申请/专利权人：武汉大学

申请日：2022-04-06

公开（公告）日：2024-05-17

公开（公告）号：CN114936669B

主分类号：G06Q10/04

分类号：G06Q10/04;G06F18/214;G06F18/25;G06N3/0464;G06N3/0442;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.05.17#授权;2022.09.09#实质审查的生效;2022.08.23#公开

摘要：本发明涉及船舶横摇运动预测技术，具体涉及一种基于数据融合的混合船舶横摇预测方法，将原始数据通过解码得到分辨率为100Hz的原始高分辨率船舶横摇时间序列数据集；采用重采样技术、Hampelidentifier算法和深度特征提取技术对原始高分辨率数据进行预处理；将低分辨率数据和深度特征信息数据，划分为训练集、验证集和测试集；分别选用低分辨率数据和深度特征信息数据的训练集建立双向长短期记忆‑卷积神经网络BiLSTM‑CNN初始模型；采用MOFEPSO算法将两种数据集的预测结果进行融合，完成数据融合预测；建立多层误差修正模型，得到预测结果。该方法能精确的确定性的预测船舶运动，具有较大的实际应用潜力。

主权项：1.一种基于数据融合的混合船舶横摇预测方法，其特征在于：包括以下步骤：步骤1、获取原始船舶横摇数据，将原始船舶横摇数据通过解码得到分辨率为100Hz的原始高分辨率船舶横摇时间序列数据集；步骤2、采用重采样技术、Hampelidentifier算法和深度特征提取技术对原始高分辨率船舶横摇时间序列数据集进行预处理，得到低分辨率数据和原始高分辨率数据的深度特征信息数据；步骤3、将步骤2所得低分辨率数据和深度特征信息数据划分为训练集、验证集和测试集；步骤4、分别选用低分辨率数据和深度特征信息数据的训练集建立双向长短期记忆-卷积神经网络BiLSTM-CNN初始模型；步骤5、将步骤3所得低分辨率数据和深度特征信息数据的验证集分别输入至步骤4所得BiLSTM-CNN初始模型，分别得到低分辨率数据和深度特征信息数据的初始预测值；采用多目标可行性增强粒子群MOFEPSO算法将两种初始预测值进行融合，获得最优组合权值，完成数据融合预测；步骤6、将步骤5所得数据融合预测结果与实际值相减，得到预测结果的初始残差序列；采用最大重叠离散小波包变换MODWPT算法将残差序列分解为多层残差子序列，利用异常值鲁棒极限学习机ORELM模型对每层残差子序列分别建立误差修正模型，得到多层误差修正后的残差子序列；再将每层残差子序列进行累加，得到修正后的残差序列，与数据融合预测结果相加，得到预测结果。

全文数据：

权利要求：

百度查询： 武汉大学 一种基于数据融合的混合船舶横摇预测方法

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