一种基于长短期神经网络的舰船运动极短期预报方法技术

本发明专利技术公开了一种基于长短期神经网络的舰船运动极短期预报方法，属于舰船运动预报技术领域，获取初始数据，将初始数据进行预处理，以生成有效初始数据，然后根据有效初始数据分别采用多种预置的长短期神经网络模型对船舶运动进行预测，以生成多种预测结果，通过从几个方面采用不同的输入数据进行预测，再将多种预测结果进行对比，以生成对比结果，并根据对比结果得到最终的预报结果信息，从而使得预测结果不仅仅是根据一种输入数据来得到预测，而是从多方面进行预测，并且将预测结果进行对比得到，各个预测结果之间的差异越小，说明预测结果更加准确，从而提高了船舶运动极短期预报的准确性。的准确性。的准确性。

【技术实现步骤摘要】
一种基于长短期神经网络的舰船运动极短期预报方法


[0001]本专利技术属于舰船运动预报
，更具体地，涉及一种基于长短期神经网络的舰船运动极短期预报方法。

技术介绍

[0002]舰船运动极短期预报是指对船舶未来几秒到十几秒的运动姿态进行预报，其有效实现有助于保障船舶在海上航行及作业安全。近年来，随着人工神经网络算法的蓬勃发展，越来越多的学者运用人工神经网络进行船舶运动极短期预报。目前采用人工神经网络进行船舶运动极短期预报存在预报不够准确的问题。

技术实现思路

[0003]针对现有技术的以上缺陷或改进需求，本专利技术提出了一种基于长短期神经网络的船舶运动极短期预报方法，用以改善现有技术中采用人工神经网络进行船舶运动极短期预报存在预报不够准确的问题。
[0004]为实现上述目的，本专利技术提供了一种基于长短期神经网络的舰船运动极短期预报方法，包括：
[0005]获取初始数据，其中，所述初始数据包括船舶运动本身数据、其他船舶运动姿态数据和波高数据；
[0006]分别将船舶运动本身数据、其他船舶运动姿态数据和波高数据进行预处理，以生成有效船舶运动本身数据、有效其他船舶运动姿态数据及有效波高数据；
[0007]根据有效船舶运动本身数据、有效其他船舶运动姿态数据及有效波高数据分别采用多种预置的长短期神经网络模型对船舶运动进行预测，以生成多种预测结果；
[0008]将多种预测结果进行对比，以生成对比结果，并根据对比结果得到最终的预报结果信息。
[0009]其中，通过上述技术方案，通过从几个方面采用不同的输入数据进行预测，再将多种预测结果进行对比，以生成对比结果，并根据对比结果得到最终的预报结果信息，从而使得预测结果不仅仅是根据一种输入数据来得到预测，而是从多方面进行预测，并且将预测结果进行对比得到，各个预测结果之间的差异越小，说明预测结果更加准确，从而提高了船舶运动极短期预报的准确性。
[0010]在一些可选的实施方案中，所述分别将船舶运动本身数据、其他船舶运动姿态数据和波高数据进行预处理，以生成有效船舶运动本身数据、有效其他船舶运动姿态数据及有效波高数据，包括：
[0011]分别将船舶运动本身数据、其他船舶运动姿态数据和波高数据输入到预置的平滑滤波器中，以生成预处理船舶运动本身数据、预处理其他船舶运动姿态数据和预处理波高数据；
[0012]分别将预处理船舶运动本身数据、预处理其他船舶运动姿态数据和预处理波高数
据进行归一化，以生成有效船舶运动本身数据、有效其他船舶运动姿态数据及有效波高数据。
[0013]其中，通过上述技术方案，通过将初始数据进行预处理可以去除噪声数据，还可以减少数据量级差异的影响，同时加快训练收敛速度，提高计算效率，然后根据有效初始数据分别采用多种预置的长短期神经网络模型对船舶运动进行预测，以生成多种预测结果。
[0014]在一些可选的实施方案中，所述根据有效船舶运动本身数据、有效其他船舶运动姿态数据及有效波高数据分别采用多种预置的长短期神经网络模型对船舶运动进行预测，以生成多种预测结果，包括：
[0015]提取并将有效船舶运动本身数据输入到预置的第一长短期神经网络模型中，以生成第一预测结果；
[0016]提取并将有效船舶运动本身数据和有效其他船舶运动姿态数据输入到预置的第二长短期神经网络模型中，以生成第二预测结果；
[0017]提取并将有效船舶运动本身数据和有效波高数据输入到预置的第三长短期神经网络模型中，以生成第三预测结果。
[0018]在一些可选的实施方案中，所述将多种预测结果进行对比，以生成对比结果，并根据对比结果得到最终的预报结果信息，包括：
[0019]将多种预测结果中任意两种预测结果进行对比，得到多个对比结果；
[0020]将多个对比结果分别与预置的阀值进行对比，若多个对比结果均小于预置的阀值，则将多种预测结果中任意一种预测结果作为最终的预报结果信息；若至少一个对比结果不小于预置的阀值，则获取初始数据，以进行下一次预测。
[0021]在一些可选的实施方案中，利用数据间斜率相关理论设置有效的判断阀值，并将有效的判断阀值作为预置的阀值。
[0022]在一些可选的实施方案中，所述第一长短期神经网络模型、所述第二长短期神经网络模型及所述第三长短期神经网络模型的构建包括：
[0023]获取样本初始数据；
[0024]获取模型参数；
[0025]根据模型参数和样本初始数据构建长短期神经网络框架并进行迭代训练，以得到长短期神经网络模型。
[0026]在一些可选的实施方案中，所述获取模型参数，包括：
[0027]根据样本初始数据设置初始模型参数；
[0028]采用粒子群优化算法对初始模型参数进行优化计算，以生成优化的模型参数，并将优化的模型参数作为模型参数。
[0029]在一些可选的实施方案中，所述第一长短期神经网络模型、所述第二长短期神经网络模型及所述第三长短期神经网络模型的构建还包括：
[0030]提取并将样本初始数据中的数据向量组进行多层长短期神经网络计算，生成目标数据；
[0031]将目标数据带入预置的损失函数表达式中进行计算，得到损失值；
[0032]根据损失值采用预置的优化器对长短期神经网络模型进行优化，以生成优化后的长短期神经网络模型。
[0033]在一些可选的实施方案中，船舶运动本身数据包括船舶横摇运动历时数据，其他船舶运动姿态数据包括船舶六自由度运动数据；波高数据包括不同位置的波高数据。
[0034]总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
[0035]本专利技术通过获取初始数据，上述初始数据包括船舶运动本身数据、其他船舶运动姿态数据和波高数据，然后将初始数据进行预处理，以生成有效初始数据，通过将初始数据进行预处理可以去除噪声数据，还可以减少数据量级差异的影响，同时加快训练收敛速度，提高计算效率，然后根据有效初始数据分别采用多种预置的长短期神经网络模型对船舶运动进行预测，以生成多种预测结果，通过从几个方面采用不同的输入数据进行预测，再将多种预测结果进行对比，以生成对比结果，并根据对比结果得到最终的预报结果信息，从而使得预测结果不仅仅是根据一种输入数据来得到预测，而是从多方面进行预测，并且将预测结果进行对比得到，各个预测结果之间的差异越小，说明预测结果更加准确，从而提高了船舶运动极短期预报的准确性。
附图说明
[0036]图1是本专利技术实施例提供的一种基于长短期神经网络的舰船运动极短期预报方法的流程示意图；
[0037]图2是本专利技术实施例提供的一种长短期记忆神经网络单元示意图。
具体实施方式
[0038]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于长短期神经网络的舰船运动极短期预报方法，其特征在于，包括：获取初始数据，其中，所述初始数据包括船舶运动本身数据、其他船舶运动姿态数据和波高数据；分别将船舶运动本身数据、其他船舶运动姿态数据和波高数据进行预处理，以生成有效船舶运动本身数据、有效其他船舶运动姿态数据及有效波高数据；根据有效船舶运动本身数据、有效其他船舶运动姿态数据及有效波高数据分别采用多种预置的长短期神经网络模型对船舶运动进行预测，以生成多种预测结果；将多种预测结果进行对比，以生成对比结果，并根据对比结果得到最终的预报结果信息。2.根据权利要求1所述的方法，其特征在于，所述分别将船舶运动本身数据、其他船舶运动姿态数据和波高数据进行预处理，以生成有效船舶运动本身数据、有效其他船舶运动姿态数据及有效波高数据，包括：分别将船舶运动本身数据、其他船舶运动姿态数据和波高数据输入到预置的平滑滤波器中，以生成预处理船舶运动本身数据、预处理其他船舶运动姿态数据和预处理波高数据；分别将预处理船舶运动本身数据、预处理其他船舶运动姿态数据和预处理波高数据进行归一化，以生成有效船舶运动本身数据、有效其他船舶运动姿态数据及有效波高数据。3.根据权利要求2所述的方法，其特征在于，所述根据有效船舶运动本身数据、有效其他船舶运动姿态数据及有效波高数据分别采用多种预置的长短期神经网络模型对船舶运动进行预测，以生成多种预测结果，包括：提取并将有效船舶运动本身数据输入到预置的第一长短期神经网络模型中，以生成第一预测结果；提取并将有效船舶运动本身数据和有效其他船舶运动姿态数据输入到预置的第二长短期神经网络模型中，以生成第二预测结果；提取并将有效船舶运动本身数据和有效波高数据输入到预置的第三长短期神经网络模型中，以生成第三预测结果。4.根据权利要...

【专利技术属性】
技术研发人员：常进，胡文博，樊国玮，吴其俊，
申请(专利权)人：中国舰船研究设计中心，
类型：发明
国别省市：