[發明專利]一種基于數據驅動的遞歸神經網絡船舶運動模型方法

在審

• 申請號: 202210553682.3
• 申請日: 2022-05-19
• 公開（公告）號: CN114861319A
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 鄧芳;張翰林;于敦敬;楊化林
• 申請（專利權）人: 青島科技大學
• 主分類號: G06F30/15
• 分類號: G06F30/15;G06F30/27;G06N3/04;G06N3/08;G06F119/14
• 代理公司: 青島中天匯智知識產權代理有限公司 37241
• 代理人: 許莉

1.一種基于數據驅動的遞歸神經網絡船舶運動模型方法，其特征在于，包括以下步驟：

101、進行船舶航行試驗，使船舶按一定操縱狀態行駛，通過衛星導航系統、位置參考系統和羅經系統獲取船舶運動狀態信息，并記錄船舶航行時的推進系統推進器實時運行信息，包括：通過傳感器系統獲取船舶的船位和航向信息，通過濾波系統濾除測量船位和航向信息中的高頻波浪運動成分和測量噪聲，得到各采樣時刻的船舶低頻運動狀態信息，記為η_t＝[x_t,y_t,ψ_t]^T，其中：η表示船舶的低頻運動向量，x,y,ψ分別為船舶在地球坐標系中的北向坐標、東向坐標和航向角；獲取船舶推進系統運行信息，包括各螺旋槳轉速及舵角等信息，記為u_t＝[n_1t,n_2t,...,α_1t,α_2t,...,δ_1t,δ_2t,...]^T，其中u表示推進器運行狀態向量，n_i，α_i，δ_i,i＝1,2,...分別為螺旋槳轉速、方位角及方向舵舵角；下標t表示當前采樣時刻；

102、構建船舶運動的遞歸神經網絡模型結構，確定神經網絡輸入層及輸出層神經元節點，通過交叉試驗法確定隱藏層層數、隱藏層神經元節點數。

103、基于獲取的船舶低頻運動信息和推進系統運行信息，構建遞歸神經網絡訓練數據集，以及神經網絡測試數據集；輸入數據集被標記為{x₀,x₁,...,x_t,x_t+1,...}，隱藏層的輸出集記為{φ₀,φ₁,...,φ_t,φ_t+1,...}，輸出數據集記為{y₀,y₁,...,y_t,y_t+1,...}；建立船舶運動神經網絡模型映射關系：y_t+1＝F(X_t)，其中F(·)為隱式表達式函數；

104、基于遞歸神經網絡訓練數據集，采用不同激活函數和優化算法構建遞歸神經網絡船舶運動模型，以損失函數最小為目標，選取合適的激活函數和優化算法對船舶運動神經網絡模型進行迭代訓練，得到神經網絡各層神經元節點中的權值系數；

105、基于神經網絡測試數據集，對訓練建立的船舶運動神經網絡模型進行模型測試，驗證所建立的神經網絡模型的泛化性能，并進行模型優化，確定最終的船舶運動遞歸神經網絡模型。

2.根據權利要求1所述的一種基于遞歸神經網絡的數據驅動船舶運動建模方法，其特征在于：

所述船舶運動的遞歸神經網絡模型，輸入層神經元信號引入延遲系統信息，以提高神經網絡模型對時變系統動態變化的表達能力，以當前時刻船舶推力及歷史船位和航向作為船舶運動神經網絡模型輸入，將輸入層描述為：X_t＝[τ_t,η_t,η_t-1,η_t-2]^T，其中τ_t＝[τ_x,t,τ_y,t,τ_N,t]^T表示采樣時刻t對應的推進力向量，其中τ_x,t表示t時刻的縱推力，τ_y,t表示t時刻的側推力，τ_N,t表示t時刻的轉艏力矩；分別為當前t采樣時刻、t-1時刻即前一采樣時刻及t-2時刻即上前采樣時刻經濾波處理的船舶低頻運動信息；

隱藏層表達式為:其中N是輸入層神經元數量，φ是激活函數，w_ij、b_ij分別為輸入層X_i傳遞到隱藏層神經元j的權重和偏差項；

基于船舶運動的歷史狀態及推進器推力信息，對未來船舶運動狀態，即下一時刻的船位和航向進行預測，因此，將輸出層表達為：即從當前時刻t出發的下一采樣時刻t+1時刻的船舶低頻運動狀態；

基于獲取的推進系統運行狀態信息：u_t＝[n_1t,n_2t,...,α_1t,α_2t,...,δ_1t,δ_2t,...]^T，根據推進器動態特性，求解各推進器輸出的等效推力，再綜合得到推進系統總和輸出的縱推力、側推力以及轉艏力矩，即獲得每個時刻t對應的推進力向量τ_t＝[τ_x,t,τ_y,t,τ_N,t]^T，再結合經濾波處理的船舶低頻運動狀態信息：構建遞歸神經網絡數據集，包括輸入數據集：{x₀,x₁,...,x_t,x_t+1,...}，其中X_t＝[τ_t,η_t,η_t-1,η_t-2]^T；以及輸出數據集為{y₀,y₁,...,y_t,y_t+1,...}，其中將建立的數據集分成兩部分，一部分為訓練數據集，另一部分為測試數據集。