基于耦合特征LSTM的船舶运动预报方法研究
Research on ship motion prediction method based on coupled feature LSTM作者机构:华中科技大学船舶与海洋工程学院湖北武汉430074 91054部队北京102422 中国特种飞行器研究所系统航电研究室湖北荆门448035
出 版 物:《华中科技大学学报(自然科学版)》 (Journal of Huazhong University of Science and Technology(Natural Science Edition))
年 卷 期:2024年第52卷第4期
页 面:1-7页
核心收录:
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(52071148) 工信部民机专项资助项目(2022KF0031)
主 题:六自由度运动 长短期记忆(LSTM) 时间序列 耦合特征 预报精度
摘 要:采用长短期记忆(LSTM)神经网络模型对船舶在不同海况下的运动姿态进行预报.针对LSTM模型难以优化的特点,提出了一种耦合特征LSTM神经网络模型.首先对船舶运动时间序列数据进行了归一化处理;然后基于深度学习框架TensorFlow搭建了具有输入层、隐藏层和输出层的LSTM模型;接着将原始数据按照不同特征输入形式进行划分;最后采用不同耦合特征LSTM模型分别对测试样本进行预报.结果表明:相比于其他LSTM模型,六自由度耦合特征LSTM神经网络模型的预报精度有明显优势;在四级海况下,运动预报误差降低了2.1%~12.9%;在五级海况下,运动预报误差降低了2.4%~12.3%;六特征耦合LSTM模型只须进行一次计算,就能同时输出六自由度运动,可减少51.4%~82.7%的计算时间,提升了计算效率.