基于LSTM循环神经网络的船舶运动极短期预报

长短期记忆(LSTM)循环神经网络对于预报非线性时间序列有优势,尝试将LSTM网络应用于船舶运动极短期预报。利用某破冰船在北冰洋航行时两段典型海况下的横摇和纵摇运动实测数据,探究LSTM神经网络模型的预报精度和有效时长。研究发现,LSTM神经网络模型在海况良好、船舶的运动周期性强且主导频率突出时可以取得满意预报效果。但随着时长的增加,误差会不断累积,精确度逐步降低。在编码器-解码器逐步迭代框架基础上利用多层感知机提出直接多步预报改进模型。研究发现,改进模型可以有效减少误差积累、提高预报精度和延长有效时间,尤其在恶劣海况下预报结果改善更为显著。研究成果可以为基于神经网络开发高效准确的船舶运动极短期预报方法提供参考。

基于LSTM的船舶纵摇极短期预报

为船舶航行决策相关设备的精度校准提供数据支持,保障船舶安全航行及船用设备的稳定运行具有重要意义。传统水动力学分析方法难以精确、高效地预报船舶的非线性运动。为了提高船舶极短期预报的精度,分别构建单特征和多特征输入的长短期记忆人工神经网络(LSTM)模型,对船舶在波浪中的纵摇运动进行研究和预测,分析了运动参数和波浪参数对模型预报精度的影响,并对输入参数的时间间隔和模型训练数量等参数展开分析。结果表明,该方法在单特征输入情况下有效预测时间可达6 s,在多特征输入的情况下有效预测时间可达12 s,验证了LSTM算法对船舶在波浪中的纵摇运动进行极短期预报的可行性。

基于长短期记忆网络的大型漂浮式风力发电机平台运动极短期预报方法

大型漂浮式风力发电机平台运动响应的超前预报是实现主动调载系统控制和智慧运维监测的关键技术.然而,漂浮式风力发电机复杂的工作环境使得仅依靠物理模型和数值仿真方法的极短期预报具有非常大的挑战.因此,提出一种创新的基于长短期记忆神经网络的漂浮式风力发电机平台运动极短期预报方法,并利用实测数据开展了浮式平台纵荡运动的验证与不确定性分析.结果表明,该极短期预报方法可以获得较好的精度,超前60 s预报工作状态下纵荡运动的均方误差最大仅约为1%.该大型漂浮式风力发电机极短期运动响应预报能够为未来漂浮式风电场的智慧运维提供扎实的技术支撑.

具有艏前波观测量的大型舰船姿态运动极短期预报

本文提出了具有艏前波观测量时大型舰船姿态运动建模的预报方法 ,仿真计算表明 ,该方法具有满意的预报精度。最后 ,将该方法与通常的AR方法进行了比较。

基于混沌理论与RBF神经网络的船舶运动极短期预报研究

文章基于混沌动力系统相空间重构理论,利用关联维数法和最大Lyapunov指数法,对船舶运动时间序列的混沌特性进行了判定。并利用RBF神经网络较强的非线性映射功能,结合相空间重构理论建立了船舶运动极短期直接多步预报模型。实例预报结果表明,所建立的预报模型应用于船舶运动极短期预报取得了令人满意的预报精度,预报时间可达10 s。

基于相空间重构技术的舰船摇荡极短期预报

舰船运动受各种非线性因素影响严重,且舰船自身6个自由度的运动间存在相互耦合,在很多情况下表现为混沌。本文提出了基于相空间重构技术的舰船摇荡极短期预报模型,包括加权一阶局域法多步预报模型和RBF神经网络局域法多步预报模型。仿真表明,两种模型均能有效预报舰船摇荡极短期运动。

基于小波滤波和LSTM 神经网络的船舶运动极短期预报研究

为了提高船舶运动极短期预报精度及预报时间长度,本文采用小波多分辨率分析方法,将含有噪声的船舶运动信号进行了多尺度小波变换,通过采用阈值函数法对各尺度下细节信号的小波系数进行处理,对小波分解层数、小波基函数、阈值处理方法进行了深入研究,并通过模型试验数据对滤波效果进行了验证分析,实现了船舶运动信号的小波滤波。进一步针对船舶运动的非线性特性,基于深度神经网络的非线性映射能力,建立了基于LSTM网络的多步直接映射船舶运动极短期预报模型,并采用滤波后的船舶运动数据进行了不同工况下的预报分析。结果表明,不同时间长度的预报与试验结果幅值和相位吻合较好,验证了所建立的极短期预报模型的可行性。

混沌理论和神经网络相结合的舰船摇荡运动极短期预报

舰船摇荡运动具有混沌特性,因而可以应用混沌理论对其进行预报。介绍了混沌时间序列预测原理;建立了基于混沌理论相空间重构技术的RBF神经网络模型,并将其用于舰船摇荡运动预报;通过对某实船纵摇时历的预报计算,证明了采用混沌和神经网络相结合的预报方法,能有效提高预报精度和延长预报时长。

船舶运动的极短期预报试验

利用自回归模型对船舶运动进行了预报试验研究。试验结果表明,对于直升机稳定平台补偿控制系统来说,由于只需要对船舶未来极短时间内的运动进行预报,所以基于自回归模型的预报方法能满足系统的实际要求,是一种简单、可行的方法。

船舶运动极短期预报研究

本文通过对两艘有航速情况下的船舶运动实测数据的分析，试图寻求一种准确程度较高的极短期预报模型。该文共分两部分，第一部分利用AR模型导出多级AR模型，预报精度明显提高。在对运动瞬时值预报中，利用包络对结果进行修正，精度有所改进；第二部分利用人工神经网络导出了包络的预报模式，预报精度明显高于AR模型。

实船运动与包络的极短期预报分析

舰船运动及包络的实时预报可以为舰载机起降、船舶减摇、海上锚泊并靠物资补给、动力定位等提供辅助指导意见。本文利用某实船的升沉、纵摇与横摇数据,建立运动和包络的2阶自适应Volterra级数模型,通过RLS算法估计Volterra级数模型的核,统计了不同工况下的运动预报精度。分析结果表明,Volterra级数模型可以用来辨识船舶运动系统,纵摇与升沉预报精度较好,运动预报可以与包络预报相结合共同指导工程作业。

船舶运动极短期预报方法综述(英文)

文章对船舶运动极短期预报技术进行了探讨和评价。论述了极短期运动预报的定义,从不同角度对极短期预报方法进行了分类。并对极短期预报方法的发展进行了叙述及讨论,分析了这些预报方法的优点和缺点,并对今后极短期运动预报技术研究的发展提出了建议。

基于AR-EMD方法的扩展非平稳船舶运动极短期预报AR模型（英文）

准确的极短期预报技术能够提高对船舶摇荡运动敏感的海洋特种作业安全性和效率。自回归(auto-regressive,AR)预报模型由于其自适应性强、计算效率高而被广泛应用于船舶运动的极短期预报研究。但该模型基于平稳随机假设,因而在非平稳船舶运动的极短期预报中存在困难。针对非平稳船舶运动极短期预报,文章提出一种基于AR-EMD方法的扩展AR模型,称为EMD-AR预报模型。其中,AR-EMD方法是指在经验模态分解(empirical mode decomposition,EMD)的过程中,采用AR预报的方法处理端点效应问题。EMD-AR预报模型将非平稳信号分解成若干平稳的固有模态函数分量及余项,然后对各个分量分别用AR模型预报,得到最终的预报结果,以此克服非平稳性对AR预报模型的影响。研究基于船舶试验数据将EMD-AR模型与线性AR模型、非线性支持向量机回归(support vector regression,SVR)预报模型进行对比分析,结果表明,AR-EMD方法能够有效处理船舶运动非平稳性对AR预报模型的影响,提高该模型的预报精度,且EMD-AR模型预报性能较线性AR模型和非线性SVR模型更优。

基于神经网络方法的船舶姿态运动极短期预报与仿真

根据动态神经网络具有通过学习能以任意精度逼近非线性函数的特性,建立了用于船舶运动极短期预报的对角回归网络(DRNN)模型及算法,并将该算法所取得的结果与自回归预报法和周期图预报法的结果相比较,说明了该算法的可行性。

舰船航态极短期预报的非线性方法

针对舰船航态的非线性特征，提出了采用非线性自回归模型描述舰船海上航行极短期运动过程的新方法利用正交化的手段得到了辅助模型，进而通过对辅助模型的辨识推导出舰船航态超前多步预报器仿真结果表明本文提出的预报方法比线性自回归模型描述的预报方法有效，能提高预报精度、加长预报时间另外，本文给出的非线性预报器的辨识方法，可以加快预报时计算速度。

基于EMD-LSTM模型半潜平台运动极短期预报

半潜平台在复杂海洋环境作用下,会发生不规则的六自由度运动响应。这种平台运动的不规则性和随机性对平台作业、栈桥控制以及直升机起落等造成极大的不确定和未知风险。因此,在极短期内准确快速预报平台运动响应对深海浮式平台作业和设备安全具有重要的实际意义。然而目前针对浮式平台运动响应的计算主要是基于势流理论,对确定波浪激励下的平台一阶运动和二阶慢漂运动进行求解,计算的时效性不能满足实际需求。此外,还需要对入射波浪时历进行准确预报,导致平台运动响应准确计算更加困难。针对上述难题,提出了基于EMD-LSTM模型进行平台运动极短期预报的方法。该方法以半潜平台模型试验数据为研究对象,首先对平台运动响应的时间序列进行预处理,接着采用经验模态分解算法(EMD)将时间序列分解成相对平稳的分量,再利用长短期记忆(LSTM)神经网络可以处理复杂非线性长时间序列的优点,对时间序列进行训练预测,最后进行仿真,同时与传统LSTM模型与EMD-BP模型进行对比,仿真结果表明基于EMD-LSTM模型的平台极短期预报方法精度较高,该方法是可行的,具有工程应用的实际意义。

基于AR的船舶运动极短期预报摇摆平台试验

精确船舶在实际海洋环境中的运动极短期预报具有重要的研究意义。对此,采用自回归(Auto-Rergressive AR)模型进行船舶升沉纵摇极短期预报研究,并进行摇摆台试验。经过对比运动测量值与运动极短预报值,所得预报值与测量值的吻合度较高,预报精度良好。

基于TCN模型的半潜式平台运动极短期预报

半潜式平台在深海中受到环境作用会产生6个自由度运动,这种不确定的运动对平台作业造成不利影响。因此,在较短时间内准确预报平台运动响应具有工程意义。目前,基于神经网络的时间序列预报方法比较主流的模型是长短期记忆(LSTM)网络,针对LSTM网络参数多、计算量大的问题,本文提出了基于时间卷积网络(TCN)模型进行半潜式平台运动极短期预报的方法。该方法以半潜式平台模型为研究对象,将TCN应用到时间序列的预报中,选取百年一遇、千年一遇的波浪条件,针对半潜式平台的垂荡运动,进行提前量为0、5s和10s的预报,将TCN模型与LSTM网络模型的预报结果进行对比,结果表明,在达到LSTM网络模型相近预报精度的情况下,TCN模型结构更简单,故本文提出的方法是可行的。

船舶运动姿态极短期预报研究

舰载机着舰是对海上飞行要求极高的作业．对舰船未来时刻的运动姿态进行预报，可以避免舰载机同飞行甲板的剧烈碰撞，保证舰载机在有风浪的海上安全起降．本文根据船舶运动特点，分析了船舶在海上航行时的运动过程．利用船舶运动的测量数据和艏前波值运用时间序列分析方法建立了船舶运动的数学模型并给出运动姿态的预报值．

船舶运动极短期预报中小波基和分层数的选取

对于随机海浪作用下船舶运动所具有的非平稳性和非线性,首先运用小波多尺度理论,将运动姿态时间序列分解为若干层近似意义上的平稳时间序列,再使用时间序列模型对每层的单支重构信号进行预报,最后综合每层的预报值得到原序列的预报值。同时根据原始时间序列的功率谱分析,由小波多尺度分析的频带划分范围确定小波分析中分解层数的选取;再根据不同小波基函数各自的特性,分析并选取适合的小波基函数,仿真结果表明,所提出的分解层数和小波基函数的选取方法提高了预报精度和预报时长。