【技術實現(xiàn)步驟摘要】
一種基于AR
?
OLSSVR模型的船舶運動預報方法
[0001]本專利技術涉及船舶與海洋工程
，具體為一種將迭代學習算法、自回歸(Autoregressive，AR)模型和在線最小二乘支持向量回歸(Online Least Squares Support Vector Regression，OLSSVR)模型相融合的船舶運動預報方法。
技術介紹
[0002]海上廊橋作為一種海上換乘裝備，相當于一個海上通道，方便人員在宿主船與目標船或海上平臺之間進行換乘。在進行海上換乘時，船舶受風、浪、流等海洋環(huán)境影響會產(chǎn)生橫蕩、縱蕩、升沉、橫搖、縱搖和艏搖六個自由度的運動，給海上人員換乘造成安全隱患。船舶的橫蕩、縱蕩和艏搖運動可由動力定位系統(tǒng)進行補償，而橫搖、縱搖和升沉運動則需要通過海上廊橋來進行補償，以使廊橋始終保持平穩(wěn)，就像在陸地上一樣，為海上人員安全換乘提供保障。為提高海上廊橋的波浪補償控制精度，實現(xiàn)由波浪等海洋環(huán)境引起的船舶橫搖、縱搖和升沉運動對海上廊橋的擾動的同步補償，需要對船舶運動進行實時的極短期預報。
[0003]中國專利技術專利CN103926932A(實審)公開了一種船舶運動姿態(tài)分解域智能預報方法，通過將數(shù)據(jù)預處理方法與神經(jīng)網(wǎng)絡結合，實現(xiàn)船舶運動預報。中國專利技術專利CN111709140A(實審)公開了一種基于內在可塑性回聲狀態(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)絡實現(xiàn)了船舶運動預報。然而，上述專利均不能實現(xiàn)在線預報。中國專利技術專利CN113156815A(實審)公開了一...
【技術保護點】
【技術特征摘要】
1.一種基于AR
?
OLSSVR模型的船舶運動預報方法，其特征在于：包括以下步驟：A、以T為采樣周期采集船舶運動數(shù)據(jù)，得到n個樣本數(shù)據(jù)x
k
,k＝1,2,
…
,n；所述的船舶運動包括橫搖運動、縱搖運動和升沉運動；B、建立并訓練AR模型；B1、建立船舶運動樣本數(shù)據(jù)的AR模型如下：式中，p為AR模型的待定階數(shù)，a
i
為AR模型的待定系數(shù)，記a＝[a1,a2,
…
,a
p
]
T
為AR模型的待定系數(shù)向量，e
k
為AR模型的誤差；B2、根據(jù)Akaike信息量準則確定p的值；首先，為AR模型定義Akaike信息量準則函數(shù)AIC(
·
)如下：AIC(p)＝nln(ξ2)+2p
????????????????????????
(2)式中，ξ2表示AR模型誤差方差，為AR模型的待定系數(shù)向量的估計值，ln(
·
)表示自然對數(shù)；假設AR模型的最大階數(shù)為p
max
，且0＜p≤p
max
＜n，依次計算AIC(1),
…
,AIC(p
max
)的值，若這些值中的最小值為AIC(p
*
)，則確定AR模型的階數(shù)p＝p
*
；B3、對提出如下在線迭代學習策略：式中，t為當前采樣時刻，Q為p
×
p的設計常數(shù)矩陣，X(t
?
1)＝[x
t
?2,x
t
?3,
…
,x
t
?1?
p
]
T
，I為p
×
p的單位矩陣，G(t
?
1)為p維的增益向量，C(t
?
1)為p
×
p的協(xié)方差矩陣，R為設計常數(shù)；C、依據(jù)AR模型，建立船舶運動樣本數(shù)據(jù)的回歸方程：式中，為樣本數(shù)據(jù)x
k
的回歸值；通過式(5)對當前時刻t之前的n
?
p個樣本數(shù)據(jù)進行回歸，并將樣本數(shù)據(jù)與其回歸值進行比較，得到n
?
p個AR模型回歸誤差：式中，e
reg,k
為AR模型回歸誤差；D、依據(jù)AR模型，建立船舶運動預報模型如下：
式中，H為預報步數(shù)，為向后HT秒的預報值；E、建立OLSSVR模型如下：式中，e
t
＝[e
reg,p+m+1
,e
reg,p+m+2
,
…
,e
reg,n
]，m為嵌入維數(shù)，2≤m＜n
?
p，ω
j
,j＝p+1,
…
,n
?
m，為OLSSVR的模型系數(shù)，記M＝n
?
m
?
p，記ω＝[ω
p+1
,ω
p+2
,
…
,ω
j
,
…
,ω
n...
【專利技術屬性】
技術研發(fā)人員：杜佳璐，薛興，李健，
申請(專利權)人：大連海事大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。