一种船舶运动姿态预测方法

1.本发明涉及船舶运动姿态技术领域，具体是指一种船舶运动姿态预测方法。


背景技术：

2.船舶是一种主要在地理水中运行的人造交通工具，另外，民用船一般称为船，军用船称为舰，小型船称为艇或舟，其总称为舰船或船艇，船舶内部主要包括容纳空间、支撑结构和排水结构，具有利用外在或自带能源的推进系统，外型一般是利于克服流体阻力的流线性包络，材料随着科技进步不断更新，早期为木、竹、麻等自然材料，近代多是钢材以及铝、玻璃纤维、亚克力和各种复合材料。
3.船舶在运动过程中其运动姿态由于其具有众多的影响参数从而使得其运动姿态不同，船舶按运动状态的特点分为：横摇，即船舶左右摇晃，一般都是横摇现象；横荡，即浸于水中的物体沿最长延展方向的垂直方向的水平线性振荡运动；纵摇，即船体绕横轴的回转振荡；纵荡，即浸于水中的物体沿最长延展方向的水平线性振荡运动；首摇，即浸于水中的物体绕船体垂直轴的旋转振荡运动；垂荡，即浸于水中的物体沿垂直方向的线性振荡运动，为了预测船舶的运动姿态，因此需要既定的预测方法，现有主要使用的是：卡尔曼滤波预报、自回归预报、神经网络预报等，上述预测方法在使用过程中对于模型数据并未实现分类化管理，从而使得预测出来的数据缺乏分类性，这会使得数据误差较大，无法进行不同情况下的数据预测。


技术实现要素：

4.本发明要解决的技术问题是提供一种能够对影响因子进行分类参数预测从而实现多条件数据的预测的一种船舶运动姿态预测方法。
5.本发明所采用的技术方案为：一种船舶运动姿态预测方法，包括如下步骤：
6.s1：将船舶的运动姿态的历史详细数据进行收集，将船舶历史运动姿态数据进行异常数据的剔除，对于无异常的数据进行归一化处理并且进行分类，由此可以得到分类后的历史建模数据；
7.s2：将分类后的历史建模数据利用emd-pso-lstm组合模型进行带入计算，并通过求解船舶运动姿态的姿态数据从而确定船舶运动姿态数据的变量参数以及适应性函数；
8.s3：对船舶进行三维坐标系建立，设定载重物参数，通过投入相似船舶历史运动姿态数据从而进行模拟船舶运动姿态的行进，由此可以得到历史运动姿态数据参数下的模拟训练数据；
9.s4：根据模拟训练数据反推船舶运动姿态模型的参数比例变化，从而可以更改船舶运动姿态模型的公式内容；
10.s5：在分类类别下的船舶历史运动姿态数据进行同一重复多次s3步骤，直至测试模拟参数的训练结果值可以达到既定误差范围，此时即可以生成在分类类别下的船舶历史运动姿态数据模型；
11.s6：将训练好的检测数据投入其所属分类类别下的船舶历史运动姿态数据模型进行船舶运动姿态的预测。
12.作为本发明进一步的方案：所述s1中分类类别是运动日期、运动距离、途径海域、船舶类型、航行状态，所述运动日期、运动距离、途径海域、船舶类型、航行状态类别下的历史建模数据分别单独储存。
13.作为本发明进一步的方案：所述s2中lstm为长短期记忆人工神经网络，针对船舶运动姿态历史建模数据的非线性以及强随机性的特点，利用梯度下降法进行依据错误修改每次的权重。
14.作为本发明进一步的方案：所述载重物参数为动态坐标，通过将载重物参数与船舶的三维坐标系进行数值以及体积上的结合，由此可以生成特定的动态参数为预测参数。
15.作为本发明进一步的方案：所述s5中重复进行s3步骤是为了满足emd-pso-lstm组合模型应用时序性倒传递算法从而依据错误修改每次的权重，使得数据误差可以进行倒回计算，进而最小化训练误差。
16.作为本发明进一步的方案：所述s6中通过运动日期、运动距离、途径海域、船舶类型、航行状态，所述运动日期、运动距离、途径海域、船舶类型、航行状态类别下的船舶运动姿态的预测检测数据可以得出预测的船舶运动姿态数据。
17.与现有技术相比，本发明的有益效果：
18.本发明功能齐全，通过运动日期、运动距离、途径海域、船舶类型、航行状态，所述运动日期、运动距离、途径海域、船舶类型、航行状态的分类类别以及通过运动日期、运动距离、途径海域、船舶类型、航行状态，所述运动日期、运动距离、途径海域、船舶类型、航行状态类别下的船舶运动姿态的预测检测数据可以得出分类参数预测从而实现多条件数据的船舶运动姿态数据；
19.整体来看，本发明能够对影响因子进行分类参数预测从而实现多条件数据的预测。
具体实施方式
20.下面对本发明作进一步说明。
21.为了一种船舶运动姿态预测方法能够对影响因子进行分类参数预测从而实现多条件数据，本发明提供一种船舶运动姿态预测方法，其功能在于：包括如下步骤：
22.s1：将船舶的运动姿态的历史详细数据进行收集，将船舶历史运动姿态数据进行异常数据的剔除，对于无异常的数据进行归一化处理并且进行分类，由此可以得到分类后的历史建模数据；
23.s2：将分类后的历史建模数据利用emd-pso-lstm组合模型进行带入计算，并通过求解船舶运动姿态的姿态数据从而确定船舶运动姿态数据的变量参数以及适应性函数；
24.s3：对船舶进行三维坐标系建立，设定载重物参数，通过投入相似船舶历史运动姿态数据从而进行模拟船舶运动姿态的行进，由此可以得到历史运动姿态数据参数下的模拟训练数据；
25.s4：根据模拟训练数据反推船舶运动姿态模型的参数比例变化，从而可以更改船舶运动姿态模型的公式内容；
26.s5：在分类类别下的船舶历史运动姿态数据进行同一重复多次s3步骤，直至测试模拟参数的训练结果值可以达到既定误差范围，此时即可以生成在分类类别下的船舶历史运动姿态数据模型；
27.s6：将训练好的检测数据投入其所属分类类别下的船舶历史运动姿态数据模型进行船舶运动姿态的预测。
28.本发明中所述s1中分类类别是运动日期、运动距离、途径海域、船舶类型、航行状态，所述运动日期、运动距离、途径海域、船舶类型、航行状态类别下的历史建模数据分别单独储存。
29.本发明中所述s2中lstm为长短期记忆人工神经网络，针对船舶运动姿态历史建模数据的非线性以及强随机性的特点，利用梯度下降法进行依据错误修改每次的权重。
30.本发明中所述载重物参数为动态坐标，通过将载重物参数与船舶的三维坐标系进行数值以及体积上的结合，由此可以生成特定的动态参数为预测参数。
31.本发明中所述s5中重复进行s3步骤是为了满足emd-pso-lstm组合模型应用时序性倒传递算法从而依据错误修改每次的权重，使得数据误差可以进行倒回计算，进而最小化训练误差。
32.本发明中所述s6中通过运动日期、运动距离、途径海域、船舶类型、航行状态，所述运动日期、运动距离、途径海域、船舶类型、航行状态类别下的船舶运动姿态的预测检测数据可以得出预测的船舶运动姿态数据。
33.emd是一种新的处理非平稳信号的方法——希尔伯特——黄变换的重要组成部分。基于emd的时频分析方法既适合于非线性、非平稳信号的分析，也适合于线性、平稳信号的分析，并且对于线性、平稳信号的分析也比其他的时频分析方法更好地反映了信号的物理意义，pso是粒子群优化算法是一种基于种群的随机优化技术，粒子群算法模仿昆虫、兽群、鸟群和鱼群等的群集行为，这些群体按照一种合作的方式寻找食物，群体中的每个成员通过学习它自身的经验和其他成员的经验来不断改变其搜索模式，lstm是一种时间循环神经网络，是为了解决一般的rnn(循环神经网络)存在的长期依赖问题而专门设计出来的，所有的rnn都具有一种重复神经网络模块的链式形式，利用emd-pso-lstm组合模型可以将运动日期、运动距离、途径海域、船舶类型、航行状态，所述运动日期、运动距离、途径海域、船舶类型、航行状态类别下的船舶运动姿态的预测检测数据进行组合模拟。
34.通过运动日期、运动距离、途径海域、船舶类型、航行状态，所述运动日期、运动距离、途径海域、船舶类型、航行状态的分类类别以及通过运动日期、运动距离、途径海域、船舶类型、航行状态，所述运动日期、运动距离、途径海域、船舶类型、航行状态类别下的船舶运动姿态的预测检测数据可以得出分类参数预测从而实现多条件数据的船舶运动姿态数据
35.以上对本发明及其实施方式进行了描述，这种描述没有限制性。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

技术特征：
1.一种船舶运动姿态预测方法，其特征在于：包括如下步骤：s1：将船舶的运动姿态的历史详细数据进行收集，将船舶历史运动姿态数据进行异常数据的剔除，对于无异常的数据进行归一化处理并且进行分类，由此可以得到分类后的历史建模数据；s2：将分类后的历史建模数据利用emd-pso-lstm组合模型进行带入计算，并通过求解船舶运动姿态的姿态数据从而确定船舶运动姿态数据的变量参数以及适应性函数；s3：对船舶进行三维坐标系建立，设定载重物参数，通过投入相似船舶历史运动姿态数据从而进行模拟船舶运动姿态的行进，由此可以得到历史运动姿态数据参数下的模拟训练数据；s4：根据模拟训练数据反推船舶运动姿态模型的参数比例变化，从而可以更改船舶运动姿态模型的公式内容；s5：在分类类别下的船舶历史运动姿态数据进行同一重复多次s3步骤，直至测试模拟参数的训练结果值可以达到既定误差范围，此时即可以生成在分类类别下的船舶历史运动姿态数据模型；s6：将训练好的检测数据投入其所属分类类别下的船舶历史运动姿态数据模型进行船舶运动姿态的预测。2.根据权利要求1所述的一种船舶运动姿态预测方法，其特征在于：所述s1中分类类别是运动日期、运动距离、途径海域、船舶类型、航行状态，所述运动日期、运动距离、途径海域、船舶类型、航行状态类别下的历史建模数据分别单独储存。3.根据权利要求1所述的一种船舶运动姿态预测方法，其特征在于：所述s2中lstm为长短期记忆人工神经网络，针对船舶运动姿态历史建模数据的非线性以及强随机性的特点，利用梯度下降法进行依据错误修改每次的权重。4.根据权利要求2所述的一种船舶运动姿态预测方法，其特征在于：所述载重物参数为动态坐标，通过将载重物参数与船舶的三维坐标系进行数值以及体积上的结合，由此可以生成特定的动态参数为预测参数。5.根据权利要求1所述的一种船舶运动姿态预测方法，其特征在于：所述s5中重复进行s3步骤是为了满足emd-pso-lstm组合模型应用时序性倒传递算法从而依据错误修改每次的权重，使得数据误差可以进行倒回计算，进而最小化训练误差。6.根据权利要求1所述的一种船舶运动姿态预测方法，其特征在于：所述s6中通过运动日期、运动距离、途径海域、船舶类型、航行状态，所述运动日期、运动距离、途径海域、船舶类型、航行状态类别下的船舶运动姿态的预测检测数据可以得出预测的船舶运动姿态数据。

技术总结
本发明涉及船舶运动姿态技术领域，具体是指一种船舶运动姿态预测方法。包括如下步骤：S1：将船舶的运动姿态的历史详细数据归一化处理并且进行分类；S2：通过求解船舶运动姿态的姿态数据从而确定船舶运动姿态数据的变量参数以及适应性函数；S3：三维坐标系建立进行模拟船舶运动姿态的行进，由此可以得到历史运动姿态数据参数下的模拟训练数据；S4：更改船舶运动姿态模型的公式内容；S5：生成在分类类别下的船舶历史运动姿态数据模型；S6：将训练好的检测数据投入其所属分类类别下的船舶历史运动姿态数据模型进行船舶运动姿态的预测。本发明提供一种能够对影响因子进行分类参数预测从而实现多条件数据的预测的一种船舶运动姿态预测方法。姿态预测方法。


技术研发人员：王沁峰 李盼盼 黄东龙 陈宁 魏冬 梁博
受保护的技术使用者：集美大学
技术研发日：2023.06.02
技术公布日：2023/9/14