1.一种基于数据驱动的递归神经网络船舶运动模型建模方法，其特征在于，包括以下步骤：

101、进行船舶航行试验，使船舶按一定操纵状态行驶，通过卫星导航系统、位置参考系统和罗经系统获取船舶运动状态信息，并记录船舶航行时的推进系统推进器实时运行信息，包括：通过传感器系统获取船舶的船位和航向信息，通过滤波系统滤除测量船位和航向信息中的高频波浪运动成分和测量噪声，得到各采样时刻的船舶低频运动状态信息，记为ηt＝[xt,yt,ψt]T，其中：η表示船舶的低频运动向量，x,y,ψ分别为船舶在地球坐标系中的北向坐标、东向坐标和航向角；获取船舶推进系统运行信息，包括各螺旋桨转速及舵角信息，记为ut＝[n1t,n2t,...,α1t,α2t,...,δ1t,δ2t,...]T，其中u表示推进器运行状态向量，ni，αi，δi,i＝1,2,...分别为螺旋桨转速、方位角及方向舵舵角；下标t表示当前采样时刻；

102、构建船舶运动的递归神经网络模型结构，确定神经网络输入层及输出层神经元节点，通过交叉试验法确定隐藏层层数、隐藏层神经元节点数；

103、基于获取的船舶低频运动信息和推进系统运行信息，构建递归神经网络训练数据集，以及神经网络测试数据集；输入数据集被标记为{x0,x1,...,xt,xt+1,...}，隐藏层的输出集记为{φ0,φ1,...,φt,φt+1,...}，输出数据集记为{y0,y1,...,yt,yt+1,...}；建立船舶运动神经网络模型映射关系：yt+1＝F(Xt)，其中F(·)为隐式表达式函数；

104、基于递归神经网络训练数据集，采用不同激活函数和优化算法构建递归神经网络船舶运动模型，以损失函数最小为目标，选取合适的激活函数和优化算法对船舶运动神经网络模型进行迭代训练，得到神经网络各层神经元节点中的权值系数；

105、基于神经网络测试数据集，对训练建立的船舶运动神经网络模型进行模型测试，验证所建立的神经网络模型的泛化性能，并进行模型优化，确定最终的船舶运动递归神经网络模型。

2.根据权利要求1所述的一种基于数据驱动的递归神经网络船舶运动模型建模方法，其特征在于：

所述船舶运动的递归神经网络模型，输入层神经元信号引入延迟系统信息，以提高神经网络模型对时变系统动态变化的表达能力，以当前时刻船舶推力及历史船位和航向作为船舶运动神经网络模型输入，将输入层描述为：Xt＝[τt,ηt,ηt-1,ηt-2]T，其中τt＝[τx,t,τy,t,τN,t]T表示采样时刻t对应的推进力向量，其中τx,t表示t时刻的纵推力，τy,t表示t时刻的侧推力，τN,t表示t时刻的转艏力矩；分别为当前t采样时刻、t-1时刻即前一采样时刻及t-2时刻即上前采样时刻经滤波处理的船舶低频运动信息；

隐藏层表达式为:其中N是输入层神经元数量，φ是激活函数，wij、bij分别为输入层Xi传递到隐藏层神经元j的权重和偏差项；

基于船舶运动的历史状态及推进器推力信息，对未来船舶运动状态，即下一时刻的船位和航向进行预测，因此，将输出层表达为：即从当前时刻t出发的下一采样时刻t+1时刻的船舶低频运动状态；

基于获取的推进系统运行状态信息：ut＝[n1t,n2t,...,α1t,α2t,...,δ1t,δ2t,...]T，根据推进器动态特性，求解各推进器输出的等效推力，再综合得到推进系统总和输出的纵推力、侧推力以及转艏力矩，即获得每个时刻t对应的推进力向量τt＝[τx,t,τy,t,τN,t]T，再结合经滤波处理的船舶低频运动状态信息：构建递归神经网络数据集，包括输入数据集：{x0,x1,...,xt,xt+1,...}，其中Xt＝[τt,ηt,ηt-1,ηt-2]T；以及输出数据集为{y0,y1,...,yt,yt+1,...}，其中将建立的数据集分成两部分，一部分为训练数据集，另一部分为测试数据集。