[發(fā)明專利]基于強化學習的船舶運動大多步實時預測混合方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202210089496.9
• 申請日: 2022-01-25
• 公開（公告）號: CN114528638A
• 公開（公告）日: 2022-05-24
• 發(fā)明（設計）人: 陳澤宗;魏鋆宇;趙晨;涂遠輝
• 申請（專利權）人: 武漢大學
• 主分類號: G06F30/15
• 分類號: G06F30/15;G06F30/27;G06N3/08
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 嚴彥

本發(fā)明提供一種基于強化學習的船舶運動大多步實時預測混合方法及系統(tǒng)，包括由船舶上安裝的姿態(tài)傳感器獲取原始船舶運動數(shù)據(jù)，劃分為訓練數(shù)據(jù)集和預測數(shù)據(jù)集，進行實時小波包分解RTWPD，將船舶運動數(shù)據(jù)的高頻分量和低頻分量分解為固定層數(shù)的子序列；對分解得到的每個子序列建立ORELM基礎預測模型，并引入AdaBoost.MRT強化學習方式，不斷迭代訓練，將多個訓練好的ORELM模型組合在一起；最后將子序列的預測結果重構得到模型大多步初始預測結果，對大多步預測誤差建立LSSVM誤差修正模型，進一步提取包含在大多步誤差序列中少部分船舶運動數(shù)據(jù)的變化規(guī)律，修正得到最終的船舶運動大多步預測結果并輸出。本發(fā)明提高了船舶運動姿態(tài)大多步預測的穩(wěn)定性與準確性。

技術領域

本發(fā)明涉及船舶運動姿態(tài)預測方法，尤其涉及一種基于實時分解、強化學習和誤差修正的船舶姿態(tài)大多步預測方案。

背景技術

船舶在海上作業(yè)過程中，會產生橫搖、橫蕩、縱搖、縱蕩、升沉、艏搖六自由度運動，其中，橫搖、縱搖對海上作業(yè)安全與船舶運行性能的影響最大。如果能夠提前10～30秒預測船舶橫搖、縱搖的變化，相應的船員和船舶作業(yè)系統(tǒng)就能提前做出合理的決策，提高船舶在海上航行的穩(wěn)定性和可靠性，同時提高海上作業(yè)的安全性和工作效率。不僅如此，實時的船舶姿態(tài)預測模型可以為獲取搖晃信息提供可靠的指導，從而更大程度地減小橫搖、縱搖對船舶造成的負面影響。因此，建立準確的船舶姿態(tài)大多步實時預測模型具有重要意義。

為了實現(xiàn)船舶姿態(tài)多步實時預測模型，許多學者進行了大量的研究。隨著計算機時代的到來，神經網絡能夠較好的擬合船舶姿態(tài)的非線性映射，在船舶姿態(tài)多步實時預測中有良好的表現(xiàn)。由于船舶姿態(tài)數(shù)據(jù)映射關系的復雜性，短期實時預測(10～30秒)比極短期實時預測(10秒以內)更加困難和復雜。單一模型預測性能略顯不足。為了更好的實時預測大多步船舶姿態(tài)，結合分解技術、集成技術等的混合模型得到了廣泛的應用。其中，強預測器比基本預測器更能學習到時間序列的非顯著相關性。由于船舶姿態(tài)具有不平穩(wěn)、波動大和高隨機等特性，導致預測模型很難完整的學習船舶姿態(tài)變化規(guī)律，少部分規(guī)律信息隱含在預測誤差中，所以誤差修正模型也被廣泛應用于大多步時間序列混合預測模型中。因此，本發(fā)明希望能夠提高神經網絡模型的預測能力，實現(xiàn)對船舶運動數(shù)據(jù)高精度的大多步實時預測。

發(fā)明內容

本發(fā)明的目的是針對目前船舶運動姿態(tài)預測精度較低的問題，提供一種基于實時分解、強化學習和誤差修正的船舶姿態(tài)大多步預測方案。

本發(fā)明提供的一種基于強化學習的船舶運動大多步實時預測混合方法，包括如下步驟：

與現(xiàn)有技術相比，本發(fā)明具有以下優(yōu)點和有益效果：

1.對訓練數(shù)據(jù)集和預測數(shù)據(jù)集分別進行WPD實時分解，將船舶運動數(shù)據(jù)高低頻分量分解為固定層數(shù)的子序列，提升了模型學習子序列變化規(guī)律和船舶姿態(tài)的映射關系的能力；

2.建立多輸入多輸出策略的ORELM基礎預測模型，避免了多步預測的誤差累計。并引入AdaBoost.MRT算法，克服了ORELM模型預測結果不穩(wěn)定的問題，同時增強了單個ORELM在大多步預測中對船舶姿態(tài)序列的學習能力；

3.對大多步預測誤差建立LSSVM誤差修正模型，誤差修正模型能夠進一步提取包含在大多步誤差序列中少部分船舶運動數(shù)據(jù)的變化規(guī)律，實現(xiàn)對船舶運動數(shù)據(jù)更加完整的學習和大多步預測。

附圖說明

圖1是本發(fā)明實施例所提預測模型完整結構圖。

具體實施方式

下面將結合實施例和附圖，對本發(fā)明的技術方案進行清楚、完整地描述。

參見圖1，本發(fā)明實施例基于實時分解、強化學習和誤差修正，提供的船舶姿態(tài)大多步預測方法的步驟如下：

步驟1：由船舶上安裝的姿態(tài)傳感器獲取原始船舶運動數(shù)據(jù)，將原始船舶運動數(shù)據(jù)劃分為訓練數(shù)據(jù)集和預測數(shù)據(jù)集；