大型船舶橫搖運(yùn)動(dòng)姿態(tài)預(yù)報(bào)技術(shù)研究.pdf

1、船舶在波浪中六自由度運(yùn)動(dòng)的時(shí)域預(yù)報(bào)問題是一項(xiàng)為國際航運(yùn)界、船舶工程界,尤其是各國海軍所關(guān)注而至今未能很好解決的課題。目前,在解決船舶運(yùn)動(dòng)預(yù)報(bào)問題時(shí)常常采用時(shí)間序列分析、灰色系統(tǒng)理論和神經(jīng)網(wǎng)絡(luò)等方法,這些方法的最大優(yōu)點(diǎn)是無需知道海浪的任何先驗(yàn)信息和船舶航行姿態(tài)的狀態(tài)方程,僅僅通過在船舶運(yùn)動(dòng)的歷史數(shù)據(jù)中尋求規(guī)律,進(jìn)而進(jìn)行預(yù)報(bào)。然而這些數(shù)據(jù)通常表現(xiàn)出多變量動(dòng)態(tài)演化行為和多層次結(jié)構(gòu)等特點(diǎn),若想得出十分確切的預(yù)報(bào)模型比較困難,但是運(yùn)動(dòng)序列具有一定

2、的規(guī)律性,如某時(shí)期的發(fā)展變化與以前某時(shí)期的發(fā)展有著相似或相同的規(guī)律等。因此,為進(jìn)一步提高船舶橫向運(yùn)動(dòng)預(yù)報(bào)的有效預(yù)報(bào)時(shí)長及實(shí)時(shí)性,本文借鑒基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)報(bào)思想,從兩個(gè)方面分別分析了橫搖運(yùn)動(dòng)姿態(tài)時(shí)間序列的內(nèi)在特征及演化特征,同時(shí)針對(duì)性的結(jié)合神經(jīng)網(wǎng)絡(luò)方法和支持向量機(jī)方法設(shè)計(jì)了幾種預(yù)報(bào)模型。具體內(nèi)容包括以下幾方面:
　　首先,針對(duì)傳統(tǒng)單一的預(yù)報(bào)方法難以在信息貧乏和不確定條件下做出準(zhǔn)確預(yù)報(bào)的問題,設(shè)計(jì)了基于經(jīng)驗(yàn)?zāi)Ｊ椒纸獾拇斑\(yùn)動(dòng)姿態(tài)混合智

3、能預(yù)報(bào)模型。對(duì)橫搖運(yùn)動(dòng)姿態(tài)時(shí)間序列本身的特征進(jìn)行深入的分析和研究,采用經(jīng)驗(yàn)?zāi)Ｊ椒纸夥椒ò巡煌奶卣餍畔⒎纸忾_來;采用游程法將若干個(gè)基本模式分量和一個(gè)余項(xiàng)重構(gòu)為高、中、低頻三個(gè)分量,使得預(yù)報(bào)對(duì)象數(shù)目固定;針對(duì)每個(gè)分量建立不同的信息熵加權(quán)Elman神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型;采用GRNN神經(jīng)網(wǎng)絡(luò)對(duì)各個(gè)預(yù)報(bào)分量的結(jié)果進(jìn)行加權(quán)求和,并輸出最終的預(yù)報(bào)結(jié)果。
　　其次,由于船舶運(yùn)動(dòng)姿態(tài)的不確定性與混沌特性是緊密相連的,針對(duì)船舶運(yùn)動(dòng)姿態(tài)的非線性、不確定性

4、。對(duì)四種不同海情下的橫搖運(yùn)動(dòng)姿態(tài)時(shí)間序列的混沌特性問題進(jìn)行了具體的分析。在橫搖時(shí)間序列的相空間重構(gòu)方面,討論了延遲時(shí)間與嵌入維數(shù)的選取方法,采用互信息函數(shù)法和假近鄰法分別計(jì)算了各橫搖序列的最佳嵌入維數(shù)和時(shí)間延遲。在混沌特征分析方面,繪制了船舶橫搖時(shí)間序列的三維相圖,并分析了隨機(jī)序列、Lorenz映射及橫搖時(shí)序這三種三維相圖的各自特點(diǎn)及區(qū)別;同時(shí)采用飽和關(guān)聯(lián)維數(shù)法和小數(shù)據(jù)量法對(duì)船舶橫搖時(shí)間序列的關(guān)聯(lián)維數(shù)、Kolmogorov熵以及最大Ly

5、apunov指數(shù)進(jìn)行計(jì)算,從定性和定量兩方面來證明橫搖運(yùn)動(dòng)姿態(tài)具有一定的混沌動(dòng)力學(xué)特性。
　　接著,針對(duì)橫搖運(yùn)動(dòng)姿態(tài)的混沌特性,通過相空間重構(gòu)來近似恢復(fù)原來的多維非線性混沌系統(tǒng),并結(jié)合適用于非線性、小樣本、不確定性問題的支持向量機(jī)回歸方法,建立基于改進(jìn)支持向量機(jī)的混沌智能預(yù)報(bào)方法,利用吸引子在不同層次間的自相似結(jié)構(gòu)進(jìn)行預(yù)報(bào)。在支持向量機(jī)回歸方法方面,主要研究內(nèi)容包括:鑒于常用的核函數(shù)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(gòu)造滿足Mercer條件的Marr小波核函數(shù);調(diào)整最優(yōu)化問題的置信范圍,建立參數(shù)b與最優(yōu)化問題的對(duì)偶問題最優(yōu)解之間的關(guān)系,獲得變異支持向量機(jī),其對(duì)偶問題少了一個(gè)約束條件,具有更加簡潔的形式;設(shè)計(jì)魯棒損失函數(shù),建立了滿足基于間隔的結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的分段式支持向量機(jī)問題,使算法具有更強(qiáng)的魯棒性;用單松弛變量代替兩個(gè)松弛變量來控制誤差的大小,設(shè)計(jì)了改進(jìn)支持向量機(jī),即單松弛變量魯棒小波支持向量機(jī),減少了對(duì)偶問題的優(yōu)化范圍,提高了運(yùn)算速度;根據(jù)

7、基于幾何間隔的結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則,對(duì)改進(jìn)支持向量機(jī)的若干結(jié)論進(jìn)行了證明。在參數(shù)組合優(yōu)化方面,針對(duì)標(biāo)準(zhǔn)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(diào)進(jìn)化自適應(yīng)混沌粒子群算法,通過混沌初始化種群策略和多個(gè)子種群相互協(xié)調(diào)策略的設(shè)計(jì),達(dá)到了自適應(yīng)調(diào)節(jié)各自慣性權(quán)重和學(xué)習(xí)因子從而進(jìn)行種群進(jìn)化的效果。
　　最后,研究了船舶運(yùn)動(dòng)時(shí)間序列的在線預(yù)報(bào)方法。針對(duì)采用離線訓(xùn)練方式的預(yù)報(bào)模型在訓(xùn)練時(shí)并沒有考慮樣本的動(dòng)態(tài)特性導(dǎo)致長時(shí)間的預(yù)報(bào)精度下

8、降很快這一問題,研究了支持向量機(jī)的在線式學(xué)習(xí)算法,提出了混沌在線最小二乘支持向量機(jī)在線預(yù)報(bào)模型。此模型使得歷史數(shù)據(jù)的訓(xùn)練結(jié)果得到充分利用,完成了在線更新樣本集和回歸函數(shù),在線預(yù)報(bào)。針對(duì)超參數(shù)不能隨著樣本的變化而進(jìn)行自動(dòng)調(diào)節(jié)的問題,提出了最小二乘支持向量機(jī)在線建模策略。采用啟發(fā)式規(guī)則在三個(gè)最小二乘支持向量機(jī)的交替工作過程中自動(dòng)更新支持向量機(jī)超參數(shù),由此設(shè)計(jì)了變參數(shù)最小二乘支持向量機(jī)在線預(yù)報(bào)方法。預(yù)報(bào)模型采用變化的參數(shù)替代固定的參數(shù),更加確