将完整的船舶运动时历数据输入建立的神经网络模型,反演得到完整的船舶运动包络时历数据;
预报模型获取模块,用于将得到的船舶运动包络时历数据划分为训练集和测试集,并输入到长短期记忆神经网络模型中,训练得到LSTM包络预报模型的参数;
预测模块,使用包络反演模型和预报模型,基于过去一段时间的船舶运动时历数据对未来一段时间的船舶运动上下包络时历数据进行预测。
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:针对上述技术问题,本发明采用极值提取结合三次样条拟合得到截去两端后的船舶运动包络时历数据(样条),并且在船舶运动时历数据中截取与得到的包络时历数据(样条)对应的片段。基于得到的包络时历数据(样条)和运动时历数据进行数据分割,得到训练集和测试集,并通过建立神经网络模型,训练得到船舶运动时历数据与船舶运动包络数据的映射关系,实现由船舶运动时历数据直接反演得到船舶运动包络时历数据(神经网络),从而避免端点效应对运动预报的负面影响。
本发明采用神经网络模型,基于船舶运动时历反演得到船舶运动包络时历,然后采用长短期记忆神经网络(LSTM)模型对船舶运动包络时历进行预报。由于船舶运动包络时历周期更长,故本发明可明显提升有效预报时长,具有更重要的工程意义。
本发明通过采用神经网络模型代替极值提取结合三次样条拟合的方法进行船舶运动包络时历提取,解决了传统船舶运动包络预报中,由于采用三次样条方法进行包络提取产生的两端数据异常所引起的船舶运动包络预报精度大幅下降问题。
本发明通过采用船舶运动包络提取对时历数据进行前处理,解决了在实际工程应用中,使用船舶运动时历进行直接预报导致的船舶运动特征有效预报时长较短的问题。
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长短期记忆神经网络的船舶运动包络预报方法流程图;
图2是本发明实施例提供的基于长短期记忆神经网络的船舶运动包络预报方法原理图;
图3是本发明实施例提供的船舶横摇时历数据图;
图4是本发明实施例提供的船舶横摇极值提取结果图;
图5是本发明实施例提供的船舶横摇包络提取结果(样条)图;
图6是本发明实施例提供的船舶横摇包络提取结果(神经网络)图;
图7是本发明实施例提供的船舶横摇包络提前6s预报结果图;
图8是本发明实施例提供的船舶横摇包络提前9s预报结果图;
图9是本发明实施例提供的船舶横摇包络提前12s预报结果图。
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。
如图1所示,本发明实施例提供一种基于长短期记忆神经网络的船舶运动包络预报方法包括以下步骤:
S1,提取船舶运动时历数据,得到船舶运动极值数据,对船舶运动极值数据进行三次样条拟合并截去两端数据,得到船舶运动包络时历数据;
S2,从船舶运动时历数据中截取与包络时历数据对应的片段,得到包络时历数据和运动时历数据,重构包络反演的训练集和测试集;
S3,建立神经网络模型,训练得到包络时历数据与运动时历数据的映射关系,并将完整的船舶运动时历数据输入得到的神经网络模型,反演得到完整的船舶运动包络时历数据;
S4,将得到的船舶运动包络时历数据划分为训练集和测试集,并输入到长短期记忆神经网络模型中,训练得到LSTM包络预报模型的参数;
S5,使用包络反演模型和预报模型,基于过去一段时间的船舶运动时历数据对未来一段时间的船舶运动上下包络时历数据进行预测。
在步骤S3中,反演得到完整的船舶运动包络时历数据后,将得到的船舶运动包络时历数据(神经网络)划分为训练集和测试集,并输入到长短期记忆神经网络模型中,训练得到该预报模型的参数。
实施例1,作为本发明的另一种实施方式,如图2所示,本发明实施例提供的基于长短期记忆神经网络的船舶运动包络预报方法包括:
步骤1:对得到的船舶某一自由度运动时历数据进行极值提取,分别得到船舶运动极大值与极小值时历数据。具体方法为:得到船舶某一自由度运动时历数据为,,若/>,则将/>与/>,/>,/>,/>对应的运动幅值进行比较;
若,则将/>提取为船舶运动极大值,最终得到船舶运动极大值时历数据/>;
若,则将/>提取为船舶运动极小值,最终得到船舶运动极小值时历数据/>。
可以理解,本发明通过一个判断函数对船舶运动时间里数据进行遍历,从而选择出船舶运动数据中的极大值和极小值,最终分别生成一个极大值序列和极小值序列;
步骤2:使用三次样条拟合的方法,对步骤1中提取出的运动极大值与极小值时历数据进行拟合,并对拟合数据进行采样和裁剪,分别得到船舶运动上下包络时历数据(样条)。所述的步骤2的具体方法为,按照极值点数量,将得到的船舶运动极大值时历数据与船舶运动极小值时历数据/>分别划分为/>和/>间隔;设函数表示/>与/>的间隔中的数值,根据包络线连续光滑的要求,设置边界条件来求解参数,得到船舶运动包络曲线;设置采样频率为船舶运动时历数据频率,从得到的船舶运动上下包络线中采样得到船舶运动上包络时历数据/>和船舶运动下包络时历数据;设置两端截断长度/>,对船舶运动包络数据进行裁剪,得到船舶运动上包络时历数据/>和船舶运动下包络时历数据/>。
可以理解,该步骤2其技术作用是根据步骤1所得的极大值和极小值序列,采用三次样条法进行拟合,得到船舶运动上包络时历数据和下包络运动数据,并对得到的包络数据的两端异常片段进行裁剪,保证所得包络数据的准确性;
步骤3:根据步骤2中得到的船舶运动包络时历数据(样条),从船舶运动时历数据中截取与之在时间上对应的片段。所述的步骤3的具体方法为,由于船舶运动时历数据与船舶运动包络时历数据频率相同,因此可从船舶运动时历数据为,/>,分别截取得到与船舶运动上包络时历数据/>对应的运动时历数据和与船舶运动下包络时历数据/>对应的运动时历数据/>。
可以理解,该步骤3创新的首次提出对应的运动时历数据、对应的运动时历数据的计算模型,其技术作用是分别找到与上包络数据和下包络数据对应的船舶运动数据,为后续构建包络反演数据集进行铺垫。
步骤4,将船舶运动上包络时历数据和其对应的运动时历数据/>均分割为两部分,分别作为训练集和测试集的数据来源,其中训练集所用数据具体包括:
,
;
其中,为训练集所用的船舶运动上包络时历数据,/>为训练集所用的船舶运动时历数据;
其余部分为测试集所用数据,具体包括:
,
;
其中,为测试集所用的船舶运动上包络时历数据,/>为测试集所用的船舶运动时历数据;
将船舶运动下包络时历数据和其对应的运动时历数据/>均分割为两部分,分别作为训练集和测试集的数据来源,其中训练集所用数据具体包括:
,
;
其中,为训练集所用的船舶运动上包络时历数据,/>为训练集所用的船舶运动时历数据;
其余部分为测试集所用数据,具体包括:
,
;
其中,为测试集所用的船舶运动上包络时历数据,/>为测试集所用的船舶运动时历数据;
其中,训练集和测试集的数据数量根据实际需求设置。
可以理解,步骤4其技术作用是按照需求对生成的两组数据(上包络与对应的运动时历,下包络与对应的运动时历)进行数据分割,最终得到两组训练集数据和测试集数据;
步骤5:基于得到的包络时历数据和运动时历数据重构包络反演的训练集和测试集中设置窗口长度,从划分的训练集和测试集数据中提取数据,构建上包络反演数据集和下包络反演数据集,具体包括:设置窗口长度为,从划分得到的/>中分别采用滑动窗口法提取出以下表达式:
,/>
,
,
;
从中分别提取出:
,
,
,
;
然后,构建出上包络反演训练集,上包络反演测试集,其中,
,
,
,
;
其中,为上包络反演训练集中的标签部分,由若干个上包络时历片段组成;/>为上包络反演训练集中的特征部分,由若干个运动时历片段/>组成;为上包络反演测试集的标签部分,由若干个上包络时历片段/>组成;/>为上包络反演测试集中的特征部分,由若干个运动时历片段/>组成;
构建出下包络反演训练集,下包络反演测试集,
其中,
,
,
,
;
式中,为下包络反演训练集中的标签部分,由若干个下包络时历片段组成;/>为下包络反演训练集中的特征部分,由若干个运动时历片段组成;/>为下包络反演测试集的标签部分,由若干个下包络时历片段组成;/>为下包络反演测试集中的特征部分,由若干个运动时历片段组成。/>
可以理解,步骤5所涉及的计算模型首次创新提出,技术作用是采用滑动窗口的方式对步骤4所得两组训练集数据和测试集进行数据分割,最终得到两组训练集和测试集(上包络反演训练集与测试集,下包络反演训练集和测试集),每组训练集和测试集包含若干个长度为w的运动包络片段和对应的时历片段;
步骤6:建立神经网络模型,即神经网络包络反演模型,基于步骤5得到的上包络反演数据集和下包络反演数据集进行训练,使神经网络模型学习船舶运动时历数据与船舶运动包络时历数据之间的映射关系,得到船舶运动上包络反演模型和船舶运动下包络反演模型,最后将完整的船舶运动时历数据输入两个模型中,得到船舶运动包络时历数据(神经网络)。
其中,建立神经网络模型包括:将得到的上包络反演训练数据集和下包络反演训练数据集/>分别输入神经网络模型中,设置数据集中的运动时历数据为特征,包络时历数据为标签,通过神经网络模型参数迭代,学习运动时历数据与包络时历数据的映射关系,最终得到船舶运动上包络反演模型和船舶运动下包络反演模型;
将船舶运动时历数据为,/>,输入两个反演模型中,得到神经网络船舶运动上包络时历数据/>和神经网络船舶运动下包络时历数据/>。
其中,上包络数据集(训练集和测试集)用于训练迭代得到上包络反演模型,下包络部分同理。得到的模型中包含时历到包络的映射关系,向此模型中输入运动时历就可输出包络时历。可以理解,数据集和模型是对应关系,一个数据集训练得到一个模型。
可以理解步骤6所用计算模型是首次创新提出,其技术作用是基于步骤5得到的两组训练集和数据集,构建神经网络模型,分别训练出船舶运动上包络反演模型和船舶运动下包络反演模型。此处的神经网络模型可使用ANN模型、LSTM模型、GRU模型、RNN模型。
在本发明实施例中,训练得到包络时历数据与运动时历数据的映射关系,并将完整的船舶运动时历数据输入得到的神经网络模型,反演得到完整的船舶运动包络时历数据;然后将得到的船舶运动包络时历数据划分为训练集和测试集,并输入到长短期记忆神经网络模型中,训练得到LSTM包络预报模型的参数;
将得到的神经网络船舶运动包络时历数据分别分割为两部分,训练集所用数据与测试集所用数据;
根据得到的训练集与测试集所用的数据,采用滑动窗口法构建船舶运动上包络数据集和船舶运动下包络数据集,数据集包括训练集和测试集;
构建长短期记忆神经网络模型,分别将船舶运动上包络数据集和船舶运动下包络数据集输入初始模型中,经过模型参数训练,最终得到船舶运动上包络与下包络预测模型。
可以理解,本发明最终在进行船舶运动包络预报的过程是分为两步完成,首先通过所述的包络反演模型完成从船舶运动时历到船舶运动包络时历的反演;然后通过所述的包络预测模型,完成根据过去一段时间的船舶运动包络时历预测未来一段时间的船舶运动包络时历。
步骤:7:将步骤6中得到的船舶运动包络时历数据(神经网络)分别分割为训练集与测试集包括:
将得到的船舶运动上包络时历数据与船舶运动下包络时历数据/>,分别划分为训练集与测试集,得到船舶运动上包络预报训练集/>与船舶运动上包络预报测试集/>以及船舶运动下包络预报训练集/>与船舶运动下包络预报测试集,其中训练集与测试集的数据数量根据实际需求设定;
步骤8,根据得到的训练集与测试集构建船舶运动上包络数据集和船舶运动下包络数据集具体包括:
设置历史输入步长back,以及提前预测步长ahead,从步骤7中得到的上包络预报训练集所用数据中采用滑动窗口法提取/>以及,从得到的上包络预报测试集所用数据/>中采用滑动窗口法提取/>以及;然后构建上包络预报训练集,其中/>,;构建上包络预报测试集/>,其中,/>;
其中,为船舶运动上包络时历预报训练集中的特征部分,由若干个船舶运动上包络时历片段/>组成;/>为船舶运动上包络时历预报训练集中的标签部分,由若干个船舶运动上包络时历片段/>组成;/>为船舶运动上包络时历预报测试集中的特征部分,由若干个船舶运动上包络时历片段/>组成;/>为船舶运动上包络时历预报测试集中的标签部分,由若干个船舶运动上包络时历片段/>组成;
同样地,根据得到的下包络预报训练集和下包络预报测试集/>,构建下包络预报训练数据集/>和下包络预报测试数据集/>;
其中,为船舶运动下包络时历预报训练集中的特征部分,由若干个船舶运动下包络时历片段组成;/>为船舶运动下包络时历预报训练集中的标签部分,由若干个船舶运动下包络时历片段组成;/>为船舶运动下包络时历预报测试集中的特征部分,由若干个船舶运动下包络时历片段组成;/>为船舶运动下包络时历预报测试集中的标签部分,由若干个船舶运动下包络时历片段组成;
根据得到的数据集分别构建长短期记忆神经网络模型,得到船舶运动上包络与下包络预测结果包括:建立长短期记忆神经网络模型,其中输入层节点数为back,隐藏层节点数为ahead,输出层节点数为1,神经元数量可根据具体情况调整;输入为船舶运动时间序列,输出为输入序列后ahead个步长的时刻的预测结果/>,输出/>内任意步长的预报结果;神经网络隐藏层计算后得到的输出为/>,网络输出为,其中/>,/>为权重矩阵,/>为偏移量;将训练数据集中的/>输入模型进行计算,将计算结果与训练数据集中的/>进行损失函数计算,迭代优化得到预测模型,其中损失函数的计算方式可选择均方误差、均方根误差、平均绝对误差和平均绝对百分比误差,最后将测试数据集中的/>输入训练完成的模型中可得到预测结果。
可以理解,步骤7所用计算模型是首次创新提出,其技术作用是基于步骤6训练得到的上包络与下包络反演模型,输入船舶运动时历数据,反演得到新的船舶运动包络数据。
可以理解,步骤8所用计算模型是首次创新提出,其技术作用是基于步骤7所得的船舶运动包络数据,采用滑动窗口法,构建出船舶运动包络预报训练集和测试集,为后续运动包络预报提供数据支持。
步骤9:根据步骤8中的到的数据集分别构建长短期记忆神经网络模型(LSTM包络预报模型),得到船舶运动上包络与下包络预测结果。所述的步骤9的具体方法为,建立长短期记忆神经网络模型(LSTM包络预报模型),其中输入层节点数为back,隐藏层节点数为ahead,输出层节点数为1,神经元数量可根据具体情况调整。输入为船舶运动时间序列,输出为输入序列后ahead个步长的时刻的预测结果/>,即可以输出内任意步长的预报结果。神经网络隐藏层计算后得到的输出为/>,网络输出为,其中/>,/>为权重矩阵,/>为偏移量。将训练数据集中的/>输入模型进行计算,将计算结果与训练数据集中的/>进行损失函数计算,迭代优化得到预测模型,其中损失函数的计算方式可选择均方误差、均方根误差、平均绝对误差和平均绝对百分比误差,最后将测试数据集中的/>输入训练完成的模型中可得到预测结果。
可以理解,步骤9所用计算模型是首次创新提出,其技术作用是基于步骤8构建的船舶运动包络预报训练集和测试集,构建LSTM模型,迭代学习船舶运动包络的时间关联性,得到船舶运动包络预报模型。此处的LSTM模型可以更换为ANN模型、GRU模型、RNN模型;步骤9中所用计算模型技术作用还包括:将两个运动包络反演模型(上包络,下包络)和两个包络预报模型(上包络,下包络),将两组模型拼接起来,即可实现输入历史运动数据,得到未来一段时间的运动包络预报结果。
步骤10:将步骤6得到的两个包络预报模型与步骤9所得的两个包络预报模型进行拼接,分别得到船舶运动上包络预测模型和船舶运动下包络预测模型。
可以理解,步骤9与步骤10中所得的预报模型的不同之处在于,步骤9所得预报模型的输入为运动包络,步骤10所得预报模型输入为运动时历数据,步骤9所得的预报模型是步骤10所得的预报模型的一部分。
通过上述实施例提供的技术方案,可以知道,传统的极值提取结合样条拟合的包络提取方法,会在提取得到的包络时历数据的两端出现数据异常,进而对后续的包络预报结果产生明显的负面影响。针对此问题,本发明采用神经网络模型,使用传统包络提取得到的正常包络时历数据和船舶运动时历数据构建数据集,学习运动时历数据与包络时历数据的映射关系,得到船舶运动包络反演模型。将船舶运动数据输入模型中即可得到船舶运动包络时历数据,从而避开传统包络提取方法的弊端。
针对船舶运动时历有效预报时长较短的问题,通过建立神经网络模型学习,将船舶运动时历数据转化为船舶运动包络时历数据,在保证能够为海上作业提供船舶运动特征的同时,提升有效预报时长,具有工程应用意义。
本发明创造性在于:传统的极值提取结合样条拟合的包络提取方法,会在提取得到的包络时历数据的两端出现数据异常,进而对后续的包络预报结果产生明显的负面影响。针对此问题,本发明采用神经网络模型,使用传统包络提取得到的正常包络时历数据和船舶运动时历数据构建数据集,学习运动时历数据与包络时历数据的映射关系,得到船舶运动包络反演模型。将船舶运动数据输入模型中即可得到船舶运动包络时历数据,从而避开传统包络提取方法的弊端。在实际船舶作业时,受关注的船舶运动时历数据的特征是运动幅值的范围及其变化趋势,在这一点上船舶运动预报和船舶运动包络预报都可以达到此目的。但是由于船舶运动时历数据周期较短,因此其有效预报时长较短;而在船舶运动包络预报中,通过包络提取,可以得到周期更长的船舶运动包络时历数据,因此有效预报时长会明显增长。
总之,本发明通过神经网络模型,建立船舶运动时历数据与船舶运动包络时历数据的映射关系,实现由船舶运动时历数据反演船舶运动包络时历数据,避开传统包络提取方法由于样条拟合产生的两端数据异常的问题,消除两端数据异常对后续预报的负面影响。
本发明通过提取船舶运动包络时历数据,将短周期数据转化为长周期数据。又由于海上作业不需要知道未来一段时间内每时每刻的运动,仅仅需要知道未来一段时间内的运动幅值范围即可,因此本发明可在保证能够为海上作业提供船舶运动状态的同时,提升有效预报时长,具有工程应用意义。
实施例2,本发明实施例提供一种基于长短期记忆神经网络的船舶运动包络预报系统包括:
船舶运动包络时历数据获取模块,用于提取船舶运动时历数据,得到船舶运动极值数据,对船舶运动极值数据进行三次样条拟合并截去两端数据,得到船舶运动包络时历数据;
包络反演训练集和测试集重构模块,用于从船舶运动时历数据中截取与包络时历数据对应的片段,得到包络时历数据和运动时历数据,重构包络反演的训练集和测试集;
神经网络模型模块,用于建立神经网络模型,训练得到包络时历数据与运动时历数据的映射关系,并将完整的船舶运动时历数据输入得到的神经网络模型,反演得到完整的船舶运动包络时历数据;
预报模型获取模块,用于将得到的船舶运动包络时历数据划分为训练集和测试集,并输入到长短期记忆神经网络模型中,训练得到LSTM包络预报模型的参数;
预测模块,使用包络反演模型和预报模型,基于过去一段时间的船舶运动时历数据对未来一段时间的船舶运动上下包络时历数据进行预测。
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。
为进一步证明上述实施例的积极效果,本发明基于上述技术方案进行如下实验。
实验过程:
实例1:数据选择浪向角135°,航速15节,五级海况下的某船型的5h横摇运动时历仿真数据,时间步长为0.5s,船舶横摇时历数据,如图3所示。
本发明实验实例提供一种基于长短期记忆神经网络的船舶运动包络预报方法包括:
步骤1:对得到的船舶某一自由度运动时历数据进行极值提取,分别得到船舶运动极大值与极小值时历数据。所述的步骤1的具体方法为,得到的船舶某一自由度运动时历数据为,若/>,则将/>与/>,/>,,/>对应的运动幅值进行比较。其中,若/>,则将/>提取为船舶运动极大值,最终得到船舶运动极大值时历数据;若/>,则将/>提取为船舶运动极小值,最终得到船舶运动极大值时历数据/>。最终得到船舶横摇极大值和横摇极小值数据,提取结果图4所示。
步骤2:使用三次样条拟合的方法,对步骤1中提取出的运动极大值与极小值时历数据进行拟合,并对拟合数据进行采样和裁剪,分别得到船舶运动上下包络时历数据(样条)。所述的步骤2的具体方法为,按照极值点数量,将步骤1中得到的船舶运动极大值时历数据与船舶运动极小值时历数据/>分别划分为/>和/>间隔。设函数表示/>与/>的间隔中的数值,根据包络线连续光滑的要求,设置边界条件来求解参数,可得到船舶运动包络曲线。设置采样频率为船舶运动时历数据频率,从得到的船舶运动上下包络线中采样得到船舶运动上包络时历数据/>和船舶运动下包络时历数据。设置两端截断长度/>,对船舶运动包络数据进行裁剪,得到船舶运动上包络时历数据(样条)和船舶运动下包络时历数据(样条)。最终得到船舶运动包络时历数据,包括横摇数据,上包络(样条)数据,下包络(样条)数据,横摇极大值数据,横摇极小值数据,如图5船舶横摇包络提取结果(样条)图所示。
步骤3:由于船舶运动时历数据与船舶运动包络时历数据频率相同,因此可从船舶运动时历数据中,分别截取得到与船舶运动上包络时历数据(样条)对应的运动时历数据/>和与船舶运动下包络时历数据(样条)/>对应的运动时历数据/>。
步骤4:将步骤3中得到的船舶运动包络时历数据(样条)和其对应的船舶运动时历数据进行分割,得到包络反演的训练集和测试集。所述的步骤4的具体方法为:将船舶运动上包络时历数据(样条)和其对应的运动时历数据/>,分割为训练集:,/>;测试集:/>,/>。将船舶运动下包络时历数据(样条)/>和其对应的运动时历数据/>,分割为训练集:/>,/>;测试集:/>,。其中,训练集和测试集的数据数量可根据实际需求设置。
步骤5:设置窗口长度,从步骤4中划分的训练集和测试集数据中提取数据,构建上包络反演数据集和下包络反演数据集。所述的步骤5的具体方法为:设置窗口长度为w=200,从步骤4划分得到的中分别提/>,,/>,。同样地,从/>中分别提取出,/>,,/>。然后构建出上包络反演训练集/>,上包络反演测试集/>,其中,,,。同样地,可以构建出下包络反演训练集,下包络反演测试集/>,其中,,,。
步骤6:建立神经网络包络反演模型,基于步骤5得到的上包络反演数据集和下包络反演数据集进行训练,使神经网络模型学习船舶运动时历数据与船舶运动包络时历数据之间的映射关系,得到船舶运动上包络反演模型和船舶运动下包络反演模型,最后将完整的船舶运动时历数据输入两个模型中,得到船舶运动包络时历数据(神经网络)。所述的步骤6的具体方法为:构建神经网络模型,将步骤5中得到的上包络反演训练数据集和下包络反演训练数据集/>分别输入模型中,设置数据集中的运动时历数据为特征,包络时历数据为标签,训练得到运动时历数据与包络时历数据的映射关系,并分别用包络反演测试数据集/>和/>分别验证上下包络映射关系的准确性,最终得到船舶运动上包络反演模型和船舶运动下包络反演模型。将船舶运动时历数据/>输入两个反演模型中,得到船舶运动上包络时历数据(神经网络)和船舶运动下包络时历数据(神经网络)。得到的包络数据,横摇时历数据,如图6船舶横摇包络提取结果(神经网络)所示。
步骤7:将步骤6中得到的船舶运动上下包络时历数据分别分割为训练集与测试集,分割比例为4:1,即前4/5为训练集,后1/5为测试集。所述的步骤7的具体方法为,将步骤6中得到的船舶运动上包络时历数据与船舶运动下包络时历数据/>,分别划分为训练集与测试集,得到船舶运动上包络预报训练集/>与船舶运动上包络预报测试集/>以及船舶运动下包络预报训练集/>与船舶运动下包络预报测试集,其中训练集与测试集的数据数量可根据实际需求设定。
步骤8:根据步骤7中得到的训练集与测试集构建船舶运动上包络数据集和船舶运动下包络数据集。所述的步骤8的具体方法为,设置历史输入步长back=20,以及提前预测步长ahead=24,从步骤7中得到的上包络预报训练集中提取以及,从得到的上包络预报测试集/>中提取/>以及。然后构建上包络预报训练数据集,其中/>,/>;构建上包络预报测试数据集/>,其中/>,。同样地,根据步骤7中得到的下包络预报训练集和下包络预报测试集/>,构建下包络预报训练数据集/>和下包络预报测试数据集/>。
步骤9:根据步骤8中的到的数据集分别构建长短期记忆神经网络模型(LSTM包络预报模型),得到船舶运动上包络与下包络预测结果。所述的步骤9的具体方法为,建立长短期记忆神经网络模型(LSTM包络预报模型),其中输入层节点数为back,隐藏层节点数为ahead,输出层节点数为1,神经元数量可根据具体情况调整。输入为船舶运动时间序列,输出为输入序列后ahead个步长的时刻的预测结果/>,即可以输出/>内任意步长的预报结果。神经网络隐藏层计算后得到的输出为/>,网络输出为,其中/>,/>为权重矩阵,/>为偏移量。将训练数据集中的/>输入模型进行计算,将计算结果与训练数据集中的/>进行损失函数计算,迭代优化得到预测模型。然后将测试数据集中的/>输入训练完成的模型中可得到真实包络数据和提前6s预报数据,预测结果如图7所示;真实包络数据和提前9s预报数据,预测结果如图8所示;真实包络数据和提前12s预报数据,预测结果如图9所示。
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 (9)
1.一种基于长短期记忆神经网络的船舶运动包络预报方法,其特征在于,该方法包括以下步骤:
S1,提取船舶运动时历数据,得到船舶运动极值数据,对船舶运动极值数据进行三次样条拟合并截去两端数据,得到船舶运动包络时历数据;
S2,从船舶运动时历数据中截取与包络时历数据对应的片段,得到包络时历数据和运动时历数据,重构包络反演的训练集和测试集;
S3,建立神经网络模型,训练得到包络时历数据与运动时历数据的映射关系,并将完整的船舶运动时历数据输入建立的神经网络模型,反演得到完整的船舶运动包络时历数据;
S4,将得到的船舶运动包络时历数据划分为训练集和测试集,并输入到长短期记忆神经网络模型中,训练得到LSTM包络预报模型的参数;
S5,使用包络反演模型和预报模型,基于过去一段时间的船舶运动时历数据对未来一段时间的船舶运动上下包络时历数据进行预测;
在步骤S1中,提取船舶运动时历数据,得到船舶运动极值数据包括:得到船舶某一自由度运动时历数据为D,D=[d1,d2…dT,],若dt≠dt-1(2<t<T-1),则将dt与dt-2,dt-1,dt+1,dt+2对应的运动幅值进行比较;
若dt=max[dt-2,dt-1,dt,dt+1,dt+2],则将dt提取为船舶运动极大值,最终得到船舶运动极大值时历数据
若dt=min[dt-2,dt-1,dt,dt+1,dt+2],则将dt提取为船舶运动极小值,最终得到船舶运动极小值时历数据
所述对船舶运动极值数据进行三次样条拟合并截去两端数据,得到船舶运动包络时历数据包括:按照极值点数量,将得到的船舶运动极大值时历数据Fmax与船舶运动极小值时历数据Fmim分别划分为n-1和m-1间隔;设函数Si(x)=ai+bi(xi-xi-1)+ci(xi-xi-1)2+di(xi-xi-1)3表示xi-1与xi的间隔中的数值,根据包络线连续光滑的要求,设置边界条件来求解参数,得到船舶运动包络曲线;设置采样频率为船舶运动时历数据频率,从得到的船舶运动上下包络线中采样得到船舶运动上包络时历数据和船舶运动下包络时历数据/>设置两端截断长度cut,对船舶运动包络数据进行裁剪,得到船舶运动上包络时历数据/>和船舶运动下包络时历数据/>
2.根据权利要求1所述的基于长短期记忆神经网络的船舶运动包络预报方法,其特征在于,在步骤S2中,从船舶运动时历数据中截取与包络时历数据对应的片段包括:
船舶运动时历数据与船舶运动包络时历数据频率相同,从船舶运动时历数据为D,D=[d1,d2…dT,],分别截取得到与船舶运动上包络时历数据对应的运动时历数据和与船舶运动下包络时历数据/>对应的运动时历数据/>
将船舶运动上包络时历数据和其对应的运动时历数据Dup均分割为两部分,分别作为训练集和测试集的数据来源,其中训练集所用数据具体包括:
其中,为训练集所用的船舶运动上包络时历数据,/>为训练集所用的船舶运动时历数据;
其余部分为测试集所用数据,具体包括:
其中,为测试集所用的船舶运动上包络时历数据,/>为测试集所用的船舶运动时历数据;
将船舶运动下包络时历数据和其对应的运动时历数据Ddown均分割为两部分,分别作为训练集和测试集的数据来源,其中训练集所用数据具体包括:
其中,为训练集所用的船舶运动上包络时历数据,/>为训练集所用的船舶运动时历数据;
其余部分为测试集所用数据,具体包括:
其中,为测试集所用的船舶运动上包络时历数据,/>为测试集所用的船舶运动时历数据;
其中,训练集和测试集的数据数量根据实际需求设置。
3.根据权利要求1所述的基于长短期记忆神经网络的船舶运动包络预报方法,其特征在于,在步骤S2中,重构包络反演的训练集和测试集,具体包括:
设置窗口长度为w,从划分得到的中分别采用滑动窗口法提取出以下表达式:
从中分别提取出:
然后,构建出上包络反演训练集[DUPtr,UPtr],上包络反演测试集[DUPte,UPte],其中,
其中,DUPtr为上包络反演训练集中的标签部分,由若干个上包络时历片段组成;UPtr为上包络反演训练集中的特征部分,由若干个运动时历片段/>组成;DUPte为上包络反演测试集的标签部分,由若干个上包络时历片段/>组成;UPte为上包络反演测试集中的特征部分,由若干个运动时历片段/>组成;
构建出下包络反演训练集[DDOWNtr,DOWNtr],下包络反演测试集[DDOWNte,DOWNte],
其中,
式中,DDOWNtr为下包络反演训练集中的标签部分,由若干个下包络时历片段组成;DOWNtr为下包络反演训练集中的特征部分,由若干个运动时历片段/>组成;DDOWNte为下包络反演测试集的标签部分,由若干个下包络时历片段/>组成;DOWNte为下包络反演测试集中的特征部分,由若干个运动时历片段/>组成。
4.根据权利要求1所述的基于长短期记忆神经网络的船舶运动包络预报方法,其特征在于,在步骤S3中,建立神经网络模型,包括:
将得到的上包络反演训练数据集[DUPtr,UPtr]和下包络反演训练数据集[DDOWNtr,DOWNtr]分别输入神经网络模型中,设置数据集中的运动时历数据为特征,包络时历数据为标签,通过神经网络模型参数迭代,学习运动时历数据与包络时历数据的映射关系,最终得到船舶运动上包络反演模型和船舶运动下包络反演模型;上包络数据集用于训练迭代得到上包络反演模型,下包络数据集用于训练迭代得到下包络反演模型;
将船舶运动时历数据为D,D=[d1,d2…dT,],输入两个反演模型中,得到神经网络船舶运动上包络时历数据和神经网络船舶运动下包络时历数据
5.根据权利要求4所述的基于长短期记忆神经网络的船舶运动包络预报方法,其特征在于,所述神经网络包括ANN神经网络、LSTM模型、GRU模型、RNN模型中的一种。
6.根据权利要求1所述的基于长短期记忆神经网络的船舶运动包络预报方法,其特征在于,在步骤S4中,训练得到LSTM包络预报模型的参数包括:
训练得到包络时历数据与运动时历数据的映射关系,并将完整的船舶运动时历数据输入得到的神经网络模型,反演得到完整的船舶运动包络时历数据;然后将得到的船舶运动包络时历数据划分为训练集和测试集,并输入到长短期记忆神经网络模型中,训练得到LSTM包络预报模型的参数;
将得到的神经网络船舶运动包络时历数据分别分割为两部分,训练集所用数据与测试集所用数据;
根据得到的训练集与测试集所用的数据,采用滑动窗口法构建船舶运动上包络数据集和船舶运动下包络数据集,数据集包括训练集和测试集;
构建长短期记忆神经网络模型,分别将船舶运动上包络数据集和船舶运动下包络数据集输入初始模型中,经过模型参数训练,最终得到船舶运动上包络与下包络预测模型。
7.根据权利要求1所述的基于长短期记忆神经网络的船舶运动包络预报方法,其特征在于,在步骤S4中,将得到的船舶运动包络时历数据划分为训练集和测试集包括:
将得到的船舶运动上包络时历数据与船舶运动下包络时历数据/>分别划分为训练集与测试集,得到船舶运动上包络预报训练集/>与船舶运动上包络预报测试集/>以及船舶运动下包络预报训练集与船舶运动下包络预报测试集其中训练集与测试集的数据数量根据实际需求设定;
根据得到的训练集与测试集构建船舶运动上包络数据集和船舶运动下包络数据集具体包括:
设置历史输入步长back,以及提前预测步长ahead,从得到的上包络预报训练集所用数据中采用滑动窗口法提取/>以及从得到的上包络预报测试集所用数据/>中采用滑动窗口法提取/>以及然后构建上包络预报训练集其中/> 构建上包络预报测试集/>其中
其中,为船舶运动上包络时历预报训练集中的特征部分,由若干个船舶运动上包络时历片段/>组成;/>为船舶运动上包络时历预报训练集中的标签部分,由若干个船舶运动上包络时历片段/>组成;/>为船舶运动上包络时历预报测试集中的特征部分,由若干个船舶运动上包络时历片段/>组成;/>为船舶运动上包络时历预报测试集中的标签部分,由若干个船舶运动上包络时历片段/>组成;
同样地,根据得到的下包络预报训练集和下包络预报测试集/>构建下包络预报训练数据集/>和下包络预报测试数据集/>
其中,为船舶运动下包络时历预报训练集中的特征部分,由若干个船舶运动下包络时历片段组成;/>为船舶运动下包络时历预报训练集中的标签部分,由若干个船舶运动下包络时历片段组成;/>为船舶运动下包络时历预报测试集中的特征部分,由若干个船舶运动下包络时历片段组成;/>为船舶运动下包络时历预报测试集中的标签部分,由若干个船舶运动下包络时历片段组成;
根据得到的数据集分别构建长短期记忆神经网络模型,得到船舶运动上包络与下包络预测结果包括:建立长短期记忆神经网络模型,其中输入层节点数为back,隐藏层节点数为ahead,输出层节点数为1,神经元数量可根据具体情况调整;输入为船舶运动时间序列输出为输入序列后ahead个步长的时刻的预测结果yi+back+ahead,输出(0,ahead]内任意步长的预报结果;神经网络隐藏层计算后得到的输出为ht,网络输出为yi=σ(wyht+by),其中σ(x)=max(x,0),wy为权重矩阵,by为偏移量;将训练数据集中的Xtr输入模型进行计算,将计算结果与训练数据集中的Ytr进行损失函数计算,迭代优化得到预测模型,其中损失函数的计算方式可选择均方误差、均方根误差、平均绝对误差和平均绝对百分比误差,最后将测试数据集中的Xte输入训练完成的模型中可得到预测结果。
8.根据权利要求1所述的基于长短期记忆神经网络的船舶运动包络预报方法,其特征在于,在步骤S5中,使用包络反演模型和预报模型,基于过去一段时间的船舶运动时历数据对未来一段时间的船舶运动上下包络时历数据进行预测包括:将得到的两个包络预报模型与所得的两个包络预报模型进行拼接,分别得到船舶运动上包络预测模型和船舶运动下包络预测模型。
9.一种基于长短期记忆神经网络的船舶运动包络预报系统,其特征在于,实施权利要求1-8任意一项所述基于长短期记忆神经网络的船舶运动包络预报方法,该系统包括:
船舶运动包络时历数据获取模块,用于提取船舶运动时历数据,得到船舶运动极值数据,对船舶运动极值数据进行三次样条拟合并截去两端数据,得到船舶运动包络时历数据;
包络反演训练集和测试集重构模块,用于从船舶运动时历数据中截取与包络时历数据对应的片段,得到包络时历数据和运动时历数据,重构包络反演的训练集和测试集;
包络反演模型模块,用于建立神经网络模型,训练得到包络时历数据与运动时历数据的映射关系,并将完整的船舶运动时历数据输入得到的神经网络模型,反演得到完整的船舶运动包络时历数据;
预报模型获取模块,用于将得到的船舶运动包络时历数据划分为训练集和测试集,并输入到长短期记忆神经网络模型中,训练得到LSTM包络预报模型的参数;
预测模块,使用包络反演模型和预报模型,基于过去一段时间的船舶运动时历数据对未来一段时间的船舶运动上下包络时历数据进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311133272.4A CN116861202B (zh) | 2023-09-05 | 2023-09-05 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311133272.4A CN116861202B (zh) | 2023-09-05 | 2023-09-05 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116861202A CN116861202A (zh) | 2023-10-10 |
CN116861202B true CN116861202B (zh) | 2023-12-19 |
Family
ID=88225374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311133272.4A Active CN116861202B (zh) | 2023-09-05 | 2023-09-05 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116861202B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117909665A (zh) * | 2024-03-18 | 2024-04-19 | 青岛哈尔滨工程大学创新发展中心 | 基于傅里叶滤波的船舶运动包络预报数据处理方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017135505A (ja) * | 2016-01-26 | 2017-08-03 | ヤフー株式会社 | 生成装置、生成方法、及び生成プログラム |
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 |
CN110334881A (zh) * | 2019-07-17 | 2019-10-15 | 深圳大学 | 一种基于长短记忆网络与深度数据清洗的金融时间序列预测方法,装置及服务器 |
CN111222992A (zh) * | 2020-01-17 | 2020-06-02 | 大连大学 | 一种基于注意力机制的长短期记忆神经网络的股票价格预测方法 |
CN111239819A (zh) * | 2020-02-12 | 2020-06-05 | 西安理工大学 | 一种基于地震道属性分析的带极性直接包络反演方法 |
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 |
CN113378387A (zh) * | 2021-06-10 | 2021-09-10 | 大连海事大学 | 一种基于改进emd-ar模型的船舶运动预报方法 |
WO2022048168A1 (zh) * | 2020-09-03 | 2022-03-10 | 上海上讯信息技术股份有限公司 | 一种用于故障预测神经网络模型的训练方法与设备 |
CN115688862A (zh) * | 2022-10-31 | 2023-02-03 | 合肥晅正科技有限公司 | 基于csi-emd的航空涡轮发动机传感器信号处理方法及系统 |
CN115994422A (zh) * | 2022-12-06 | 2023-04-21 | 杭州电子科技大学 | 基于拉削性能的拉刀刃形空间曲线参数化设计方法 |
CN116681153A (zh) * | 2023-04-25 | 2023-09-01 | 哈尔滨工业大学(深圳) | 基于lstm神经网络与gnss历史观测数据的tec预报方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030140023A1 (en) * | 2002-01-18 | 2003-07-24 | Bruce Ferguson | System and method for pre-processing input data to a non-linear model for use in electronic commerce |
JP4390818B2 (ja) * | 2007-03-30 | 2009-12-24 | 富士通テン株式会社 | 計測データ表示装置 |
EP3414428A2 (en) * | 2016-02-08 | 2018-12-19 | RS Energy Group Topco, Inc. | Method for estimating oil/gas production using statistical learning models |
CN112465054B (zh) * | 2020-12-07 | 2023-07-11 | 深圳市检验检疫科学研究院 | 一种基于fcn的多变量时间序列数据分类方法 |
CN113987834B (zh) * | 2021-11-15 | 2022-07-15 | 华东交通大学 | 一种基于can-lstm的铁路列车轴承剩余寿命预测方法 |
-
2023
- 2023-09-05 CN CN202311133272.4A patent/CN116861202B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017135505A (ja) * | 2016-01-26 | 2017-08-03 | ヤフー株式会社 | 生成装置、生成方法、及び生成プログラム |
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 |
CN110334881A (zh) * | 2019-07-17 | 2019-10-15 | 深圳大学 | 一种基于长短记忆网络与深度数据清洗的金融时间序列预测方法,装置及服务器 |
CN111222992A (zh) * | 2020-01-17 | 2020-06-02 | 大连大学 | 一种基于注意力机制的长短期记忆神经网络的股票价格预测方法 |
CN111239819A (zh) * | 2020-02-12 | 2020-06-05 | 西安理工大学 | 一种基于地震道属性分析的带极性直接包络反演方法 |
WO2022048168A1 (zh) * | 2020-09-03 | 2022-03-10 | 上海上讯信息技术股份有限公司 | 一种用于故障预测神经网络模型的训练方法与设备 |
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 |
CN113378387A (zh) * | 2021-06-10 | 2021-09-10 | 大连海事大学 | 一种基于改进emd-ar模型的船舶运动预报方法 |
CN115688862A (zh) * | 2022-10-31 | 2023-02-03 | 合肥晅正科技有限公司 | 基于csi-emd的航空涡轮发动机传感器信号处理方法及系统 |
CN115994422A (zh) * | 2022-12-06 | 2023-04-21 | 杭州电子科技大学 | 基于拉削性能的拉刀刃形空间曲线参数化设计方法 |
CN116681153A (zh) * | 2023-04-25 | 2023-09-01 | 哈尔滨工业大学(深圳) | 基于lstm神经网络与gnss历史观测数据的tec预报方法 |
Non-Patent Citations (4)
Title |
---|
Online balanced truncation for linear time-varying systems using continuously differentiable interpolation on Grassmann manifold;Nguyen Thanh Son;《2019 6th International Conference on Control, Decision and Information Technologies (CoDIT)》;全文 * |
基于LSTM的船舶航迹预测;陈凯达;朱永生;闫柯;蔡依青;任智军;高大为;;船海工程(第06期);全文 * |
基于LSTM神经网络的我国典型试航海域环境短期预报方法研究;顾兴健;赵璐;金明;刘勇;刘传才;;中国造船(第04期);全文 * |
齿轮早期故障检测与诊断技术研究.《中国优秀硕士论文电子期刊网》.2015,正文下标第33-40页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116861202A (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiang et al. | LSTM networks based on attention ordered neurons for gear remaining life prediction | |
WO2020008272A1 (en) | Zero-shot sketch-based image retrieval techniques using neural networks for sketch-image recognition and retrieval | |
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 | |
US20150254554A1 (en) | Information processing device and learning method | |
CN111914644A (zh) | 一种基于双模态协同的弱监督时序动作定位方法及系统 | |
CN111127364B (zh) | 图像数据增强策略选择方法及人脸识别图像数据增强方法 | |
CN108960421B (zh) | 改进基于bp神经网络的水面无人艇航速在线预报方法 | |
CN112215412B (zh) | 溶解氧预测方法及装置 | |
CN113627093B (zh) | 一种基于改进Unet网络的水下机构跨尺度流场特征预测方法 | |
CN116842474A (zh) | 一种基于tft模型的舰船运动极短期预报方法及系统 | |
CN113988357A (zh) | 基于深度学习的高层建筑风致响应预测方法及装置 | |
CN114842180A (zh) | 一种点云补全方法、装置、设备及介质 | |
CN112270259B (zh) | 基于轻量级卷积神经网络的sar图像舰船目标快速检测方法 | |
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 | |
US20210174191A1 (en) | Automated fine-tuning of a pre-trained neural network for transfer learning | |
Toms et al. | Testing the reliability of interpretable neural networks in geoscience using the madden-julian oscillation | |
Hindarto | Comparison of RNN Architectures and Non-RNN Architectures in Sentiment Analysis | |
CN112862211A (zh) | 通信管理系统动环缺陷派单方法及装置 | |
Toubeh et al. | Risk-aware planning by confidence estimation using deep learning-based perception | |
CN117892886B (zh) | 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) | 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 | |
Peri | Machine learning algorithms in design optimization | |
CN117932273A (zh) | 一种融入时频分析的船舶运动长时预报方法及系统 | |
Tang | Real-time Network Attack Detection Method based on Neural Network | |
Chen et al. | Intelligent prediction of wave loads based on multi-source data-driven methods |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |