基于改进LSTM的船体监测数据异常处理方法

为了解决船体监测数据异常识别模型适应性差、异常修复过程低效且准确率不高等问题,提出一种基于改进长短期记忆网络(LSTM)对异常数据进行识别和修复,并采用BiLSTM-AEE对应变和加速度数据进行试验验证。结果表明,该方法在识别精度和修复效果方面都有明显优势,其中异常识别精度平均值达到91.8%,异常修复平均误差不超过4%,能有效对船体监测数据进行异常的识别与修复。相比其他异常数据处理方法,该方法能够根据监测数据变化对异常进行同步识别,修复过程更加高效。

基于LSTM-GRU模型的船体结构应力预测分析

船体结构应力预测对船舶航行安全具有重要意义,然而由于船体结构应力数据具有强随机性,传统方法难以有效准确地对其进行预测。为解决这一问题,采用对非线性关系具有很强拟合能力的长短期记忆网络(LSTM)和门控循环单元(GRU)组合方法对船体结构应力数据进行预测,并通过模型试验验证该方法的稳定性和可行性。结果表明,相比传统的循环神经网络(RNN)模型和单个预测模型,该组合模型在预测精度和效果方面都有明显优势,能够有效预测船体结构应力。其中,预测值与实际值的误差保持在3%以内,决定系数为0.91。