基于LSTM的艦船運動姿態(tài)短期預(yù)測及仿真研究.pdf

1、艦船運動姿態(tài)短期預(yù)測對艦船安全航行以及海上作業(yè)等有著重大意義。艦船航行過程中，運動姿態(tài)會受到耦合作用、不定周期、噪聲信號以及混沌特性等因素的干擾，呈現(xiàn)出復(fù)雜的非線性狀態(tài)，因此很難精確地預(yù)測短期姿態(tài)序列。為了提升預(yù)測精度，研究者把大量精力花費在復(fù)雜艦船運動數(shù)學(xué)模型的建立上，大多數(shù)模型不具備可移植性。長短時記憶網(wǎng)絡(luò)模型（LSTM）屬于深度學(xué)習(xí)的范疇，它具有一般神經(jīng)網(wǎng)絡(luò)算法不具備的保存歷史信息的能力，在時間序列的預(yù)測上表現(xiàn)出明顯的優(yōu)勢，可以借

2、助當(dāng)前值和歷史數(shù)據(jù)更好地預(yù)測時間序列。
　　針對以上情況，本文采用LSTM模型，首次將該模型應(yīng)用于艦船運動姿態(tài)預(yù)測研究，并運用虛擬現(xiàn)實技術(shù)搭建艦船實時運動姿態(tài)仿真平臺，并應(yīng)用于上海某部的艦船中，節(jié)約了開發(fā)費用，縮短了開發(fā)周期，增強(qiáng)了人機(jī)交互性，從而更好地提升艦船航行的安全性，在不失海洋場環(huán)境的真實感受下降低了艦船操縱人員訓(xùn)練的成本。本論文主要研究工作如下：
　　1、研究艦船運動姿態(tài)時間序列的特點，對LSTM結(jié)構(gòu)以及算法加以研

3、究分析。針對艦船姿態(tài)預(yù)測精度和時長，根據(jù)LSTM模型充分發(fā)掘歷史信息對未來值預(yù)測的特點，使用LSTM模型對艦船姿態(tài)序列進(jìn)行預(yù)測。
　　2、在 LSTM網(wǎng)絡(luò)模型基礎(chǔ)上，研究優(yōu)化算法以便增加模型訓(xùn)練的預(yù)測精度。其中包括 Xavier初始權(quán)值化方法、ReLU激活函數(shù)、dropout方法等等。借助Tensorflow平臺對LSTM模型、BLSTM模型進(jìn)行實驗，并與傳統(tǒng)AR模型、RNN網(wǎng)絡(luò)模型實驗結(jié)果對比分析。結(jié)果表明基于LSTM的模型算法