一種船舶運(yùn)動(dòng)姿態(tài)分解域智能預(yù)報(bào)方法
【專利摘要】本發(fā)明一種船舶運(yùn)動(dòng)姿態(tài)分解域智能預(yù)報(bào)方法，包括以下幾個(gè)步驟：分解船舶橫搖角時(shí)間序列；檢驗(yàn)分解所得分量和余項(xiàng)的波動(dòng)程度；對(duì)分量和余項(xiàng)進(jìn)行分類；將分量和余項(xiàng)重構(gòu)為高頻、中頻和低頻三個(gè)分量；對(duì)三個(gè)分量分別建立不同結(jié)構(gòu)的信息熵加權(quán)Elman神經(jīng)網(wǎng)絡(luò)時(shí)間序列直接多步預(yù)報(bào)模型；對(duì)高頻、中頻和低頻分量的多步預(yù)報(bào)結(jié)果進(jìn)行自適應(yīng)疊加，完成智能預(yù)報(bào)。不僅能保證較高的預(yù)報(bào)精度，同時(shí)又能提高建模效率，具有可靠性強(qiáng)、通用性強(qiáng)等優(yōu)點(diǎn)，是一種提高預(yù)報(bào)準(zhǔn)確率的有效方法。
【專利說明】一種船舶運(yùn)動(dòng)姿態(tài)分解域智能預(yù)報(bào)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于船舶運(yùn)動(dòng)姿態(tài)預(yù)報(bào)技術(shù)，特別涉及用于船舶橫搖運(yùn)動(dòng)姿態(tài)的預(yù)報(bào)一種船舶運(yùn)動(dòng)姿態(tài)分解域智能預(yù)報(bào)方法。
【背景技術(shù)】
[0002]船舶橫搖運(yùn)動(dòng)姿態(tài)預(yù)報(bào)技術(shù)具有顯著的軍事意義和社會(huì)、經(jīng)濟(jì)價(jià)值。它可以為船舶在大風(fēng)浪中的作業(yè)，如航行、動(dòng)力定位、錨泊等提供安全保障，對(duì)提升艦載武器和裝備的作戰(zhàn)使用海情具有重要意義，可為船舶的使用、耐波性能設(shè)計(jì)的改進(jìn)以及減搖裝置控制精度的提高提供依據(jù)，全面增強(qiáng)艦船安全性能。
[0003]船舶運(yùn)動(dòng)的非線性導(dǎo)致對(duì)其預(yù)報(bào)具有一定難度，近似的艦船運(yùn)動(dòng)機(jī)理模型求解困難，應(yīng)用這樣的模型必然很難給出滿意預(yù)報(bào)。早期的船舶運(yùn)動(dòng)姿態(tài)預(yù)報(bào)技術(shù)分為頻域預(yù)報(bào)法和基于傳統(tǒng)統(tǒng)計(jì)學(xué)時(shí)間序列分析模型的時(shí)域預(yù)報(bào)法，隨著人工智能、模糊邏輯、神經(jīng)網(wǎng)絡(luò)和灰色思想的引入，預(yù)報(bào)理論的發(fā)展又注入了新的活力。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的提供用于提高時(shí)間序列預(yù)報(bào)精度、降低建模難度的一種船舶運(yùn)動(dòng)姿態(tài)分解域智能預(yù)報(bào)方法。
[0005]本發(fā)明是通過以下技術(shù)方案實(shí)現(xiàn)的:
[0006]一種船舶運(yùn)動(dòng)姿態(tài)分解域智能預(yù)報(bào)方法，包括以下幾個(gè)步驟:
[0007]步驟一:將船舶橫搖角時(shí)間序列的分解，得到相互獨(dú)立的本征模式分量及余項(xiàng)；
[0008]步驟二:求得每個(gè)分量和余項(xiàng)的游程個(gè)數(shù)；
[0009]分量和余項(xiàng)所對(duì)應(yīng)的時(shí)間序列為{k(t)}，t = 1，2，...n，均值為L(zhǎng)在時(shí)間序列k(t)中比均值E小的觀察值記為比均值E大的觀察值記為“ + ”，把時(shí)間序列k(t)轉(zhuǎn)化為一個(gè)只有“ + ”和的符號(hào)序列，將每段連續(xù)相同的符號(hào)序列記為一個(gè)游程，
[0010]步驟三:通過設(shè)定高頻、中頻以及低頻的游程數(shù)閾值來對(duì)不同波動(dòng)程度的分量和余項(xiàng)進(jìn)行劃分，使得每個(gè)分量和余項(xiàng)分別屬于高頻區(qū)域、中頻區(qū)域或低頻區(qū)域中的一個(gè)區(qū)域；
[0011]步驟四:將高頻區(qū)域內(nèi)的全部分量和余項(xiàng)重構(gòu)為一個(gè)高頻分量，將中頻區(qū)域內(nèi)的全部分量和余項(xiàng)重構(gòu)為一個(gè)中頻分量，將低頻區(qū)域內(nèi)的全部分量和余項(xiàng)重構(gòu)為一個(gè)低頻分量;
[0012]步驟五:對(duì)重構(gòu)后的聞?lì)l分量、中頻分量、低頻分量分別建立信息熵加權(quán)Elman神經(jīng)網(wǎng)絡(luò)時(shí)間序列直接多步預(yù)報(bào)模型，得到高頻分量、中頻分量、低頻分量的多步預(yù)報(bào)結(jié)果；
[0013]步驟六:采用廣義回歸神經(jīng)網(wǎng)絡(luò)作為疊加器，對(duì)高頻分量、中頻分量、低頻分量的多步預(yù)報(bào)結(jié)果進(jìn)行自適應(yīng)疊加，完成預(yù)報(bào)。
[0014]本發(fā)明一種船舶運(yùn)動(dòng)姿態(tài)分解域智能預(yù)報(bào)方法還可以包括:
[0015]1、分解船舶橫搖角時(shí)間序列的方法包括以下幾個(gè)步驟，[0016]步驟一:取船舶橫搖角的原始時(shí)間序列X(t)的局部最大值點(diǎn)和局部最小值點(diǎn)；
[0017]步驟二:利用3次樣條線把所有局部極大值點(diǎn)連接起來形成上包絡(luò)線emaxl (t)，同時(shí)再用3次樣條線將所有的局部極小值點(diǎn)連接起來形成下包絡(luò)線eminl (t)，上下包絡(luò)線包絡(luò)所有數(shù)據(jù)點(diǎn)；由極大值包絡(luò)線與極小值包絡(luò)線取平均得到均值包絡(luò)線Hi1U):
[0018]IIi1 (t) = (emaxl (t) +eminl (t)) /2 ；
[0019]步驟三:求得本征模式分量MF;計(jì)算原始時(shí)間序列X(t)與均值包絡(luò)線mi(t)的差值，記為Ii1 (t):
[0020]Ii1 (t) = X (t) H1 (t)
[0021]判斷差值111(0是否滿足本征模式分量IMF所具備的條件，若不滿足，將差值Ill (t)作為新的時(shí)間序列繼續(xù)執(zhí)行步驟一和步驟二，直到滿足本征模式分量IMF的條件，得到第一個(gè)本征模式分量IMF1 ；
[0022]步驟四:從原始時(shí)間序列X(t)中分離出分量IMF1,得到第一次余項(xiàng)R1U):
[0023]R1 (t) = X (t) -1MF1 ；
[0024]步驟五:將第一次余項(xiàng)R1U)當(dāng)作新的時(shí)間序列重復(fù)步驟一到步驟四，得到第η次余項(xiàng)Rn (t):
[0025]R2 (t) = R1 (t) -1MF2
[0026]R3 (t) = R2 (t) -1MF3...[0027]Rn (t) = Rn_!(t)-1MFn
[0028]當(dāng)不能再從第η次余項(xiàng)Rn(t)中提取滿足本征模式分量IMF條件的分量時(shí)，分解過程結(jié)束,原始時(shí)間序列可被分解為本征模式分量MF和最終余項(xiàng)的和:
[0029]
【權(quán)利要求】
1.一種船舶運(yùn)動(dòng)姿態(tài)分解域智能預(yù)報(bào)方法，其特征在于，包括以下幾個(gè)步驟: 步驟一:將船舶橫搖角時(shí)間序列的分解，得到相互獨(dú)立的本征模式分量及余項(xiàng)； 步驟二:求得每個(gè)分量和余項(xiàng)的游程個(gè)數(shù)； 分量和余項(xiàng)所對(duì)應(yīng)的時(shí)間序列為{k(t)}，t = 1，2，...n，均值為?，在時(shí)間序列k(t)中比均值[小的觀察值記為比均值[大的觀察值記為“ + ”，把時(shí)間序列k(t)轉(zhuǎn)化為一個(gè)只有“ + ”和的符號(hào)序列，將每段連續(xù)相同的符號(hào)序列記為一個(gè)游程，步驟三:通過設(shè)定高頻、中頻以及低頻的游程數(shù)閾值來對(duì)不同波動(dòng)程度的分量和余項(xiàng)進(jìn)行劃分，使得每個(gè)分量和余項(xiàng)分別屬于高頻區(qū)域、中頻區(qū)域或低頻區(qū)域中的一個(gè)區(qū)域；步驟四:將高頻區(qū)域內(nèi)的全部分量和余項(xiàng)重構(gòu)為一個(gè)高頻分量，將中頻區(qū)域內(nèi)的全部分量和余項(xiàng)重構(gòu)為一個(gè)中頻分量，將低頻區(qū)域內(nèi)的全部分量和余項(xiàng)重構(gòu)為一個(gè)低頻分量；步驟五:對(duì)重構(gòu)后的高頻分量、中頻分量、低頻分量分別建立信息熵加權(quán)Elman神經(jīng)網(wǎng)絡(luò)時(shí)間序列直接多步預(yù)報(bào)模型，得到高頻分量、中頻分量、低頻分量的多步預(yù)報(bào)結(jié)果； 步驟六:采用廣義回歸神經(jīng)網(wǎng)絡(luò)作為疊加器，對(duì)高頻分量、中頻分量、低頻分量的多步預(yù)報(bào)結(jié)果進(jìn)行自適應(yīng)疊加，完成預(yù)報(bào)。
2.根據(jù)權(quán)利要求1所述的一種船舶運(yùn)動(dòng)姿態(tài)分解域智能預(yù)報(bào)方法，其特征在于:所述的分解船舶橫搖角時(shí)間序列的方法包括以下幾個(gè)步驟， 步驟一:取船舶橫搖角的原始時(shí)間序列X(t)的局部最大值點(diǎn)和局部最小值點(diǎn)； 步驟二:利用3次樣條線把所有局部極大值點(diǎn)連接起來形成上包絡(luò)線emaxl(t)，同時(shí)再用3次樣條線將所有的局部極小值點(diǎn)連接起來形成下包絡(luò)線eminl (t)，上下包絡(luò)線包絡(luò)所有數(shù)據(jù)點(diǎn)；由極大值包絡(luò)線與極小值包絡(luò)線取平均得到均值包絡(luò)線Hi1 (t):mi ⑴=(emaxl (t) +eminl (t)) /2 ； 步驟三:求得本征模式分量頂F ;計(jì)算原始時(shí)間序列X (t)與均值包絡(luò)線Hi1 (t)的差值，記為 Ii1 (t):
Ii1 (t) = X (t) -Hi1 (t) 判斷差值4(0是否滿足本征模式分量IMF所具備的條件，若不滿足，將差值Ill (t)作為新的時(shí)間序列繼續(xù)執(zhí)行步驟一和步驟二，直到滿足本征模式分量IMF的條件，得到第一個(gè)本征模式分量IMF1 ； 步驟四:從原始時(shí)間序列X(t)中分離出分量IMF1,得到第一次余項(xiàng)R1U):
R1 (t) = X (O-1MF1 ； 步驟五:將第一次余項(xiàng)R1U)當(dāng)作新的時(shí)間序列重復(fù)步驟一到步驟四，得到第η次余項(xiàng)Rn⑴:
R2 (t) = R1 (t) -1MF2
R3 (t) = R2 (t) -1MF3...Rn (t) = Rlri (t)-MFn 當(dāng)不能再從第η次余項(xiàng)Rn(t)中提取滿足本征模式分量IMF條件的分量時(shí)，分解過程結(jié)束,原始時(shí)間序列可被分解為本征模式分量IMF和最終余項(xiàng)的和: x(t)=ΣIMF1+R(t)
3.根據(jù)權(quán)利要求1或2所述的一種船舶運(yùn)動(dòng)姿態(tài)分解域智能預(yù)報(bào)方法，其特征在于:所述的對(duì)重構(gòu)后的高頻分量、中頻分量、低頻分量分別建立信息熵加權(quán)Elman神經(jīng)網(wǎng)絡(luò)時(shí)間序列直接多步預(yù)報(bào)模型，包括以下幾個(gè)步驟， 步驟一:將高頻分量、中頻分量、低頻分量數(shù)據(jù)分別歸一化到[O，I]范圍內(nèi):
【文檔編號(hào)】G05D1/08GK103926932SQ201410172322
【公開日】2014年7月16日 申請(qǐng)日期:2014年4月25日 優(yōu)先權(quán)日:2014年4月25日
【發(fā)明者】楊震, 劉勝, 王巖 申請(qǐng)人:哈爾濱工程大學(xué)