[發(fā)明專利]一種船舶運動姿態(tài)分解域智能預報方法

在審

• 申請?zhí)枺?/td>: 201410172322.4
• 申請日: 2014-04-25
• 公開（公告）號: CN103926932A
• 公開（公告）日: 2014-07-16
• 發(fā)明（設計）人: 楊震;劉勝;王巖
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G05D1/08
• 分類號: G05D1/08;G06F19/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種船舶運動姿態(tài)分解域智能預報方法，其特征在于，包括以下幾個步驟：

步驟一：將船舶橫搖角時間序列的分解，得到相互獨立的本征模式分量及余項；

步驟二：求得每個分量和余項的游程個數(shù)；

分量和余項所對應的時間序列為{k(t)},t＝1,2,...n，均值為在時間序列k(t)中比均值小的觀察值記為“-”，比均值大的觀察值記為“+”，把時間序列k(t)轉化為一個只有“+”和“-”的符號序列，將每段連續(xù)相同的符號序列記為一個游程，

步驟三：通過設定高頻、中頻以及低頻的游程數(shù)閾值來對不同波動程度的分量和余項進行劃分，使得每個分量和余項分別屬于高頻區(qū)域、中頻區(qū)域或低頻區(qū)域中的一個區(qū)域；

步驟四：將高頻區(qū)域內的全部分量和余項重構為一個高頻分量，將中頻區(qū)域內的全部分量和余項重構為一個中頻分量，將低頻區(qū)域內的全部分量和余項重構為一個低頻分量；

步驟五：對重構后的高頻分量、中頻分量、低頻分量分別建立信息熵加權Elman神經網絡時間序列直接多步預報模型，得到高頻分量、中頻分量、低頻分量的多步預報結果；

步驟六：采用廣義回歸神經網絡作為疊加器，對高頻分量、中頻分量、低頻分量的多步預報結果進行自適應疊加，完成預報。

2.根據權利要求1所述的一種船舶運動姿態(tài)分解域智能預報方法，其特征在于：所述的分解船舶橫搖角時間序列的方法包括以下幾個步驟，

步驟一：取船舶橫搖角的原始時間序列X(t)的局部最大值點和局部最小值點；

步驟二：利用3次樣條線把所有局部極大值點連接起來形成上包絡線e_max1(t)，同時再用3次樣條線將所有的局部極小值點連接起來形成下包絡線e_min1(t)，上下包絡線包絡所有數(shù)據點；由極大值包絡線與極小值包絡線取平均得到均值包絡線m₁(t)：

m₁(t)＝(e_max1(t)+e_min1(t))/2；

步驟三：求得本征模式分量IMF；計算原始時間序列X(t)與均值包絡線m₁(t)的差值，記為h₁(t)：

h₁(t)＝X(t)-m₁(t)

判斷差值h₁(t)是否滿足本征模式分量IMF所具備的條件，若不滿足，將差值h₁(t)作為新的時間序列繼續(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，得到第一個本征模式分量IMF₁；

步驟四：從原始時間序列X(t)中分離出分量IMF₁,得到第一次余項R₁(t)：

R₁(t)＝X(t)-IMF₁；

步驟五：將第一次余項R₁(t)當作新的時間序列重復步驟一到步驟四，得到第n次余項R_n(t)：

R₂(t)＝R₁(t)-IMF₂

R₃(t)＝R₂(t)-IMF₃···

R_n(t)＝R_n-1(t)-IMF_n

當不能再從第n次余項R_n(t)中提取滿足本征模式分量IMF條件的分量時，分解過程結束，原始時間序列可被分解為本征模式分量IMF和最終余項的和：

X(t)=Σi=1nIMFi+R(t).]]>

3.根據權利要求1或2所述的一種船舶運動姿態(tài)分解域智能預報方法，其特征在于：所述的對重構后的高頻分量、中頻分量、低頻分量分別建立信息熵加權Elman神經網絡時間序列直接多步預報模型，包括以下幾個步驟，

步驟一：將高頻分量、中頻分量、低頻分量數(shù)據分別歸一化到[0,1]范圍內：

x~i=(xi-xmin)(xmax-xmin)]]>

其中：x_i為數(shù)據集中任意數(shù)值；x_min和x_max分別為數(shù)據集中最大值和最小值；為x_i對應的歸一化結果；

步驟二：確定關聯(lián)維數(shù)m和預報步數(shù)s，組成訓練樣本學習集：

輸入為輸出為

其中，q為訓練樣本數(shù)目，q＞m；

步驟三：確定信息熵Elman神經網絡結構；根據訓練樣本集，Elman網絡的輸入層節(jié)點數(shù)為m，信息熵加權層節(jié)點數(shù)為m，以預報步數(shù)s作為網絡的輸出層節(jié)點數(shù)，隱含層節(jié)點數(shù)由試錯法在網絡訓練學習中來確定；

步驟四：對網絡輸入數(shù)據進行信息熵加權，并訓練網絡；加權系數(shù)w_i為：

wi=Ei/Σi=1mEi,i=1,2,...m]]>

表征各信息源攜帶信息量的信息熵E_i為：

E_i＝-kp_ilnp_i,i＝1,2,...m

信息結構為：

I=ZP=z1z2...zmp1p2...pm]]>

其中：pi=zi/Σi=1mzi,i=1,2,...m]]>由一個離散隨機變量Z＝{z₁,z₂,...z_m}所給定m個信息源，m個信息源提供規(guī)定信息的概率為P＝{p₁,p₂,...p_m}；

步驟五：將作為已經訓練好的神經網絡的輸入向量，網絡的輸出即為s步預報值，將預報值進行反歸一化處理，得到直接多步預報結果Y^s={x^n+1,x^n+2,...x^n+s}.]]>