本技术公开了一种基于深度学习的波浪力感知建模船舶操纵运动预报方法,包括以下步骤:S1、预数据处理,对原始数据进行清理和标准化;S2、二次插值,通过二次插值步骤估计中间值,以更好地表示波浪力的连续效应,提高输入数据的时间分辨率;S3、LSTM网络预测,处理细化数据来预测船舶操纵运动,利用其在捕获时间依赖性方面的优势,同时对插值输入具有鲁棒性,本发明提出了一种稳健的数学模型来预测深水和浅水条件下波浪干扰下的船舶机动性能,通过采用三次拼接插值的改进LSTM模型,该方法在排除波高、方向和当前速度方面证明了可靠的预测能力,该方法具有较高的准确性,可提高航行安全,降低经济风险。
背景技术
船舶机动运动预测是海洋导航的一个关键方面,包括研究船舶在各种力量和环境条件下的运动。传统的方法严重依赖数学模型和水动力理论来预测船舶行为,考虑诸如壳形、舵动力学和动力动力等因素。这些模型通常结合复杂的微分方程来模拟船舶在静水和河床中的运动。然而,在处理现实海洋环境中固有的非线性和随机元素时,这些传统的方法往往不足。对船舶机动运动的准确预测对于提高航行安全性、优化航线规划和改善海上作业的过度忠诚性至关重要。
随着大数据和先进计算能力的发展,深度学习技术已成为船舶机动运动预测的有力工具。这些方法可以处理大量的数据,并捕获传统模型可能会错过的复杂模式。然而,深度学习在这个领域的实现并非没有挑战。其中一个主要问题是缺乏高质量的标记数据需要有效地训练这些模型。此外,船舶动力学固有的复杂性,受不同的海岸、风条件和波力的影响,构成了显著的障碍。目前的深度学习模型往往难以在不同的环境条件下进行推广,这导致了在实践中可能不可靠的预测。
已经提出了几种深度学习方法来解决船舶操纵运动的预测。卷积神经网络(CNN)和递归神经网络(RNN),包括长短期记忆(LSTM)网络,是最常用的架构之一。CNN已被应用于从船舶运动数据中提取空间特征,而CNN,特别是LSTMs,因其对时间依赖性建模的能力而受到高度重视。尽管取得了这些进步,但重大挑战仍然存在。这些问题包括模型对数据中噪声的敏感性、捕捉远程依赖性的困难以及整合不同数据源(如天气条件、海洋状态)的挑战,此外,大多数现有模型没有充分考虑波浪力的非线性效应,而波浪力对于准确的机动预测至关重要。
为了解决这些挑战,提出了一种新的方法,利用二次插值增强的LSTMmodel进行船舶机动运动预测,明确地考虑了波力的影响。该方法通过采用二次插值步骤来改进现有的方法,从而提高了模型捕获船舶运动中波诱导力的非线性和动态特性的能力。
实现思路