[发明专利]一种船舶运动姿态分解域智能预报方法

说明书

技术领域

本发明属于船舶运动姿态预报技术，特别涉及用于船舶横摇运动姿态的预报一种船舶运动姿态分解域智能预报方法。

背景技术

船舶横摇运动姿态预报技术具有显著的军事意义和社会、经济价值。它可以为船舶在大风浪中的作业，如航行、动力定位、锚泊等提供安全保障，对提升舰载武器和装备的作战使用海情具有重要意义，可为船舶的使用、耐波性能设计的改进以及减摇装置控制精度的提高提供依据，全面增强舰船安全性能。

船舶运动的非线性导致对其预报具有一定难度，近似的舰船运动机理模型求解困难，应用这样的模型必然很难给出满意预报。早期的船舶运动姿态预报技术分为频域预报法和基于传统统计学时间序列分析模型的时域预报法，随着人工智能、模糊逻辑、神经网络和灰色思想的引入，预报理论的发展又注入了新的活力。

发明内容

本发明的目的提供用于提高时间序列预报精度、降低建模难度的一种船舶运动姿态分解域智能预报方法。

本发明是通过以下技术方案实现的：

一种船舶运动姿态分解域智能预报方法，包括以下几个步骤：

步骤一：将船舶横摇角时间序列的分解，得到相互独立的本征模式分量及余项；

步骤二：求得每个分量和余项的游程个数；

分量和余项所对应的时间序列为{k(t)},t＝1,2,...n，均值为在时间序列k(t)中比均值小的观察值记为“-”，比均值大的观察值记为“+”，把时间序列k(t)转化为一个只有“+”和“-”的符号序列，将每段连续相同的符号序列记为一个游程，

步骤三：通过设定高频、中频以及低频的游程数阈值来对不同波动程度的分量和余项进行划分，使得每个分量和余项分别属于高频区域、中频区域或低频区域中的一个区域；

步骤四：将高频区域内的全部分量和余项重构为一个高频分量，将中频区域内的全部分量和余项重构为一个中频分量，将低频区域内的全部分量和余项重构为一个低频分量；

步骤五：对重构后的高频分量、中频分量、低频分量分别建立信息熵加权Elman神经网络时间序列直接多步预报模型，得到高频分量、中频分量、低频分量的多步预报结果；

步骤六：采用广义回归神经网络作为叠加器，对高频分量、中频分量、低频分量的多步预报结果进行自适应叠加，完成预报。

本发明一种船舶运动姿态分解域智能预报方法还可以包括：

1、分解船舶横摇角时间序列的方法包括以下几个步骤，

步骤一：取船舶横摇角的原始时间序列X(t)的局部最大值点和局部最小值点；

步骤二：利用3次样条线把所有局部极大值点连接起来形成上包络线e_max1(t)，同时再用3次样条线将所有的局部极小值点连接起来形成下包络线e_min1(t)，上下包络线包络所有数据点；由极大值包络线与极小值包络线取平均得到均值包络线m₁(t)：

m₁(t)＝(e_max1(t)+e_min1(t))/2；

步骤三：求得本征模式分量IMF；计算原始时间序列X(t)与均值包络线m₁(t)的差值，记为h₁(t)：

h₁(t)＝X(t)-m₁(t)

判断差值h₁(t)是否满足本征模式分量IMF所具备的条件，若不满足，将差值h₁(t)作为新的时间序列继续执行步骤一和步骤二，直到满足本征模式分量IMF的条件，得到第一个本征模式分量IMF₁；

步骤四：从原始时间序列X(t)中分离出分量IMF₁,得到第一次余项R₁(t)：

R₁(t)＝X(t)-IMF₁；

步骤五：将第一次余项R₁(t)当作新的时间序列重复步骤一到步骤四，得到第n次余项R_n(t)：

R₂(t)＝R₁(t)-IMF₂

R₃(t)＝R₂(t)-IMF₃···

R_n(t)＝R_n-1(t)-IMF_n