[發明專利]船體運動位姿極短期實時預報方法

在審

• 申請號: 202111521809.5
• 申請日: 2021-12-13
• 公開（公告）號: CN114298382A
• 公開（公告）日: 2022-04-08
• 發明（設計）人: 張立杰;陳夏飛;吳煥春;苑雷揚;強紅賓;薛大鵬
• 申請（專利權）人: 燕山大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/08;G06N3/04;G06F17/18
• 代理公司: 北京孚睿灣知識產權代理事務所(普通合伙) 11474
• 代理人: 韓燕

1.一種船體運動位姿極短期實時預報方法，其特征在于，其包括以下步驟：

S1、在滿足香農采樣定理的條件下，以較大采樣周期采集船體運動位姿數據；

S2、利用采集的船體運動位姿時間序列數據建立AR模型：

x_t＝φ₁x_t-1+φ₂x_t-2+…+φ_px_t-p+ε_t (1)

其中，x_t表示當前時刻的位姿值；p表示AR模型的階數，即為自變量的個數；ε_t表示誤差；φ表示模型系數；

S3、采用貝葉斯信息BIC準則確定AR模型的階數p：

BIC(p)＝lge²+(p+1)(lgN)/N (3)

其中，N表示樣本個數；e²表示均方差且表示位姿預報值；

S4、采用限定記憶的遞推最小二乘算法進行AR模型參數Φ的在線更新；

S41、當數據窗口內有n個數據時，基于貝葉斯信息BIC準則確定的AR模型階數p，組成訓練集的樣本輸入矩陣X為：

X＝[Θ₁ Θ₂…Θ_n-p]^T (4)

其中，Θ_n-p表示單個的輸入樣本且Θ_n-p＝[x_n-p x_n-p+1…x_n-1]^T，對應的樣本輸出Y為：

Y＝[x_p+1 x_p+2…x_n]^T (5)；

S42、固定估計參數所用數據的窗口長度，每采到一組新數據獲得新的樣本輸入矩陣為：

對應新的樣本輸出矩陣為：

S43、采用限定記憶的遞推最小二乘算法進行AR模型參數Φ的在線更新：

其中，表示采集新數據后使用限定記憶法得到的AR模型參數Φ的估計值；表示增益系數；P_n+1表示協方差矩陣；為采集新數據后使用遞推最小二乘算法得到的AR模型參數Φ估計值；

S5、采用滾動預報的方式進行船體運動位姿多步預報：根據船體運動位姿的歷史數據預報下一時刻數據，再組合歷史數據預報下下時刻數據，直至預報時長；

S6、將預報所得的數據與一定時長的歷史數據組合在一起，建立RBF神經網絡模型進行擬合插值，獲取船體運動位姿極短期預報數據。

2.根據權利要求1所述的船體運動位姿極短期實時預報方法，其特征在于，所述步驟S1具體包括以下步驟：

S11、基于香農采樣定理，在最大采樣周期和系統控制周期之間選擇若干個采樣周期，從中選擇預報性能最佳的作為最終采樣周期；

S12、分別對船體6個自由度的運動位姿進行數據采集，將采集到的時間序列數據記為{x_i,i＝1～n}，其中i表示時間。

3.根據權利要求1所述的船體運動位姿極短期實時預報方法，其特征在于，所述步驟S2中所述AR模型的AR模型參數Φ為：

Φ＝[φ₁ φ₂…φ_p]^T (2)。

4.根據權利要求1所述的船體運動位姿極短期實時預報方法，其特征在于，所述步驟S5具體包括以下步驟：

S51、根據船體運動位姿的歷史數據預報出下一時刻的船體運動位姿數據；

S52、將預報所得的船體運動位姿與歷史數據組合在一起進行下下時刻的船體運動位姿預報，直到滿足對預報時長的要求；

S53、獲得當前時刻后第l時刻的船體運動位姿的預報值為：

其中，l為需要預報的步數。