1.一种数据驱动的海上船舶运动姿态实时预报方法,其特征在于:包括以下步骤:A、采集数据
采集船舶六自由度运动要素数据作为备用信息,所述的船舶六自由度运动要素数据包括船舶六个自由度姿态信息和船舶速度信息,所述的船舶六个自由度姿态信息包括固定坐标系下船舶的纵向位置X、横向位置Y、垂向位置Z、横摇角 纵摇角θ和首摇角ψ;所述的船舶速度信息包括运动坐标系下船舶的纵向速度μ、横向速度ν和首摇角速度r;
B、对多尺度小波进行分解和信息筛选将船舶六自由度运动要素数据中的横摇角 纵摇角θ、首摇角ψ、纵荡速度u、横荡速度v和首摇角速度r共六个时间序列分别进行小波分解,分别得到各自的近似分量和细节分量;
即通过小波分解,将所述的六个时间序列的每个时间序列分别作为S(t)分解为若干子序列,包括近似分量 子序列和细节分量 子序列;
以船舶六自由度运动要素数据中的横摇角 纵摇角θ、首摇角ψ、纵荡速度u、横荡速度v或者首摇角速度r其中的一个变量作为预报对象,通过相关性分析方法对横摇角 纵摇角θ、首摇角ψ、纵荡速度u、横荡速度v和首摇角速度r的近似分量和细节分量进行相关性排序和信息筛选,选择与预报对象相关性强的近似分量和细节分量作为船舶运动预报模型的输入,分别建立以横摇角 纵摇角θ、首摇角ψ、纵荡速度u、横荡速度v和首摇角速度r作为预报对象的船舶运动预报模型,共六个船舶运动预报模型;
C、建立基于径向基函数神经网络的船舶运动预报模型C1、建立滑动数据窗口
船舶在海上的运动具有动态时变的特性,为了反映最新的船舶运动状态,建立滑动数据窗口对船舶运动进行状态观测,利用实时更新的输入输出数据动态调整基于径向基函数神经网络的船舶运动预报模型;
所述的滑动窗口是一个固定宽度的先进先出的数据样本序列,当接收到一组新的输入‑输出数据后,将新数据组加入滑动窗口,最早的一组数据则移出滑动窗口;将t时刻的滑动窗口WSD表示为:
WSD=[(pt‑L+1,qt‑L+1),…,(pt,qt)],其中L为滑动窗口的宽度;利用滑动窗口内的输入‑输出数据组,即分别用输入矩阵P与对应的输出向量Q表示映射关系的实时动态:Q=[qt‑L+1,…,qt]式中,np为输入矩阵的维数;
分别用输入矩阵P与对应的输出向量Q作为径向基函数神经网络的输入和输出,对径向基函数神经网络进行训练和动态调整;
C2、在每一步接收到新数据样本后,更新滑动数据窗口,将最新的样本加入窗口,而将最早的样本从窗口中删除;直接将新数据样本加入隐层作为一个新的隐节点;
C3、计算隐层的响应矩阵Φ,其中:其中,cj为第j个隐节点的中心,pi为第i个样本,||·||表示欧氏距离,σ为基函数宽度;
M为隐节点的数目;将响应矩阵Φ中的向量利用Gram‑Schmidt法则进行正交分解Φ=WA,得到W=[w1,…,wM];
按下式计算误差下降率:
按下式标准化误差下降率;
C4、选择对输出贡献的和小于设定值的那些隐节点;直至所选择隐节点标准化误差下降率的和满足下式:
其中,ρ为精度阈值;选择1,2,...,g构成如下的预备删除隐节点集合:Sk={c1,…,cg}
其中,c1,…,cg分别是其中第1到第g个预备删除的隐节点;
取在过去连续MS步被选中的隐节点集合的交集I并删除在I中的隐节点如下:其中,Sk、Sk‑1、 分别是第k、k‑1和第k‑MS+1步被选中的隐节点的集合;
C5、在每一步隐节点确定后,更新隐层至输出层的连接权值;
所得到的径向基函数神经网络的响应矩阵Φ至输出层矩阵Q的连接权值通过求偏最小二乘的方法得到;
在响应矩阵Φ与输出矩阵Q之间进行偏最小二乘回归运算;提取主成分矩阵T后,将响应矩阵Φ与输出矩阵Q分别投射到主成分矩阵T上,得到基于偏最小二乘回归的径向基函数神经网络如下:
Q=TR+F=ΦWR+F
其中,T为Φ的主成分矩阵;W为Φ的转换矩阵;R为回归系数矩阵;F为残差矩阵;
D、船舶运动各参数的预报
对于横摇、纵摇和垂荡运动这三个周期较短的运动,对横摇角 纵摇角θ、首摇角ψ进行直接预报;而纵向位置、横向位置和首摇角变化相对缓慢,首先预报纵荡速度u、横荡速度v和首摇角速度r,进而基于纵荡速度u、横荡速度v和首摇角速度r得到纵向位置、横向位置和首摇角的预报值,具体公式如下:
2.根据权利要求1所述的一种数据驱动的海上船舶运动姿态实时预报方法,其特征在于:所述的相关性分析方法包括计算偏相关系数法、计算相关系数法、回归分析法。