[發(fā)明專利]一種基于改進EMD-AR模型的船舶運動預報方法

有效

• 申請?zhí)枺?/td>: 202110649845.3
• 申請日: 2021-06-10
• 公開（公告）號: CN113378387B
• 公開（公告）日: 2022-11-01
• 發(fā)明（設計）人: 杜佳璐;薛興;李健
• 申請（專利權(quán)）人: 大連海事大學
• 主分類號: G06F30/20
• 分類號: G06F30/20
• 代理公司: 大連東方專利代理有限責任公司 21212
• 代理人: 魯保良;李洪福

本發(fā)明公開了一種基于改進EMD?AR模型的船舶運動預報方法，通過向時間序列中分別加入和減去若干個白噪聲，對新的時間序列進行經(jīng)驗模態(tài)分解，可解決基于傳統(tǒng)的經(jīng)驗模態(tài)分解所獲得的IMF模態(tài)混疊問題，且可使IMF更準確，在此基礎上，可提高船舶運動預報精度。本發(fā)明利用SVR模型對船舶運動時間序列的上、下包絡線進行延拓，合理地求得時間序列第一個極值點到始端和最后一個極值點到末端這兩段包絡線，抑制了傳統(tǒng)的經(jīng)驗模態(tài)分解存在的端點效應，使得分解出的IMF更準確，在此基礎上，可提高船舶運動預報精度。本發(fā)明與AR模型及滾動時間窗法相結(jié)合，并提出AR模型系數(shù)的在線迭代學習策略，可實現(xiàn)船舶運動的高精度在線預報。

技術領域

本發(fā)明涉及船舶與海洋工程技術領域，具體為一種基于改進經(jīng)驗模態(tài)分解-自回歸(Empirical Mode Decomposition-Autoregressive，EMD-AR)模型的船舶運動預報方法。

背景技術

船舶受風、浪、流等海洋環(huán)境影響會產(chǎn)生橫搖、縱搖、艏搖、橫蕩、縱蕩、升沉六個自由度的運動，會影響各種船上設備的安全作業(yè)。船舶的橫蕩、縱蕩和艏搖運動可以利用錨泊定位或動力定位系統(tǒng)進行補償，而橫搖、縱搖和升沉運動則需要利用船載穩(wěn)定平臺來隔離其對船上設備的影響，使設備時刻保持平穩(wěn)，就像在陸地上一樣，減少安全隱患。為了對由海洋環(huán)境引起的擾動進行同步補償，就需要進行船舶運動極短期預報，從而達到同步補償?shù)囊螅@對于提高穩(wěn)定平臺控制精度有著重要意義。

中國發(fā)明專利CN111709140A(實審)公開了一種基于內(nèi)在可塑性回聲狀態(tài)網(wǎng)絡的船舶運動預報方法，應用新型的回聲狀態(tài)網(wǎng)絡提高了預報精度。中國發(fā)明專利CN103926932A(實審)公開了一種基于分解策略的船舶運動預報方法，將經(jīng)驗模態(tài)分解(Empirical Mode Decomposition,EMD)和神經(jīng)網(wǎng)絡結(jié)合，提高了預報精度，但未處理經(jīng)驗模態(tài)分解方法固有的模態(tài)混疊問題。哈爾濱工程大學劉世林的碩士論文“船舶運動姿態(tài)短時高精度預報方法研究”提出一種基于集合經(jīng)驗模態(tài)分解-支持向量機(EnsembleEmpirical Mode Decomposition-Support Vector Machine,EEMD-SVR)的船舶運動預報方法，通過向時間序列中加入正態(tài)分布的白噪聲，解決了傳統(tǒng)經(jīng)驗模態(tài)分解方法固有的模態(tài)混疊問題。但經(jīng)模態(tài)分解獲得的本征模態(tài)函數(shù)(Intrinsic Mode Function,IMF)中會含有不可忽略的噪聲，導致預報精度低，且在模態(tài)分解過程中，通過插值方法求時間序列的上、下包絡線，但時間序列第一個極值點到始端和最后一個極值點到末端這兩段包絡線準確性不高，這稱為端點效應，會降低所分解出的IMF準確性，降低預報精度。此外，上述所有預報方法均不能實現(xiàn)船舶運動的在線預報。

發(fā)明內(nèi)容

為解決上述問題，本發(fā)明要提出一種基于改進EMD-AR模型的船舶運動預報方法，以實現(xiàn)船舶運動的在線預報，提高預報的精度。

為了實現(xiàn)上述目的，本發(fā)明的技術方案如下：一種基于改進EMD-AR模型的船舶運動預報方法，所述基于改進EMD-AR模型是改進經(jīng)驗模態(tài)分解-自回歸模型的船舶運動預報方法，包括以下步驟：

A、以T為采樣周期采集船舶運動數(shù)據(jù)，確定滾動時間窗的長度n，在時間窗內(nèi)的運動時間序列為x(t),t＝1,2,…,n；所述運動包括橫搖運動、縱搖運動或升沉運動；

B、將運動時間序列x(t)分別加上和減去k個正態(tài)分布的白噪聲序列α_q(t),q＝1,2,…,k，組成2k個新的時間序列如下：

式中，k代表白噪聲序列的個數(shù)；

C、利用改進的EMD算法對新的時間序列進行模態(tài)分解，所述改進的EMD算法為改進的經(jīng)驗模態(tài)分解算法：

C1、創(chuàng)建一個空數(shù)組IMFs，令p＝1，w＝1；