深度循环神经网络在船舶操纵运动辨识中的对比研究

作     者：姜岩 王雪刚 侯先瑞 邹早建 Jiang Yan;Wang Xuegang;Hou Xianrui;Zou Zaojian

作者机构：上海交通大学船舶海洋与建筑工程学院上海200240 中交四航工程研究院有限公司广州5102300 上海海事大学海洋科学与工程学院上海201306 

出 版 物：《水动力学研究与进展（A辑）》 (Chinese Journal of Hydrodynamics)

年 卷 期：2023年第38卷第2期

页      面：187-194页

学科分类：08[工学] 0824[工学-船舶与海洋工程] 082401[工学-船舶与海洋结构物设计制造] 

基　　金：国家自然科学基金资助项目(51979165 52001198) 

主　　题：船舶操纵 系统辨识 机器学习 LSTM GRU 

摘      要：该文对比研究了基于长短期记忆(Long Short-Term Memory,LSTM)和基于门控循环单元(Gated Recurrent Unit,GRU)两种深度循环网络的船舶操纵辨识建模方法。相对于传统的前向网络,循环神经网络的形式更适合发掘船舶运动训练数据中的时序相关性,因而更适合应用于船舶操纵运动辨识建模。该文以KVLCC2大型油轮为研究对象,采用自由自航船模试验仿真数据作为训练数据,并在模拟数据中加入了不同强度的白噪声,使用基于LSTM和GRU的深度循环神经网络建立对噪声有良好鲁棒性的多输入多输出(MIMO)的船舶操纵运动数学模型,并对两种网络模型的预报精度进行了对比分析。结果表明,两种深度循环神经网络模型应用于船舶操纵运动预报时,均具有良好的泛化性和对噪声的鲁棒性。当噪声较大时,LSTM神经网络模型具有更好的预报性能。