大型船舶橫搖運動姿態(tài)預報技術研究.pdf

1、船舶在波浪中六自由度運動的時域預報問題是一項為國際航運界、船舶工程界,尤其是各國海軍所關注而至今未能很好解決的課題。目前,在解決船舶運動預報問題時常常采用時間序列分析、灰色系統(tǒng)理論和神經網絡等方法,這些方法的最大優(yōu)點是無需知道海浪的任何先驗信息和船舶航行姿態(tài)的狀態(tài)方程,僅僅通過在船舶運動的歷史數據中尋求規(guī)律,進而進行預報。然而這些數據通常表現出多變量動態(tài)演化行為和多層次結構等特點,若想得出十分確切的預報模型比較困難,但是運動序列具有一定

2、的規(guī)律性,如某時期的發(fā)展變化與以前某時期的發(fā)展有著相似或相同的規(guī)律等。因此,為進一步提高船舶橫向運動預報的有效預報時長及實時性,本文借鑒基于數據驅動的預報思想,從兩個方面分別分析了橫搖運動姿態(tài)時間序列的內在特征及演化特征,同時針對性的結合神經網絡方法和支持向量機方法設計了幾種預報模型。具體內容包括以下幾方面:
　　首先,針對傳統(tǒng)單一的預報方法難以在信息貧乏和不確定條件下做出準確預報的問題,設計了基于經驗模式分解的船舶運動姿態(tài)混合智

3、能預報模型。對橫搖運動姿態(tài)時間序列本身的特征進行深入的分析和研究,采用經驗模式分解方法把不同的特征信息分解開來;采用游程法將若干個基本模式分量和一個余項重構為高、中、低頻三個分量,使得預報對象數目固定;針對每個分量建立不同的信息熵加權Elman神經網絡預報模型;采用GRNN神經網絡對各個預報分量的結果進行加權求和,并輸出最終的預報結果。
　　其次,由于船舶運動姿態(tài)的不確定性與混沌特性是緊密相連的,針對船舶運動姿態(tài)的非線性、不確定性

4、。對四種不同海情下的橫搖運動姿態(tài)時間序列的混沌特性問題進行了具體的分析。在橫搖時間序列的相空間重構方面,討論了延遲時間與嵌入維數的選取方法,采用互信息函數法和假近鄰法分別計算了各橫搖序列的最佳嵌入維數和時間延遲。在混沌特征分析方面,繪制了船舶橫搖時間序列的三維相圖,并分析了隨機序列、Lorenz映射及橫搖時序這三種三維相圖的各自特點及區(qū)別;同時采用飽和關聯維數法和小數據量法對船舶橫搖時間序列的關聯維數、Kolmogorov熵以及最大Ly

5、apunov指數進行計算,從定性和定量兩方面來證明橫搖運動姿態(tài)具有一定的混沌動力學特性。
　　接著,針對橫搖運動姿態(tài)的混沌特性,通過相空間重構來近似恢復原來的多維非線性混沌系統(tǒng),并結合適用于非線性、小樣本、不確定性問題的支持向量機回歸方法,建立基于改進支持向量機的混沌智能預報方法,利用吸引子在不同層次間的自相似結構進行預報。在支持向量機回歸方法方面,主要研究內容包括:鑒于常用的核函數在理論上不可能逼近平方可積空間上任意曲線的問題,

6、構造滿足Mercer條件的Marr小波核函數;調整最優(yōu)化問題的置信范圍,建立參數b與最優(yōu)化問題的對偶問題最優(yōu)解之間的關系,獲得變異支持向量機,其對偶問題少了一個約束條件,具有更加簡潔的形式;設計魯棒損失函數,建立了滿足基于間隔的結構風險最小化原則的分段式支持向量機問題,使算法具有更強的魯棒性;用單松弛變量代替兩個松弛變量來控制誤差的大小,設計了改進支持向量機,即單松弛變量魯棒小波支持向量機,減少了對偶問題的優(yōu)化范圍,提高了運算速度;根據

7、基于幾何間隔的結構風險最小化原則,對改進支持向量機的若干結論進行了證明。在參數組合優(yōu)化方面,針對標準粒子群算法局部搜索能力差及早熟收斂等問題,提出了多種群協(xié)調進化自適應混沌粒子群算法,通過混沌初始化種群策略和多個子種群相互協(xié)調策略的設計,達到了自適應調節(jié)各自慣性權重和學習因子從而進行種群進化的效果。
　　最后,研究了船舶運動時間序列的在線預報方法。針對采用離線訓練方式的預報模型在訓練時并沒有考慮樣本的動態(tài)特性導致長時間的預報精度下

8、降很快這一問題,研究了支持向量機的在線式學習算法,提出了混沌在線最小二乘支持向量機在線預報模型。此模型使得歷史數據的訓練結果得到充分利用,完成了在線更新樣本集和回歸函數,在線預報。針對超參數不能隨著樣本的變化而進行自動調節(jié)的問題,提出了最小二乘支持向量機在線建模策略。采用啟發(fā)式規(guī)則在三個最小二乘支持向量機的交替工作過程中自動更新支持向量機超參數,由此設計了變參數最小二乘支持向量機在線預報方法。預報模型采用變化的參數替代固定的參數,更加確