[发明专利]基于随机森林算法和Adam神经网络波浪补偿预测方法

说明书

本发明提出一种基于随机森林算法和Adam神经网络波浪补偿预测方法，包括以下过程：S1：收集船舶历史数据，进行数据归一化处理，得到原始数据集；S2：利用Bootstrap重采样方法抽取样本，构成若干训练集样本；S3：根据随机森林计算特征重要性，进行属性筛选；S4：构建神经网络模型，根据筛选后的属性样本作为输入量，船舶预测值作为输出量，利用Adam算法训练神经网络模型；S5：根据实时监测数据输入Adam神经网络模型，得出预测值。

技术领域

本发明涉及船舶波浪补偿技术领域，特别是一种随机森林算法和Adam神经网络波浪补偿预测方法。

背景技术

我国是海洋大国，海洋资源可开发利用的潜力很大。随着加快发展海洋产业，促进海洋经济的发展，海洋平台或船舶越来越频繁地进行着海上的作业。在海洋产业链中，海洋平台和船舶是最主要的生产、载运工具，但海洋平台和船舶不同于陆地，由于风浪引起的横摇、纵摇和升沉会导致船舶的相对位置发生变化。同时，也会产生作业效率低下，人员安全存在隐患等问题。因此，为了提高这些海上作业的安全性，波浪补偿的研究对实际工程和科学研究有着重大的意义。

由于海上工作平台的负载和惯量较大，会导致在进行主动波浪补偿时造成补偿运动延时，极大的影响补偿效果。在这种情况下，为了提高补偿精度，需要对波浪运动进行短期预测，提前预测出波浪运动趋势并进行补偿。目前常用的波浪预测模型有自回归模型(AR，Auto Regressive)，自回归滑动平均模型(ARMA，Auto Regressive and MovingAverage Model) 和滑动平均模型(MA，Moving Average Model)等。这些模型都基于对波浪的过去一段时间运动的观测，运用时间序列分析建立模型来实现预测。但是，这些预测方法只在线性系统中有好的效果，不适用于非线性系统。国外专家Sidar和Dodin利用卡尔曼滤波来实时预测波浪运动，但是卡尔曼滤波预测法需要知道系统运动的精准状态运动数学式。然而，当液压参数和环境改变了，状态等式是难以精准地给出。因此，尽管卡尔曼滤波能处理干扰并且计算简单，但在实际运用上很难达到理想效果。公开号为CN 107357170 A的中国专利“一种基于自抗扰状态观测器的海浪模型预测方法”是利用傅里叶变换对升沉位移信号进行快速处理，但它适用于信号平稳的状态，在非平稳时效果并不好。

因此，要实现准确、高效地对某些领域的数值进行预测，达到数值预测的要求，必须建立一种精确、泛化能力强的数值预测，使得预测结果更加准确。

发明内容

为解决上述技术问题，本发明提供一种基于随机森林算法和Adam神经网络波浪补偿预测方法。

本发明是通过以下技术方案来实现：

步骤1：收集船舶历史数据，进行数据归一化处理，得到原始数据集；

步骤2：利用Bootstrap重采样方法抽取样本，构成若干训练集样本；

步骤3：根据随机森林计算特征重要性，进行属性筛选；

步骤4：构建神经网络模型，根据筛选后的属性样本作为输入量，船舶预测值作为输出量，利用Adam算法训练神经网络模型；

步骤5：根据实时监测数据输入Adam神经网络模型，得出预测值。

进一步地，其中所述步骤1还包括：

步骤1.1：收集船舶的升沉位移，加速度与速度等历史样本数据；

步骤1.2：用min-max标准化实现对历史样本数据的归一化,得到原始数据集样本，即

其中:X为未归一化的一个样本数据,X^*为归一化后的一个样本数据,X_min为样本数据的最小值,X_max为样本数据的最大值。