原文传递
基于高斯过程回归的船舶运动姿态极短期预报方法研究
| 论文题名： | 基于高斯过程回归的船舶运动姿态极短期预报方法研究 |
| 关键词： | 船舶运动姿态;极短期预报;长短时记忆网络;高斯过程回归;经验模态分解 |
| 摘要： | 由于航海业的蓬勃发展，海上作业类型日渐丰富，很多工作都迫切需求船舶运动姿态极短期预报技术，如舰载机起降、无人艇的投放与回收、船舶武器系统安装与使用等，这使得该项技术成为船舶与海洋工程领域备受关注的热点问题。本文以舰载机着舰引导系统为应用背景，以提升舰载机着舰安全性为目标，重点研究了船舶运动姿态极短期预报方法。本文的主要工作如下: 首先，针对现存的船舶运动姿态极短期预报方法几乎只关注于姿态数值的预报，而很少考虑预报结果不确定性的问题，本文将高斯过程回归(GaussianProcessRegression，GPR)算法引入到船舶运动姿态极短期预报问题中，提出了一种基于GPR的预报模型，该模型可以得到区间预报结果。为了设计出最适合船舶运动姿态序列的核函数进行GPR建模，本文通过分析不同核函数的结构特征和船舶运动姿态序列的自相关函数，提出了一种面向船舶运动姿态序列的核函数设计方案，并基于不同类型的核函数对实测船舶运动姿态进行预报实验验证。 其次，针对单独GPR算法预报精度较低的问题，在训练数据集充足的情况下，本文提出一种基于长短时记忆（LongShort-TermMemory，LSTM）网络和GPR的船舶运动姿态极短期预报算法(LSTM-GPR)，采用两步预测的思想，成功结合了LSTM和GPR各自的优势，得到的预报结果能在不损失LSTM模型预报精度的同时获得更可靠的区间预测结果。通过对不同运动状态和不同自由度下的船舶运动姿态实测数据进行预报实验，成功验证了LSTM-GPR算法的有效性和优越性。 最后，针对实际应用中面对连续可用数据较少的情况时，难以训练出一个预测性能良好的基于神经网络的混合预报模型的问题，本文提出一种基于经验模态分解(EmpiricalModeDecomposition，EMD)和GPR的预报算法(EMD-GPR)，从数据预处理的角度出发，利用EMD分解得到一系列能够凸显数据局部特征的独立本征模态函数(IntrinsicModeFunction，IMF)分量和一个残差分量，然后对各个分量进行GPR建模和预测，再将各分量预报结果的和作为最终预报结果。通过对实测船舶运动姿态序列分解前后的平稳性进行分析，验证了EMD处理能够有效减低序列的非平稳性，为了探究面向不同数量的训练样本时选取哪种预报方法更合适，以训练样本数量为变量进行预报实验，验证了在训练样本有限的情况下本章所提出的基于EMD-GPR的船舶运动姿态极短期预报算法的优越性。 |
| 作者： | 唐忠 |
| 专业： | 信息与通信工程 |
| 导师： | 孙骞 |
| 授予学位： | 硕士 |
| 授予学位单位： | 哈尔滨工程大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
