基于改进非洲秃鹫算法优化极限学习机的船舶运动预测

针对船舶运动预测模型精度不高而造成预测结果误差大的问题,提出一种利用改进非洲秃鹫优化算法(IAVOA)优化模型参数的极限学习机(ELM)预测模型,对船舶运动状况进行预测。在初始化种群时引入Circle混沌映射,增加种群的多样性;加入自适应算子,调整两类秃鹫对其他秃鹫的指引作用,提升算法的收敛速度和解的质量。利用IAVOA优化的ELM模型对船模水池试验运动数据进行预测,并采用均方根误差和平均绝对误差评判该预测模型,与现有其他启发式算法优化ELM模型比较,所提出的IAVOA-ELM具有更优的预测精度和泛化能力。

舰船运动极短期建模预报的研究现状

综述了舰船姿态运动极短期建模预报的发展历史及现状 ,讨论了各种建模预报方法在舰船运动极短期建模预报中存在的问题 ,着重介绍了投影寻踪学习法用于舰船运动建模预报。此外 ,对舰船运动极短期建模预报的研究作了展望。

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。

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。

基于ELM-EMD-LSTM组合模型的船舶运动姿态预测

在随机变动的海洋环境中,采用单一预测模型对船舶运动进行预报,预报值有时出现大的随机波动,预测误差超出安全限,对船舶运动控制和决策带来严重后果。本文提出了基于极限学习机(ELM)、经验模态分解(EMD)和长短期记忆(LSTM)神经网络的组合预测模型,对船舶运动姿态进行预测。首先,通过ELM模型预测方法进行船舶运动姿态的初始预测,然后采用EMD算法分解初始预测残差得到有限个本征模函数(IMF),并利用LSTM模型学习各IMF分量的短期时序规律进行预测,将各IMF分量的预测值相加得到残差预测值;最后将初始预测值与残差预测值组合得到最终的预测结果。仿真结果表明:与单一的LSTM模型和ELM-LSTM模型相比,该组合预测模型的平均绝对误差及均方根误差均为最小,预测精度更高,是一种更为有效的船舶运动姿态预测方法。

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。

基于GM模型进行舰船纵摇参数预测

航母6个自由度运动严重干扰舰载机安全起降,目前还没有一种有效的办法去解决舰船的纵摇。因此,进行舰船姿态特别是纵摇参数的分析和预报,对于舰船姿态参数补偿控制系统及起降自动控制系统设计非常重要。利用灰色动态GM模型对舰船运动参数进行预测试验研究。试验结果表明,由于只需要对未来极短时间内纵摇参数进行预测,GM(1,2)模型考虑单个因变量影响,基本可以预测纵摇参数发展走势,并且运算简单,具有实践参考意义。

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。