[发明专利]一种船舶航向智能预报方法

说明书

技术领域

本发明涉及的是一种船舶航行预测方法。

背景技术

船舶在海浪中航行受到海浪、海风等环境因素干扰，不可避免地产生摇摆，并且运动姿态具有很大的随机性。提前预报出舰船的运动趋势，对船舶成像系统的稳像、舰载机起降作业指导和补偿等具有重要意义。

船舶在海中的运动是一个非线性随机过程，由船舶耐波性理论和流体力学方法推导的运动模型是在许多假设条件下的近似模型，而且求解也是非常的困难，因此使用这样的模型无法给出船舶运动满意预报。船舶在实际航行过程中存在着大量的随机因素，船舶航向预报是一个非线性系统的时间序列建模与预报问题。传统的时间序列分析与预报理论以线性自回归(AR)模型和线性自回归滑动平均(ARMA)模型为基础，对线性系统有较好的效果，但不适于非线性系统的时间序列建模与预报。神经网络也可用于非线性建模，但神经网络主要是基于经验风险最小化原则的，理论表明当训练数据趋于无穷多时，经验风险收敛于实际风险，因此神经网络的基于经验风险最小化原则隐含地使用了样本无穷多的假设条件。在实际应用中，这种前提条件往往得不到满足。

支持向量机(Support Vector Machines，SVM)是近几年来应用于建模的一种新的学习方法，SVM的最优求解基于结构风险最小化思想，因此具有比其他非线性函数逼近方法具有更强的泛化能力。SVM的求解涉及二次规划问题，计算复杂、效率低，最小二乘支持向量机(Least squares support vector machine，LSSVM)将不等式约束转化为等式约束，只需求解一个线性方程组，计算效率高，实现船舶航向在线预报LSSVM较SVM更具优越性。

发明内容

本发明的目的在于提供准确性高、计算过程简化、能够在线实时预报的一种船舶航向智能预报方法。

本发明的目的是这样实现的：

本发明1、一种船舶航向智能预报方法，其特征是：

(1)采集船舶艏摇角数据，设定采样间隔，并设定最小二乘支持向量机参数；

(2)将采集的k-1前m个时刻的艏摇角作为输入，将k时刻艏摇角艏ψ(k)作为输出，构造最小二乘支持向量机的一组训练数据，当采集到一个新数据时，最早的一个数据相应地从输入中去掉，模型相应的随着时间推移而进行在线更新，从而训练最小二乘支持向量机；

(3)将训练好的最小二乘支持向量机航向预报模型用于航向预报，将到时刻的数据作为输入，从而预测第k+l+1时刻的船舶艏摇角。

本发明的优势在于：

(1)由于LSSVM具有通过学习逼近任意非线性映射的能力，将LSSVM应用于非线性系统的建模与辨识，可不受非线性模型的限制。用LSSVM预报非线性随机过程船舶航向运动，只需利用船舶运动的历史数据，建立时间序列模型来预报舰船运动未来值。

(2)根据船舶运动的历史数据进行建模，预报下一时刻航向值，随着系统的运行，旧的数据不断丢弃，而新的数据不断加入，应用新的数据建立能够反映系统当前状况的新模型，能够确保模型的准确性。

(3)最小二乘支持向量机针对小样本进行训练可以很好的解决神经网络训练速度慢，容易陷入局部极值等缺点，并且求解优化问题最终转为求解线性方程，计算过程得到了极大的简化，确保了实现在线实时预报。

附图说明

图1为本发明的流程图。

图2(a)为海浪有义波高3.8米，遭遇浪向角30度时BP神经网络艏摇角预测值与真实值的对比图，图2(b)为海浪有义波高3.8米，遭遇浪向角90度时BP神经网络艏摇角预测值与真实值的对比图，图2(c)为海浪有义波高3.8米，遭遇浪向角150度时BP神经网络艏摇角预测值与真实值的对比图；

图3(a)为海浪有义波高3.8米，遭遇浪向角30度时LSSVM艏摇角预测值与真实值的对比图，图3(b)为海浪有义波高3.8米，遭遇浪向角90度时LSSVM艏摇角预测值与真实值的对比图，图3(c)为海浪有义波高3.8米，遭遇浪向角150度时LSSVM艏摇角预测值与真实值的对比图。

具体实施方式

下面结合附图举例对本发明做更详细地描述：

结合图1～3，本发明包括以下步骤：

(1)采集船舶艏摇角数据，采样间隔为0.1秒。设定最小二乘支持向量机参数：核函数参数σ和惩罚因子γ。