CN117909665A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN117909665A CN117909665A CN202410302135.7A CN202410302135A CN117909665A CN 117909665 A CN117909665 A CN 117909665A CN 202410302135 A CN202410302135 A CN 202410302135A CN 117909665 A CN117909665 A CN 117909665A
- Authority
- CN
- China
- Prior art keywords
- ship motion
- envelope
- data
- motion envelope
- time
- 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 236
- 238000001914 filtration Methods 0.000 title claims abstract description 125
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000001228 spectrum Methods 0.000 claims abstract description 31
- 230000000694 effects Effects 0.000 claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 230000007787 long-term memory Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 65
- 238000012545 processing Methods 0.000 claims description 36
- 238000012360 testing method Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 12
- 238000005096 rolling process Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000010183 spectrum analysis Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Landscapes
- Complex Calculations (AREA)
Abstract
本发明属于船舶与海洋工程技术领域，公开了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。该方法提取船舶运动时历数据的极值点进行三次样条拟合插值，得到船舶运动包络时历数据；将所述船舶运动包络时历数据通过傅里叶变换转换到频域，将滤波后的频域数据通过傅里叶逆变换转换回时域；将上述经过傅里叶滤波后的船舶运动包络时历数据输入到长短期记忆LSTM神经网络模型中进行训练预报。本发明实现了将频谱中低于最大模长一定占比的高频部分进行截断，从而降低了谱宽，达到了滤波效果，得到了更加简单的信号。提升了LSTM模型在较长时间预报时的预报精度。
Description
技术领域
本发明属于船舶与海洋工程技术领域，尤其涉及基于傅里叶滤波的船舶运动包络预报数据处理方法及系统。
背景技术
船舶在真实海洋环境中航行时，由于受复杂的海洋环境影响，会不可避免的产生横摇、纵摇、垂荡等运动状态。这些运动状态给船舶在海上航行和作业带来严重影响，如直升机起降、航行中补给等。由于船舶的横摇、纵摇、垂荡等运动包络线可以用来描述船舶在海上的运动状态。因此，提高船舶运动包络预报精确度的提高，对提升船舶海上作业、航行的安全性与稳定性具有重要意义。
现阶段在基于长短期记忆神经网络模型的船舶运动预报方面与本发明较为接近的方案有：发明专利《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》（公开号CN116861202B，公开日2023.12.19），该方法基于LSTM模型与船舶的运动包络时历数据构建船舶运动包络预报模型，选择长短时记忆网络（LSTM）用于学习船舶运动包络时历数据，将包络时历数据直接输入至LSTM模型进行训练，来预测船舶的未来运动包络。利用训练好的LSTM模型，预测未来一段时间的船舶运动上下包络时历数据。
当前对于船舶运动包络的预报时，由于船舶运动包络线具有明显的非线性非平稳特征，当船舶运动幅值变化比较剧烈时，包络线的非线性非平稳性特征较强。而运动包络信号中的非平稳信号仅对较短时长的预报有意义，在较长时间的预报过程中非平稳信号会干扰模型提取序列较平稳的主要变化趋势，这导致模型难以捕捉数据特征，近而降低模型较长时间预报的精度。因此，如何在预报时间较长时提高船舶运动包络预报模型的预报精度成为目前亟待解决的问题。
总之，目前已有的实现方案中，单一的人工神经网络进行船舶运动包络预报时存在较长时间预报精度低的问题，这是因为当船舶运动幅值变化比较剧烈时，包络线存在较高频的抖动信号。而单一的长短期记忆（LSTM）神经网络在进行船舶运动包络较长时间预报时，会受到船舶运动包络线的非平稳非线性影响，从而对预报模型精度产生负面影响，导致预报精度较低。
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。尤其涉及船舶在波浪中的运动包络的数据分析和处理，以提取船舶在波浪中的运动包络特性。
所述技术方案如下：基于傅里叶滤波的船舶运动包络预报数据处理方法，包括以下步骤：
S1，通过测量设备采集船舶垂荡、横摇、纵摇自由度的船舶运动时历数据，所述船舶运动时历数据以时间序列的形式记录下来，提取所述船舶运动时历数据的极值点进行三次样条拟合插值，得到船舶运动包络时历数据；
S2，将所述船舶运动包络时历数据通过傅里叶变换转换到频域，在所述频域中，利用傅里叶滤波器对所述船舶运动包络时历数据进行滤波处理；
S3，完成滤波处理后，将滤波后的频域数据通过傅里叶逆变换转换回时域；
S4，将经过傅里叶滤波后的船舶运动包络时历数据输入到长短期记忆LSTM神经网络模型中进行训练，训练船舶运动包络预报模型，基于所述船舶运动包络预报模型进行船舶运动包络时历数据的预报。
在步骤S1中，所述船舶运动时历数据为：，式中/>表示不同时刻下船舶运动时历组成的集合，/>表示在第1个时刻下的船舶运动位移，/>表示在第T时刻下的船舶运动位移。
在步骤S1中，所述提取所述船舶运动时历数据的极值点进行三次样条拟合插值，得到船舶运动包络时历数据包括：
对在时域上的船舶运动时历数据，提取出/>的极值点/>，式中/>为从时历数据/>中提取出的极值点，/>中的下标j为极值点的总个数，j具体数值随所选数据的极值点个数变化而变化；
然后对提取出的极值点序列通过三次样条拟合算法开展包络提取，通过对各个极值点采用三次样条插值的方法最终得到船舶运动的上下包络线。
在步骤S2中，将所述船舶运动包络时历数据通过傅里叶变换转换到频域包括：
首先根据的极值点通过三次样条拟合插值算法进行包络提取，再依据原始数据的时间步长，通过重采样的方式得到包络线上的具体点/>，式中/>表示不同时刻下船舶运动包络时历组成的集合，/>表示在第1个时刻下的船舶运动包络所表示数值，/>表示在第T时刻下的船舶运动包络所表示的数值；
然后利用快速傅里叶变换将包络线上的具体点从时域转换到频域，其中，/>为在频域下船舶运动包络/>所对应的频率集，式中/>表示T时刻下分布的频率；通过频谱的计算得到各个频率对应的模长/>和频谱中的最大模长/>，式中/>为不同频率值所对应的模长，/>为T时刻下对应频率的模长；
设置阈值，根据实际情况设置百分比作为滤波占比，阈值设置为/>，式中，/>为阈值，其表达式为最大模长/>与所设滤波占比/>的乘积，/>为阈值的具体表达式；通过设置阈值，将模长低于阈值所对应的高频信号的模长设定为0，其中，/>为频域中的高频信号集，共有m个高频信号，m的数量随所选数据的变化而变化；将频谱中低于最大模长滤波占比的高频部分进行截断，降低谱宽，得到原信号/>在频域上的特征数据集/>。
进一步，根据具体情况设置滤波占比的阈值，滤波占比选择10%与20%之间的值。
在步骤S3中，所述将滤波后的频域数据通过傅里叶逆变换转换回时域包括：
对通过快速傅里叶滤波后的船舶运动包络频域数据进行反傅里叶变换，得到从频域转到时域的运动包络数据/>，并分割为训练集/>与测试集/>；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S4中，船舶运动包络预报模型的输入步长、输出步长按需求设定，将通过傅里叶滤波得到的训练集与测试集/>传入到长短期记忆LSTM神经网络模型中开始训练与预报。
在步骤S4后，还需进行：验证训练完成后的船舶运动包络预报模型的预报效果。
本发明的另一目的在于提供一种基于傅里叶滤波的船舶运动包络预报数据处理系统，该系统实施所述的基于傅里叶滤波的船舶运动包络预报数据处理方法，该系统具体包括：
船舶运动包络时历数据获取模块，用于通过测量设备采集船舶垂荡、横摇、纵摇自由度的船舶运动时历数据，所述船舶运动时历数据以时间序列的形式记录下来，提取所述船舶运动时历数据的极值点进行三次样条拟合插值，得到船舶运动包络时历数据；
转换频域模块，用于将所述船舶运动包络时历数据通过傅里叶变换转换到频域，在所述频域中，利用傅里叶滤波器对所述船舶运动包络时历数据进行滤波处理；
转换时域模块，用于完成滤波处理后，将滤波后的频域数据通过傅里叶逆变换转换回时域；
船舶运动包络时历数据预报模块，用于将经过傅里叶滤波后的船舶运动包络时历数据输入到长短期记忆LSTM神经网络模型中进行训练，训练船舶运动包络预报模型，基于所述船舶运动包络预报模型进行船舶运动包络时历数据的预报。
进一步，该系统搭载在计算机设备，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方法。
结合上述的所有技术方案，本发明所具备的有益效果为：本发明首次提出了一种基于傅里叶滤波的船舶运动包络预报数据处理方法，船舶运动包络时历数据反映出了船舶在航行中横摇、纵摇、垂荡等运动时历数据的幅值随时间的变化信息，如图2横摇运动时历与包络曲线所示为船舶横摇运动时历的上下包络线；本发明通过快速傅里叶变换分解船舶运动包络信号的频率成分，通过设计低通滤波器。实现了将频谱中低于最大模长一定占比的高频部分进行截断，从而降低了谱宽，达到了滤波效果，得到了更加简单的信号。最后将通过傅里叶滤波处理后的船舶运动包络数据作为模型的输入，从而有效提升LSTM模型在较长时间预报时的预报精度。
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傅里叶滤波的船舶运动包络预报数据处理方法流程图；
图2是本发明实施例提供的横摇运动时历与包络曲线示意图；
图3是本发明实施例提供的基于傅里叶滤波的船舶运动包络预报数据处理方法原理图；
图4是本发明实施例提供的基于傅里叶滤波的船舶运动包络预报数据处理系统示意图；
图5是本发明实施例提供的整段时历数据的部分时历示意图；
图6是本发明实施例提供的横摇包络10%滤波结果中横摇上包络滤波结果图；
图7是本发明实施例提供的横摇包络10%滤波结果中横摇下包络滤波结果图；
图8是本发明实施例提供的横摇包络20%滤波结果中横摇上包络滤波结果图；
图9是本发明实施例提供的横摇包络20%滤波结果中横摇下包络滤波结果图；
图10是本发明实施例提供的滤波前后的预报效果中横摇上包络提前15s预报结果图；
图11是本发明实施例提供的滤波前后的预报效果中滤波后横摇上包络提前15s预报结果图；
图12是本发明实施例提供的滤波前后的预报效果中横摇下包络提前15s预报结果图；
图13是本发明实施例提供的滤波前后的预报效果中滤波后横摇下包络提前15s预报结果图；
图14是本发明实施例提供的滤波前后的误差分析中横摇上包络误差分析图；
图15是本发明实施例提供的滤波前后的误差分析中横摇下包络误差分析图；
图中：1、船舶运动包络时历数据获取模块；2、转换频域模块；3、转换时域模块；4、船舶运动包络时历数据预报模块。
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。
本发明的创新点在于：本发明创新的提出将船舶运动包络时历数据利用傅里叶变换方法转换到频域上进行滤波处理，降低数据频谱谱宽、数据复杂度，从而提高神经模型的学习效果和预报效果。本发根据船舶运动包络数据，通过傅里叶滤波，设置一定滤波占比进行滤波，之后利将滤波后的数据进行训练集与测试集的划分，输入模型进行训练与预报。此技术在保证模型预报精度的同时，提升船舶运动包络预报模型的可预报时长。
实施例1，如图1所示，本发明实施例提出了一种基于傅里叶滤波的船舶运动包络预报数据处理方法，该方法基于LSTM网络模型，使用快速傅里叶变换(FFT)滤波技术，对船舶运动包络信号进行滤波处理，以提高预报精度。具体包括：
S1，通过测量设备采集船舶垂荡、横摇、纵摇自由度的船舶运动时历数据，所述船舶运动时历数据以时间序列的形式记录下来，提取所述船舶运动时历数据的极值点进行三次样条拟合插值，得到船舶运动包络时历数据；
船舶运动包络时历数据反映出了船舶在航行中横摇、纵摇、垂荡等运动时历数据的幅值随时间的变化信息，如图2横摇运动时历与包络曲线所示为船舶横摇运动时历的上下包络线。
S2，将所述船舶运动包络时历数据通过傅里叶变换转换到频域，在所述频域中，利用傅里叶滤波器对所述船舶运动包络时历数据进行滤波处理；
这种方法有效地降低了船舶运动包络信号的非平稳非线性给预报模型带来的负面影响。
S3，完成滤波处理后，将滤波后的频域数据通过傅里叶逆变换转换回时域；
这一步是为了将经过滤波处理的船舶运动包络时历数据在时域中的表现形式呈现出来；通过傅里叶逆变换，可以得到经过滤波处理的船舶运动包络时历数据在时域中的表现形式。
S4，将经过傅里叶滤波后的船舶运动包络时历数据输入到长短期记忆LSTM神经网络模型中进行训练，训练船舶运动包络预报模型，基于所述船舶运动包络预报模型进行船舶运动包络时历数据的预报。
总之，本发明基于傅里叶滤波提出的船舶运动包络预报数据处理方法，通过利用傅里叶滤波器对船舶运动包络数据进行滤波处理，设置适当的滤波器参数，可以有效地去除原始信号中高频抖动项的影响，这种基于傅里叶滤波的船舶运动包络预报数据处理方法通过频谱分析和滤波处理，旨在优化数据并提高预测模型的精确性。完成滤波处理后，通过反傅里叶变换，可以得到经过滤波处理的船舶运动包络数据在时域中的表现形式。将滤波处理后的船舶运动包络数据作为LSTM网络的运动包络预报模型的输入，从而提高船舶运动包络预报模型在预报较长时间时的预报精度。
在本发明实施例中，图3是本发明实施例提供的基于傅里叶滤波的船舶运动包络预报数据处理方法原理。
示例性的，本发明提出了一种基于傅里叶滤波的船舶运动包络预报数据处理方法。本发明在研究过程中发现在较短时长预报中，直接使用LSTM模型进行预报比加入傅里叶滤波数据处理方法的效果更好。这是由于傅里叶滤波数据处理技术会使数据失去一些对较短时长预测有用的特征，从而影响了LSTM模型的预测效果，使得模型难以捕捉数据特征。另一方面，LSTM模型本身对较短时长的数据特征捕捉和预测具有较强的能力，在短时间预报中能够直接从原始数据中学习到足够的信息，无需引入额外的数据处理技术。因此，本发明旨在提高LSTM模型对于较长时间预报时的预报精度。
本发明主要是将提取出的船舶运动包络信号利用傅里叶变换，分析信号的频率成分和能量分布情况，从而更好地提取和处理船舶运动包络信号的频率特征。基于时频分析的结果，提出了设置一定百分比（/>可根据实际情况选取）作为滤波占比。通过设计低通滤波器将阈值设置为/>（/>为包络信号经过傅里叶变换在频谱中的最大模长），然后将小于阈值所对应高频信号的模长设定为0。实现了将频谱中低于最大模长滤波占比的高频部分的截断，从而降低了谱宽，达到了滤波效果，保留了信号的主要成分。通过将上述快速傅里叶滤波的数据处理方法与人工神经网络预报模型结合，有效的处理了存在非平稳非线性的信号成分。具体而言，该方法利用快速傅里叶变换将船舶运动包络信号转换到频域，以观察信号在不同频率下的变化趋势。通过对原始信号中的非平稳非线性项进行适当的滤波处理，保留了信号的主要成分，从而有效降低了船舶运动包络信号的非平稳非线性对模型较长时间预报时的负面影响。因此，将快速傅里叶滤波处理后的船舶运动包络信号用作LSTM模型的输入时，模型能更好地理解和预测非平稳信号的变化趋势，从而提高了运动包络预报模型在较长时间预报时的精确性，弥补了现有船舶运动包络预报模型的缺陷。
实施例2，作为本发明另一种实施方式，基于傅里叶滤波的船舶运动包络预报数据处理方法包括：
步骤1：读取已知的船舶运动时历数据为。式中/>表示不同时刻下船舶运动时历组成的集合，/>表示在第1个时刻下的船舶运动位移，/>表示在第T时刻下的船舶运动位移。
步骤2：对步骤1中在时域上的船舶运动时历数据，提取出时间序列/>的极值点，式中/>为从时历数据/>中提取出的极值点，/>中的下标j为极值点的总个数，j具体数值随所选数据的极值点个数变化而变化；然后对提取出的极值点序列通过三次样条拟合算法开展包络提取，通过对各个极值点采用三次样条插值的方法最终得到船舶运动的上下包络线。如图2所示。
步骤3：将步骤2中通过三次样条拟合算法提取出的上下包络线进行快速傅里叶变换。快速傅里叶变换的具体方法是，根据步骤2中的极值点通过三次样条拟合插值算法开展包络提取，再依据原始数据/>的时间步长，通过重采样的方式得到包络线上的具体点。式中/>表示不同时刻下船舶运动包络时历组成的集合，/>表示在第1个时刻下的船舶运动包络所表示数值，/>表示在第T时刻下的船舶运动包络所表示的数值；然后利用快速傅里叶变换将包络线上的具体点/>从时域转换到频域，其中，/>为在频域下船舶运动包络/>所对应的频率集，式中/>表示T时刻下分布的频率；通过频谱的计算得到了各个频率对应的模长/>和频谱中的最大模长/>。式中/>为不同频率值所对应的模长，/>为T时刻下所对应频率的模长；然后设置阈值，根据实际情况设置一定百分比/>作为滤波占比，即阈值设置为。式中，/>为阈值，其表达式为最大模长/>与所设滤波占比/>的乘积，为阈值/>的具体表达式；通过设置阈值，将模长低于阈值所对应的高频信号的模长设定为0，其中，/>为频域中的高频信号集，共有m个高频信号，m的数量随所选数据的变化而变化，以此实现了将频谱中低于最大模长一定占比的高频部分进行截断，从而降低了谱宽，达到了滤波效果，得到了原信号/>在频域上的特征数据集。
本发明创新的提出上述公式是利用傅里叶变换后，将时域转到频域的数据集，通过频谱分析，得到频谱中的最大模长，通过设置阈值，去除数据中的非平稳项。将这些表达式联合运用可以去除频谱中的高频抖动项，达到滤波效果。通过数据处理让数据更加平稳，这种数据处理方法有助于减少时间序列中的噪声，提高模型对序列长期趋势的捕捉能力和时间序列的时序关联性。提高了LSTM模型在预报时长较长时的预报精度，解决了现有预报模型在预报时长较长时预报精度较低的问题。
步骤4：对步骤3中通过快速傅里叶滤波后的船舶运动包络频域数据进行反傅里叶变换（IFFT），得到从频域转到时域的运动包络数据/>，将其分割为训练集/>与测试集/>。其中，训练集和测试集的数据数量可以根据实际需求设置，一般采用4：1或5：1的比例划分训练基与测试集。
本发明将去除原有船舶运动包络数据中的非线性非平稳项后的数据，通过傅里叶逆变换从频域转到时域的并首次创新的提出上述公式，并创新的通过傅里叶逆变换，将数据从频域转到时域，再划分为训练集与测试集，输入到LSTM模型进行训练与预报。此技术解决了现有预报模型在预报时长较长时，预报精度较低的问题。
步骤5：将基于快速傅里叶变换的船舶运动包络预报模型的输入步长、输出步长按需求设定，然后将通过傅里叶滤波得到的训练集与测试集/>传入到运动包络预报模型中开始训练与预报。
步骤6：通过将该组数据采用步骤1-步骤5的方式进行处理，验证训练完成后的船舶运动包络预报模型的预报效果。
又作为另一种可能实施的方式，步骤3中，可以根据具体情况自行设置滤波占比的阈值，通常选择10%与20%之间的值作为参考。具体的阈值设定应考虑数据特征以及预测模型的需求等实际情况。因此，在此步骤中，建议根据实际需求和数据分析结果进行合理的阈值设定。
通过上述实施例可知，现有技术中，神经网络LSTM模型在进行船舶运动包络预报时，是通过直接预报的方法进行船舶运动包络预报。而船舶运动包络的数据往往存在非线性和非平稳项，这会对LSTM模型的预报精度产生负面影响。因此，现阶段LSTM模型在预报较长时间的船舶运动包络预报时，存在预报精度较低的问题。本发明引入了一种基于傅里叶滤波的数据处理方法，通过频谱分析在频谱图像中寻找最大模长，然后进行频谱截断，以去除低幅值的高频抖动项，有针对性的降低了谱宽。从而使得处理后的数据更加平稳，提高模型对序列长期趋势的捕捉能力和时间序列的时序关联性。因此，本发明旨在解决神经网络LSTM模型在进行较长时间的船舶运动包络预报时预报精度较低的问题。
示例性的，本发明将频谱分析与滤波处理结合，通过提取船舶的运动包络数据，对船舶三自由度运动包络进行FFT变换，并在频谱图像中寻找最大模长，然后进行频谱截断，以去除低幅值的高频成分，这种结合了频谱分析和滤波处理的方法能够更好地理解信号的频域特征，并有针对性地降低谱宽。其次，通过频谱截断，本发明有效地去除了模长较低的高频成分，使信号更加准确。最后，本发明将深度学习模型与结合频谱分析和滤波处理的方法相结合，提高了船舶运动包络预报模型的预测准确性。
通过上述实施例可知，以往的船舶运动预报数据处理方法在对船舶运动包络数据进行处理时，未考虑到数据复杂度对神经网络模型学习数据特征时带来影响。经本方法处理后的数据频谱宽度大幅降低，训练得到神经网络预报模型预报效果有明显提升。
针对船舶运动包络预报中模型可预报时长较短的技术难题，本发明在保证船舶运动预报精度的前提下，增加了船舶运动包络预报的有效预报时长，目前基于该方法的船舶运动包络可预报时长在20s以上。
实施例3，如图4所示，本发明实施例提出了一种基于傅里叶滤波的船舶运动包络预报数据处理系统，具体包括：
船舶运动包络时历数据获取模块1，用于通过测量设备采集船舶垂荡、横摇、纵摇自由度的船舶运动时历数据，所述船舶运动时历数据以时间序列的形式记录下来，提取所述船舶运动时历数据的极值点进行三次样条拟合插值，得到船舶运动包络时历数据；
转换频域模块2，用于将所述船舶运动包络时历数据通过傅里叶变换转换到频域，在所述频域中，利用傅里叶滤波器对所述船舶运动包络时历数据进行滤波处理；
转换时域模块3，用于完成滤波处理后，将滤波后的频域数据通过傅里叶逆变换转换回时域；
船舶运动包络时历数据预报模块4，用于将经过傅里叶滤波后的船舶运动包络时历数据输入到长短期记忆LSTM神经网络模型中进行训练，训练船舶运动包络预报模型，基于所述船舶运动包络预报模型进行船舶运动包络时历数据的预报。
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。
本发明实施例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。
为进一步说明本发明实施例相关效果，进行如下实验：本发明中采用了一组通过数值仿真方法获取的船舶运动时历作为仿真试验的数据来源，在此基础上，根据该组数据特征按照上述步骤对数据进行了相应的处理，并展示了相应的数据处理结果，该过程为本发明的仿真试验过程。
选取某船型在五级海况15节航速工况下，模拟过去15s的船舶横摇运动时历为总数据集，数据的总时长为9000s，时间步长为0.5s，选择了将包络信号在频域上的模长低于最大模长的20%部分设定为0。本发明分别预报未来12s、15s、21s的船舶的上下运动包络，构建了一种基于傅里叶滤波的船舶运动包络预报数据处理的模型。整段时历数据的部分时历示意图如图5所示。具体包括：
步骤1：读取已知船舶运动时历数据，本发明中船舶运动时历数据选取船舶横摇的运动数据。已知的船舶在横摇时的运动时历数据为。
步骤2：对步骤1中在时域上的船舶运动时历数据，提取出时间序列/>的极值点，式中/>为从时历数据/>中提取出的极值点，/>中的下标j为极值点的总个数，j具体数值随所选数据的极值点个数变化而变化，然后对提取出的极值点序列通过三次样条拟合算法开展包络提取，通过对各个极值点采用三次样条插值的方法最终得到船舶运动的上下包络线。
步骤3：将步骤2中通过三次样条拟合算法提取出的上下包络线进行快速傅里叶变换。快速傅里叶变换的具体方法是，根据步骤2中的极值点通过三次样条拟合插值算法开展包络提取，再依据原始数据/>的时间步长，通过重采样的方式得到包络线上的具体点。然后利用快速傅里叶变换将包络线上的具体点/>从时域转换到频域/>，通过频谱的计算得到了各个频率对应的模长和频谱中的最大模长/>。
步骤4：对步骤3中通过快速傅里叶滤波后的船舶运动包络频域数据行反傅里叶变换（IFFT），得到从频域转到时域的运动包络数据/>，将其分割为训练集/>与测试集/>。其中，训练集和测试集的数据数量可以根据实际需求设置，一般采用4：1或5：1的比例划分训练基与测试集。
步骤5：将基于快速傅里叶变换的船舶运动包络预报模型的输入步长、输出步长按需求设定，然后将通过傅里叶滤波得到的训练集与测试集/>传入到运动包络预报模型中开始训练。选择10%与20%作为滤波占比进行分析后的滤波结果对比图包括：如图6横摇包络10%滤波结果中横摇上包络滤波结果图，如图7横摇包络10%滤波结果中横摇下包络滤波结果图，如图8横摇包络20%滤波结果中横摇上包络滤波结果图，如图9横摇包络20%滤波结果中横摇下包络滤波结果图。
步骤6：通过将该组数据采用步骤1-步骤5的方式进行处理，验证训练完成后的船舶运动包络预报模型的预报效果。
通过滤波前后误差分析图中展示的结果可以看出，在预报时长较短时，LSTM模型直接预报优于傅里叶滤波后再进行预报的效果。这是由于LSTM模型本身对较短时长的数据特征捕捉和预测具有较强的能力，在较短时长预报中能够直接从原始数据中学习到足够的信息，无需引入额外的数据处理技术。而在预报时长较长时，基于傅里叶滤波后再进行预报的效果优于LSTM模型直接预报的效果。这是因为在进行较长时间预报时，引入傅里叶滤波技术进行数据处理，能够滤除数据中的高频抖动项，从而使得处理后的数据更加平稳。这种数据处理方法有助于减少时间序列中的噪声，从而提高模型对序列长期趋势的捕捉能力和时间序列的时序关联性。因此，一种基于傅里叶滤波的船舶运动包络预报数据处理方法，提高了LSTM模型在预报时长较长时的预报精度。
下列为提前15s预报下，滤波前后的预报效果图与滤波前后的误差分析图，包括：图10滤波前后的预报效果中横摇上包络提前15s预报结果图，图11滤波前后的预报效果中滤波后横摇上包络提前15s预报结果图，图12滤波前后的预报效果中横摇下包络提前15s预报结果图，图13滤波前后的预报效果中滤波后横摇下包络提前15s预报结果图；图14滤波前后的误差分析中横摇上包络误差分析图，图15滤波前后的误差分析中横摇下包络误差分析图。
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)
1.一种基于傅里叶滤波的船舶运动包络预报数据处理方法，其特征在于，该方法包括：
S1，通过测量设备采集船舶垂荡、横摇、纵摇自由度的船舶运动时历数据，所述船舶运动时历数据以时间序列的形式记录下来，提取所述船舶运动时历数据的极值点进行三次样条拟合插值，得到船舶运动包络时历数据；
S2，将所述船舶运动包络时历数据通过傅里叶变换转换到频域，在所述频域中，利用傅里叶滤波器对所述船舶运动包络时历数据进行滤波处理；
S3，完成滤波处理后，将滤波后的频域数据通过傅里叶逆变换转换回时域；
S4，将经过傅里叶滤波后的船舶运动包络时历数据输入到长短期记忆LSTM神经网络模型中进行训练，训练船舶运动包络预报模型，基于所述船舶运动包络预报模型进行船舶运动包络时历数据的预报。
2.根据权利要求1所述的基于傅里叶滤波的船舶运动包络预报数据处理方法，其特征在于，在步骤S1中，所述船舶运动时历数据为：
；
式中，表示不同时刻下船舶运动时历组成的集合，/>表示在第1个时刻下的船舶运动位移，/>表示在第T时刻下的船舶运动位移。
3.根据权利要求1所述的基于傅里叶滤波的船舶运动包络预报数据处理方法，其特征在于，在步骤S1中，所述提取所述船舶运动时历数据的极值点进行三次样条拟合插值，得到船舶运动包络时历数据包括：
对在时域上的船舶运动时历数据，提取出/>的极值点为：
；
式中，为从时历数据/>中提取出的极值点，/>中的下标/>为极值点的总个数，/>具体数值随所选数据的极值点个数变化而变化；
对提取出的极值点序列通过三次样条拟合算法开展包络提取，通过对各个极值点采用三次样条插值的方法最终得到船舶运动的上下包络线。
4.根据权利要求1所述的基于傅里叶滤波的船舶运动包络预报数据处理方法，其特征在于，在步骤S2中，将所述船舶运动包络时历数据通过傅里叶变换转换到频域包括：
首先，根据的极值点通过三次样条拟合插值算法进行包络提取，依据原始数据/>的时间步长，通过重采样的方式得到包络线上的具体点为：
；
式中，表示不同时刻下船舶运动包络时历组成的集合，/>表示在第1个时刻下的船舶运动包络所表示数值，/>表示在第T时刻下的船舶运动包络所表示的数值；
然后，利用快速傅里叶变换将包络线上的具体点从时域转换到频域为：
；
其中，为在频域下船舶运动包络/>所对应的频率集，/>表示/>时刻下分布的频率；通过频谱的计算得到各个频率对应的模长/>和频谱中的最大模长/>，式中，/>为不同频率值所对应的模长，/>为T时刻下对应频率的模长；
设置阈值，根据实际情况设置百分比作为滤波占比，阈值设置为：
；
式中，为阈值，其表达式为最大模长/>与所设滤波占比/>的乘积，/>为阈值的具体表达式；通过设置阈值，将模长低于阈值所对应的高频信号的模长设定为0，其中，/>为频域中的高频信号集，共有m个高频信号，m的数量随所选数据的变化而变化；将频谱中低于最大模长滤波占比的高频部分进行截断，降低谱宽，得到原信号/>在频域上的特征数据集/>。
5.根据权利要求4所述的基于傅里叶滤波的船舶运动包络预报数据处理方法，其特征在于，根据具体情况设置滤波占比的阈值，滤波占比选择10%与20%之间的值。
6.根据权利要求1所述的基于傅里叶滤波的船舶运动包络预报数据处理方法，其特征在于，在步骤S3中，所述将滤波后的频域数据通过傅里叶逆变换转换回时域包括：
对通过快速傅里叶滤波后的船舶运动包络频域数据进行反傅里叶变换，得到从频域转到时域的运动包络数据/>，并分割为训练集/>与测试集/>；其中，训练集和测试集的数据数量根据实际需求设置。
7.根据权利要求1所述的基于傅里叶滤波的船舶运动包络预报数据处理方法，其特征在于，在步骤S4中，船舶运动包络预报模型的输入步长、输出步长按需求设定，将通过傅里叶滤波得到的训练集与测试集/>传入到长短期记忆LSTM神经网络模型中开始训练与预报。
8.根据权利要求1所述的基于傅里叶滤波的船舶运动包络预报数据处理方法，其特征在于，在步骤S4后，还需进行：验证训练完成后的船舶运动包络预报模型的预报效果。
9.一种基于傅里叶滤波的船舶运动包络预报数据处理系统，其特征在于，该系统实施如权利要求1-8任意一项所述的基于傅里叶滤波的船舶运动包络预报数据处理方法，该系统具体包括：
船舶运动包络时历数据获取模块（1），用于通过测量设备采集船舶垂荡、横摇、纵摇自由度的船舶运动时历数据，所述船舶运动时历数据以时间序列的形式记录下来，提取所述船舶运动时历数据的极值点进行三次样条拟合插值，得到船舶运动包络时历数据；
转换频域模块（2），用于将所述船舶运动包络时历数据通过傅里叶变换转换到频域，在所述频域中，利用傅里叶滤波器对所述船舶运动包络时历数据进行滤波处理；
转换时域模块（3），用于完成滤波处理后，将滤波后的频域数据通过傅里叶逆变换转换回时域；
船舶运动包络时历数据预报模块（4），用于将经过傅里叶滤波后的船舶运动包络时历数据输入到长短期记忆LSTM神经网络模型中进行训练，训练船舶运动包络预报模型，基于所述船舶运动包络预报模型进行船舶运动包络时历数据的预报。
10.根据权利要求9所述的基于傅里叶滤波的船舶运动包络预报数据处理系统，其特征在于，该系统搭载在计算机设备，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方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410302135.7A CN117909665A (zh) | 2024-03-18 | 2024-03-18 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410302135.7A CN117909665A (zh) | 2024-03-18 | 2024-03-18 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117909665A true CN117909665A (zh) | 2024-04-19 |
Family
ID=90682323
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410302135.7A Pending CN117909665A (zh) | 2024-03-18 | 2024-03-18 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117909665A (zh) |
Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107784190A (zh) * | 2017-11-29 | 2018-03-09 | 哈尔滨工程大学 | 船舶结构宽频线谱振动噪声快速预报方法 |
| CN109737955A (zh) * | 2018-12-14 | 2019-05-10 | 南京理工大学 | 一种海浪补偿系统的姿态预测方法 |
| CN110806692A (zh) * | 2019-10-21 | 2020-02-18 | 上海海事大学 | 一种基于cnn-latm组合模型的波浪补偿预测方法 |
| CN110927706A (zh) * | 2019-12-10 | 2020-03-27 | 电子科技大学 | 基于卷积神经网络的雷达干扰检测识别方法 |
| 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 |
| US20210196239A1 (en) * | 2018-04-03 | 2021-07-01 | The Children's Mercy Hospital | Systems and methods for detecting flow of biological fluids |
| CN113205491A (zh) * | 2021-04-23 | 2021-08-03 | 常熟理工学院 | 一种基于深度学习的织物起毛起球评级方法 |
| 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 |
| CN114386175A (zh) * | 2022-01-14 | 2022-04-22 | 大连海事大学 | 一种船舶局部疲劳热点损伤率预报方法 |
| CN114820351A (zh) * | 2022-04-07 | 2022-07-29 | 中国科学院空天信息创新研究院 | 高光谱噪声滤波方法、装置、设备和存储介质 |
| CN115132191A (zh) * | 2022-06-30 | 2022-09-30 | 济南大学 | 基于机器学习的抗噪声语音识别方法及系统 |
| CN115588437A (zh) * | 2022-12-13 | 2023-01-10 | 南方电网数字电网研究院有限公司 | 语音增强方法、装置、设备和存储介质 |
| WO2023036017A1 (zh) * | 2021-09-07 | 2023-03-16 | 广西电网有限责任公司贺州供电局 | 一种用于电网调度的语音识别方法及系统 |
| CN116045972A (zh) * | 2022-03-02 | 2023-05-02 | 上海共迹科技有限公司 | 一种基于车辆姿态角的道路坡度估计方法 |
| CN116227242A (zh) * | 2023-05-09 | 2023-06-06 | 中国海洋大学 | 基于白噪声滤波的随机不规则波浪模拟方法 |
| CN116678404A (zh) * | 2023-06-08 | 2023-09-01 | 哈尔滨工程大学 | 一种基于多重傅里叶线性组合器的舰船升沉测量方法 |
| CN116842474A (zh) * | 2023-06-14 | 2023-10-03 | 青岛哈尔滨工程大学创新发展中心 | 一种基于tft模型的舰船运动极短期预报方法及系统 |
| CN116861202A (zh) * | 2023-09-05 | 2023-10-10 | 青岛哈尔滨工程大学创新发展中心 | 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 |
| CN116894150A (zh) * | 2023-07-20 | 2023-10-17 | 天津大学 | 一种海洋气候研究中的滤波方法及其应用 |
| CN117104452A (zh) * | 2023-08-19 | 2023-11-24 | 青岛哈尔滨工程大学创新发展中心 | 基于人工神经网络的随船摇荡运动反演波浪方法及系统 |
| CN117574310A (zh) * | 2023-10-19 | 2024-02-20 | 山东大学 | 基于多任务深度学习的建筑中央空调负荷预测方法及系统 |
| CN117634661A (zh) * | 2023-05-19 | 2024-03-01 | 大连海事大学 | 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 |
-
2024
- 2024-03-18 CN CN202410302135.7A patent/CN117909665A/zh active Pending
Patent Citations (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107784190A (zh) * | 2017-11-29 | 2018-03-09 | 哈尔滨工程大学 | 船舶结构宽频线谱振动噪声快速预报方法 |
| US20210196239A1 (en) * | 2018-04-03 | 2021-07-01 | The Children's Mercy Hospital | Systems and methods for detecting flow of biological fluids |
| CN109737955A (zh) * | 2018-12-14 | 2019-05-10 | 南京理工大学 | 一种海浪补偿系统的姿态预测方法 |
| CN110806692A (zh) * | 2019-10-21 | 2020-02-18 | 上海海事大学 | 一种基于cnn-latm组合模型的波浪补偿预测方法 |
| CN110927706A (zh) * | 2019-12-10 | 2020-03-27 | 电子科技大学 | 基于卷积神经网络的雷达干扰检测识别方法 |
| 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 |
| 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 |
| CN113205491A (zh) * | 2021-04-23 | 2021-08-03 | 常熟理工学院 | 一种基于深度学习的织物起毛起球评级方法 |
| 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 |
| WO2023036017A1 (zh) * | 2021-09-07 | 2023-03-16 | 广西电网有限责任公司贺州供电局 | 一种用于电网调度的语音识别方法及系统 |
| 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 |
| CN114386175A (zh) * | 2022-01-14 | 2022-04-22 | 大连海事大学 | 一种船舶局部疲劳热点损伤率预报方法 |
| CN116045972A (zh) * | 2022-03-02 | 2023-05-02 | 上海共迹科技有限公司 | 一种基于车辆姿态角的道路坡度估计方法 |
| CN114820351A (zh) * | 2022-04-07 | 2022-07-29 | 中国科学院空天信息创新研究院 | 高光谱噪声滤波方法、装置、设备和存储介质 |
| CN115132191A (zh) * | 2022-06-30 | 2022-09-30 | 济南大学 | 基于机器学习的抗噪声语音识别方法及系统 |
| CN115588437A (zh) * | 2022-12-13 | 2023-01-10 | 南方电网数字电网研究院有限公司 | 语音增强方法、装置、设备和存储介质 |
| CN116227242A (zh) * | 2023-05-09 | 2023-06-06 | 中国海洋大学 | 基于白噪声滤波的随机不规则波浪模拟方法 |
| CN117634661A (zh) * | 2023-05-19 | 2024-03-01 | 大连海事大学 | 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 |
| CN116678404A (zh) * | 2023-06-08 | 2023-09-01 | 哈尔滨工程大学 | 一种基于多重傅里叶线性组合器的舰船升沉测量方法 |
| CN116842474A (zh) * | 2023-06-14 | 2023-10-03 | 青岛哈尔滨工程大学创新发展中心 | 一种基于tft模型的舰船运动极短期预报方法及系统 |
| CN116894150A (zh) * | 2023-07-20 | 2023-10-17 | 天津大学 | 一种海洋气候研究中的滤波方法及其应用 |
| CN117104452A (zh) * | 2023-08-19 | 2023-11-24 | 青岛哈尔滨工程大学创新发展中心 | 基于人工神经网络的随船摇荡运动反演波浪方法及系统 |
| CN116861202A (zh) * | 2023-09-05 | 2023-10-10 | 青岛哈尔滨工程大学创新发展中心 | 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 |
| CN117574310A (zh) * | 2023-10-19 | 2024-02-20 | 山东大学 | 基于多任务深度学习的建筑中央空调负荷预测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 朱兆彤;邹哲光;许肖梅;陶毅;吕连港;: "基于BP神经网络的海洋声学仪器信号识别方法", 厦门大学学报(自然科学版), no. 04, 28 July 2012 (2012-07-28) * |
| 赵慧敏;张志强;梅检民;沈虹;常春;: "基于FRFT和LSTM的变速器齿轮早期故障诊断", 军事交通学院学报, no. 04, 25 April 2020 (2020-04-25) * |
| 黄礼敏: "海浪中非平稳非线性舰船运动在线预报研究", CNKI博士学位论文全文库, 15 November 2017 (2017-11-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101303764B (zh) | 基于非下采样轮廓波的多传感器图像自适应融合方法 | |
| CN111679654B (zh) | 基于神经网络的电力驱动系统振动信号诊断方法及装置 | |
| CN108334987B (zh) | 一种基于小波分解-神经网络的海浪波高预测方法 | |
| CN111950759A (zh) | 一种基于两级分解、lstm和at的短期风速预测方法 | |
| CN113345463B (zh) | 基于卷积神经网络的语音增强方法、装置、设备及介质 | |
| CN114549925A (zh) | 一种基于深度学习的海浪有效波高时间序列预测方法 | |
| 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 | |
| CN115859116A (zh) | 一种基于径向基函数回归插值法的海洋环境场重建方法 | |
| CN115830436A (zh) | 一种基于深度学习的海洋生物智能检测方法 | |
| CN113782044B (zh) | 一种语音增强方法及装置 | |
| CN112735466B (zh) | 一种音频检测方法及装置 | |
| CN117909665A (zh) | 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 | |
| Liu et al. | Application of multi-algorithm mixed feature extraction model in underwater acoustic signal | |
| CN110988673A (zh) | 电机转子故障检测方法、装置及终端设备 | |
| CN116226704A (zh) | 基于多特征融合和改进ShuffleNetV2的船舶变转速轴承故障诊断方法 | |
| CN117828306A (zh) | 一种基于船舶运动频谱特征的数据样本扩充方法及系统 | |
| CN117851760A (zh) | 一种基于频带预处理的波浪智能预报模型优化方法及系统 | |
| Price et al. | Frequency domain techniques for numerical and experimental modelling of wave energy converters | |
| CN114639391A (zh) | 机械故障提示方法、装置、电子设备及存储介质 | |
| Zhang et al. | Determining the length of sliding window by using frequency decomposition | |
| CN117974736B (zh) | 一种基于机器学习的水下传感器输出信号降噪方法及系统 | |
| CN113884761B (zh) | 一种提高测频精度的方法、装置、设备及介质 | |
| Zhang et al. | An improved sparsity-enhanced decomposition signal method based on GMC and TQWT for rolling bearing faults | |
| CN109271687B (zh) | 一种动态载荷自适应时域识别方法 |
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 |