申请/专利权人：武汉大学

申请日：2021-09-09

公开（公告）日：2024-04-23

公开（公告）号：CN113837454B

主分类号：G06F18/20

分类号：G06F18/20;G06F18/2131;G06N3/0442;G06N3/045;G06N3/084;G06N3/086;G06N3/0985;B63B71/10;G07C5/08;G06F123/02

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2022.01.11#实质审查的生效;2021.12.24#公开

摘要：本发明提供一种船舶三自由度的混合神经网络模型预测方法及系统，包括由船舶上安装的姿态传感器获取原始船舶摇晃姿态数据，将原始船舶摇晃姿态数据通过重采样进行解码得到船舶摇晃姿态时间序列；将船舶摇晃姿态时间序列通过自适应经验小波变换方法进行自适应分解得到分解后多个子序列，形成子序列矩阵，以降低船舶三自由度运动非线性非平稳性，划分为训练集、验证集和测试集；引入双向长短期记忆网络以从过去和未来两个方向学习船舶三自由度的时间特征，使用引力搜索算法与粒子群算法结合的混合优化算法对隐含层节点数和学习率进行寻优，基于优化后的双向长短期记忆网络预测并输出结果。本发明提高了船舶三自由度预测的稳定性与准确性。

主权项：1.一种船舶三自由度的混合神经网络模型预测方法，其特征在于，包括如下步骤：1由船舶上安装的姿态传感器获取原始船舶摇晃姿态数据，将原始船舶摇晃姿态数据通过重采样进行解码得到船舶摇晃姿态时间序列；2将船舶摇晃姿态时间序列通过自适应经验小波变换方法进行自适应分解得到分解后多个子序列，形成子序列矩阵，以降低船舶三自由度运动非线性非平稳性；实现方式包括以下子步骤，步骤2.1，对船舶摇晃姿态时间序列D进行傅里叶变换，得到信号频谱Fω，Fω表示角频率为ω的信号频谱； 其中，表示对船舶摇晃姿态时间序列D进行傅里叶变换；步骤2.2，通过对信号频谱Fω求解二阶导数，获取Fω的极大值点个数P，再根据每个极大值点划分频带区间，所述划分方法为一一对应关系，一个极大值点对应一个频带区间，记作Λm，Λm表示第m个频带区间；步骤2.3，根据信号划分后的频带区间Λm构造正交小波滤波器组，所述正交小波滤波器组包括经验尺度函数、经验小波函数；所述经验尺度函数和所述经验小波函数定义如下， m∈[1,P]其中，表示第m个频带区间内位于ω频点的经验尺度函数，表示第m个频带区间内位于ω频点的经验小波函数，ωm表示第m个频带区间的角频率，βx表示多项式函数，γ表示经验模态频带系数，步骤2.4，将信号频谱Fω通过步骤2.3得到的小波滤波器组提取得到低频分量、高频分量，即经验模态分量，经验模态分量包含经验尺度分量f0t和有限个经验小波分量fkt；所述提取过程如下， k∈[1,n-1]其中，*表示卷积，f0t表示一个t时刻的经验尺度分量；fkt表示第k个在t时刻的经验小波分量，细节系数Wfk,t和近似系数Wf0,t的定义如下式， 其中，Wfk,t表示第k个经验小波分量在t时刻的细节系数，Wf0,t表示经验尺度分量在t时刻的近似系数；f表示经验小波分量；τ表示自变量；ψm表示第m个频带区间内的经验小波函数；fτ表示位于自变量τ的经验小波分量； 表示在自变量τ范围内t时刻的第m个经验小波函数积分表达式； 表示在自变量τ范围内t时刻的第1个经验尺度函数积分表达式；步骤2.5，对经验模态分量进行希尔伯特变换得到分解后序列矩阵；通过希尔伯特变换，对窄带信号进行解包络，并求解信号的瞬时频率，把信号的所有频率分量的相位推迟90度；所述对经验模态分量进行希尔伯特变换得到分解后序列矩阵为， i＝1,2,…,Nl＝1,2,…,L其中，S表示分解后序列矩阵，Si,l表示第i个子序列中第l个信号，N表示子序列的数量，L表示每个子序列的长度；fit表示位于t时刻的第i个经验小波分量；表示对t时刻的第i个经验小波分量进行希尔伯特变换；3基于步骤2分解后得到的子序列矩阵，划分为训练集、验证集和测试集；4引入双向长短期记忆网络以从过去和未来两个方向学习船舶三自由度的时间特征，包括将训练集中的每个子序列样本依次输入至双向长短期记忆网络，通过双向长短期记忆网络预测得到未来时刻船舶姿态序列，结合实时刻船舶姿态序列构建损失函数模型，进一步通过梯度下降训练方式对双向长短期记忆网络的神经元权重和超参数进行优化训练，所述超参数包括隐含层节点数和学习率，得到更新后双向长短期记忆网络的神经元权重和超参数，用于初始化双向长短期记忆网络，得到初始的双向长短期记忆网络模型；5将步骤3所得验证集输入至步骤4所得初始的双向长短期记忆网络，使用引力搜索算法与粒子群算法结合的混合优化算法对隐含层节点数和学习率进行寻优，得到优化后隐含层节点数、优化后学习率，将优化后隐含层节点数、优化后学习率输入初始的双向长短期记忆网络模型，得到优化后双向长短期记忆网络；6评价步骤5优化后的双向长短期记忆网络，包括将步骤3所得测试集输入步骤5所得优化后的双向长短期记忆网络进行鲁棒性测试，对预测结果进行误差分析，评价预测结果是否可靠，可靠则基于优化后的双向长短期记忆网络预测并输出结果。

全文数据：

权利要求：

百度查询： 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

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD