一种船舶运动姿态分解域智能预报方法技术

本发明专利技术一种船舶运动姿态分解域智能预报方法，包括以下几个步骤：分解船舶横摇角时间序列；检验分解所得分量和余项的波动程度；对分量和余项进行分类；将分量和余项重构为高频、中频和低频三个分量；对三个分量分别建立不同结构的信息熵加权Elman神经网络时间序列直接多步预报模型；对高频、中频和低频分量的多步预报结果进行自适应叠加，完成智能预报。不仅能保证较高的预报精度，同时又能提高建模效率，具有可靠性强、通用性强等优点，是一种提高预报准确率的有效方法。

【技术实现步骤摘要】
【专利摘要】本专利技术，包括以下几个步骤：分解船舶横摇角时间序列；检验分解所得分量和余项的波动程度；对分量和余项进行分类；将分量和余项重构为高频、中频和低频三个分量；对三个分量分别建立不同结构的信息熵加权Elman神经网络时间序列直接多步预报模型；对高频、中频和低频分量的多步预报结果进行自适应叠加，完成智能预报。不仅能保证较高的预报精度，同时又能提高建模效率，具有可靠性强、通用性强等优点，是一种提高预报准确率的有效方法。【专利说明】
本专利技术属于船舶运动姿态预报技术，特别涉及用于船舶横摇运动姿态的预报。
技术介绍
船舶横摇运动姿态预报技术具有显著的军事意义和社会、经济价值。它可以为船舶在大风浪中的作业，如航行、动力定位、锚泊等提供安全保障，对提升舰载武器和装备的作战使用海情具有重要意义，可为船舶的使用、耐波性能设计的改进以及减摇装置控制精度的提高提供依据，全面增强舰船安全性能。船舶运动的非线性导致对其预报具有一定难度，近似的舰船运动机理模型求解困难，应用这样的模型必然很难给出满意预报。早期的船舶运动姿态预报技术分为频域预报法和基于传统统计学时间序列分析模型的时域预报法，随着人工智能、模糊逻辑、神经网络和灰色思想的引入，预报理论的发展又注入了新的活力。
技术实现思路
本专利技术的目的提供用于提高时间序列预报精度、降低建模难度的。本专利技术是通过以下技术方案实现的:，包括以下几个步骤:步骤一:将船舶横摇角时间序列的分解，得到相互独立的本征模式分量及余项；步骤二:求得每个分量和余项的游程个数；分量和余项所对应的时间序列为{k(t)}，t = 1，2，...n，均值为L在时间序列k(t)中比均值E小的观察值记为比均值E大的观察值记为“ + ”，把时间序列k(t)转化为一个只有“ + ”和的符号序列，将每段连续相同的符号序列记为一个游程，步骤三:通过设定高频、中频以及低频的游程数阈值来对不同波动程度的分量和余项进行划分，使得每个分量和余项分别属于高频区域、中频区域或低频区域中的一个区域；步骤四:将高频区域内的全部分量和余项重构为一个高频分量，将中频区域内的全部分量和余项重构为一个中频分量，将低频区域内的全部分量和余项重构为一个低频分量;步骤五:对重构后的闻频分量、中频分量、低频分量分别建立信息熵加权Elman神经网络时间序列直接多步预报模型，得到高频分量、中频分量、低频分量的多步预报结果；步骤六:采用广义回归神经网络作为叠加器，对高频分量、中频分量、低频分量的多步预报结果进行自适应叠加，完成预报。本专利技术还可以包括:1、分解船舶横摇角时间序列的方法包括以下几个步骤，步骤一:取船舶横摇角的原始时间序列X(t)的局部最大值点和局部最小值点；步骤二:利用3次样条线把所有局部极大值点连接起来形成上包络线emaxl (t)，同时再用3次样条线将所有的局部极小值点连接起来形成下包络线eminl (t)，上下包络线包络所有数据点；由极大值包络线与极小值包络线取平均得到均值包络线Hi1U):IIi1 (t) = (emaxl (t) +eminl (t)) /2 ；步骤三:求得本征模式分量MF;计算原始时间序列X(t)与均值包络线mi(t)的差值，记为Ii1 (t):Ii1 (t) = X (t) H1 (t)判断差值111(0是否满足本征模式分量IMF所具备的条件，若不满足，将差值Ill (t)作为新的时间序列继续执行步骤一和步骤二，直到满足本征模式分量IMF的条件，得到第一个本征模式分量IMF1 ；步骤四:从原始时间序列X(t)中分离出分量IMF1,得到第一次余项R1U):R1 (t) = X (t) -1MF1 ；步骤五:将第一次余项R1U)当作新的时间序列重复步骤一到步骤四，得到第η次余项Rn (t):R2 (t) = R1 (t) -1MF2R3 (t) = R2 (t) -1MF3...Rn (t) = Rn_!(t)-1MFn当不能再从第η次余项Rn(t)中提取满足本征模式分量IMF条件的分量时，分解过程结束,原始时间序列可被分解为本征模式分量MF和最终余项的和:【权利要求】1.，其特征在于，包括以下几个步骤: 步骤一:将船舶横摇角时间序列的分解，得到相互独立的本征模式分量及余项； 步骤二:求得每个分量和余项的游程个数； 分量和余项所对应的时间序列为{k(t)}，t = 1，2，...n，均值为?，在时间序列k(t)中比均值[小的观察值记为比均值[大的观察值记为“ + ”，把时间序列k(t)转化为一个只有“ + ”和的符号序列，将每段连续相同的符号序列记为一个游程，步骤三:通过设定高频、中频以及低频的游程数阈值来对不同波动程度的分量和余项进行划分，使得每个分量和余项分别属于高频区域、中频区域或低频区域中的一个区域；步骤四:将高频区域内的全部分量和余项重构为一个高频分量，将中频区域内的全部分量和余项重构为一个中频分量，将低频区域内的全部分量和余项重构为一个低频分量；步骤五:对重构后的高频分量、中频分量、低频分量分别建立信息熵加权Elman神经网络时间序列直接多步预报模型，得到高频分量、中频分量、低频分量的多步预报结果； 步骤六:采用广义回归神经网络作为叠加器，对高频分量、中频分量、低频分量的多步预报结果进行自适应叠加，完成预报。2.根据权利要求1所述的，其特征在于:所述的分解船舶横摇角时间序列的方法包括以下几个步骤， 步骤一:取船舶横摇角的原始时间序列X(t)的局部最大值点和局部最小值点； 步骤二:利用3次样条线把所有局部极大值点连接起来形成上包络线emaxl(t)，同时再用3次样条线将所有的局部极小值点连接起来形成下包络线eminl (t)，上下包络线包络所有数据点；由极大值包络线与极小值包络线取平均得到均值包络线Hi1 (t):mi ⑴=(emaxl (t) +eminl (t)) /2 ； 步骤三:求得本征模式分量頂F ;计算原始时间序列X (t)与均值包络线Hi1 (t)的差值，记为 Ii1 (t): Ii1 (t) = X (t) -Hi1 (t) 判断差值4(0是否满足本征模式分量IMF所具备的条件，若不满足，将差值Ill (t)作为新的时间序列继续执行步骤一和步骤二，直到满足本征模式分量IMF的条件，得到第一个本征模式分量IMF1 ； 步骤四:从原始时间序列X(t)中分离出分量IMF1,得到第一次余项R1U):R1 (t) = X (O-1MF1 ； 步骤五:将第一次余项R1U)当作新的时间序列重复步骤一到步骤四，得到第η次余项Rn⑴: R2 (t) = R1 (t) -1MF2 R3 (t) = R2 (t) -1MF3...Rn (t) = Rlri (t)-MFn 当不能再从第η次余项Rn(t)中提取满足本征模式分量IMF条件的分量时，分解过程结束,原始时间序列可被分解为本征模式分量IMF和最终余项的和: x(t)=ΣIMF1+R(t)3.根据权利要求1或2所述的，其特征在于:所述的对重构后的高频分量、中频分量、低频分量分别建立信息熵加权Elman神经网络时间序列直接多步预报模型，包括以下几个步骤， 步骤一:将高频分量、中频分量、低频分量数据分别归一化到范围内: 本文档来自技高网...

【技术保护点】
一种船舶运动姿态分解域智能预报方法，其特征在于，包括以下几个步骤：步骤一：将船舶横摇角时间序列的分解，得到相互独立的本征模式分量及余项；步骤二：求得每个分量和余项的游程个数；分量和余项所对应的时间序列为{k(t)},t＝1,2,...n，均值为在时间序列k(t)中比均值小的观察值记为“‑”，比均值大的观察值记为“+”，把时间序列k(t)转化为一个只有“+”和“‑”的符号序列，将每段连续相同的符号序列记为一个游程，步骤三：通过设定高频、中频以及低频的游程数阈值来对不同波动程度的分量和余项进行划分，使得每个分量和余项分别属于高频区域、中频区域或低频区域中的一个区域；步骤四：将高频区域内的全部分量和余项重构为一个高频分量，将中频区域内的全部分量和余项重构为一个中频分量，将低频区域内的全部分量和余项重构为一个低频分量；步骤五：对重构后的高频分量、中频分量、低频分量分别建立信息熵加权Elman神经网络时间序列直接多步预报模型，得到高频分量、中频分量、低频分量的多步预报结果；步骤六：采用广义回归神经网络作为叠加器，对高频分量、中频分量、低频分量的多步预报结果进行自适应叠加，完成预报。

【技术特征摘要】

【专利技术属性】
技术研发人员：杨震，刘胜，王岩，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江;23