[发明专利]一种基于改进EMD-AR模型的船舶运动预报方法

说明书

本发明公开了一种基于改进EMD‑AR模型的船舶运动预报方法，通过向时间序列中分别加入和减去若干个白噪声，对新的时间序列进行经验模态分解，可解决基于传统的经验模态分解所获得的IMF模态混叠问题，且可使IMF更准确，在此基础上，可提高船舶运动预报精度。本发明利用SVR模型对船舶运动时间序列的上、下包络线进行延拓，合理地求得时间序列第一个极值点到始端和最后一个极值点到末端这两段包络线，抑制了传统的经验模态分解存在的端点效应，使得分解出的IMF更准确，在此基础上，可提高船舶运动预报精度。本发明与AR模型及滚动时间窗法相结合，并提出AR模型系数的在线迭代学习策略，可实现船舶运动的高精度在线预报。

技术领域

本发明涉及船舶与海洋工程技术领域，具体为一种基于改进经验模态分解-自回归(Empirical Mode Decomposition-Autoregressive，EMD-AR)模型的船舶运动预报方法。

背景技术

船舶受风、浪、流等海洋环境影响会产生横摇、纵摇、艏摇、横荡、纵荡、升沉六个自由度的运动，会影响各种船上设备的安全作业。船舶的横荡、纵荡和艏摇运动可以利用锚泊定位或动力定位系统进行补偿，而横摇、纵摇和升沉运动则需要利用船载稳定平台来隔离其对船上设备的影响，使设备时刻保持平稳，就像在陆地上一样，减少安全隐患。为了对由海洋环境引起的扰动进行同步补偿，就需要进行船舶运动极短期预报，从而达到同步补偿的要求，这对于提高稳定平台控制精度有着重要意义。

中国发明专利CN111709140A(实审)公开了一种基于内在可塑性回声状态网络的船舶运动预报方法，应用新型的回声状态网络提高了预报精度。中国发明专利CN103926932A(实审)公开了一种基于分解策略的船舶运动预报方法，将经验模态分解(Empirical Mode Decomposition,EMD)和神经网络结合，提高了预报精度，但未处理经验模态分解方法固有的模态混叠问题。哈尔滨工程大学刘世林的硕士论文“船舶运动姿态短时高精度预报方法研究”提出一种基于集合经验模态分解-支持向量机(EnsembleEmpirical Mode Decomposition-Support Vector Machine,EEMD-SVR)的船舶运动预报方法，通过向时间序列中加入正态分布的白噪声，解决了传统经验模态分解方法固有的模态混叠问题。但经模态分解获得的本征模态函数(Intrinsic Mode Function,IMF)中会含有不可忽略的噪声，导致预报精度低，且在模态分解过程中，通过插值方法求时间序列的上、下包络线，但时间序列第一个极值点到始端和最后一个极值点到末端这两段包络线准确性不高，这称为端点效应，会降低所分解出的IMF准确性，降低预报精度。此外，上述所有预报方法均不能实现船舶运动的在线预报。

发明内容

为解决上述问题，本发明要提出一种基于改进EMD-AR模型的船舶运动预报方法，以实现船舶运动的在线预报，提高预报的精度。

为了实现上述目的，本发明的技术方案如下：一种基于改进EMD-AR模型的船舶运动预报方法，所述基于改进EMD-AR模型是改进经验模态分解-自回归模型的船舶运动预报方法，包括以下步骤：

A、以T为采样周期采集船舶运动数据，确定滚动时间窗的长度n，在时间窗内的运动时间序列为x(t),t＝1,2,…,n；所述运动包括横摇运动、纵摇运动或升沉运动；

B、将运动时间序列x(t)分别加上和减去k个正态分布的白噪声序列α_q(t),q＝1,2,…,k，组成2k个新的时间序列如下：

式中，k代表白噪声序列的个数；

C、利用改进的EMD算法对新的时间序列进行模态分解，所述改进的EMD算法为改进的经验模态分解算法：

C1、创建一个空数组IMFs，令p＝1，w＝1；