基于LSTM的艦船運(yùn)動(dòng)姿態(tài)短期預(yù)測(cè)及仿真研究.pdf

1、艦船運(yùn)動(dòng)姿態(tài)短期預(yù)測(cè)對(duì)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(guò)程中，運(yùn)動(dòng)姿態(tài)會(huì)受到耦合作用、不定周期、噪聲信號(hào)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(cè)短期姿態(tài)序列。為了提升預(yù)測(cè)精度，研究者把大量精力花費(fèi)在復(fù)雜艦船運(yùn)動(dòng)數(shù)學(xué)模型的建立上，大多數(shù)模型不具備可移植性。長(zhǎng)短時(shí)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(shí)間序列的預(yù)測(cè)上表現(xiàn)出明顯的優(yōu)勢(shì)，可以借

2、助當(dāng)前值和歷史數(shù)據(jù)更好地預(yù)測(cè)時(shí)間序列。
　　針對(duì)以上情況，本文采用LSTM模型，首次將該模型應(yīng)用于艦船運(yùn)動(dòng)姿態(tài)預(yù)測(cè)研究，并運(yùn)用虛擬現(xiàn)實(shí)技術(shù)搭建艦船實(shí)時(shí)運(yùn)動(dòng)姿態(tài)仿真平臺(tái)，并應(yīng)用于上海某部的艦船中，節(jié)約了開(kāi)發(fā)費(fèi)用，縮短了開(kāi)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(chǎng)環(huán)境的真實(shí)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(yùn)動(dòng)姿態(tài)時(shí)間序列的特點(diǎn)，對(duì)LSTM結(jié)構(gòu)以及算法加以研

3、究分析。針對(duì)艦船姿態(tài)預(yù)測(cè)精度和時(shí)長(zhǎng)，根據(jù)LSTM模型充分發(fā)掘歷史信息對(duì)未來(lái)值預(yù)測(cè)的特點(diǎn)，使用LSTM模型對(duì)艦船姿態(tài)序列進(jìn)行預(yù)測(cè)。
　　2、在 LSTM網(wǎng)絡(luò)模型基礎(chǔ)上，研究?jī)?yōu)化算法以便增加模型訓(xùn)練的預(yù)測(cè)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(tái)對(duì)LSTM模型、BLSTM模型進(jìn)行實(shí)驗(yàn)，并與傳統(tǒng)AR模型、RNN網(wǎng)絡(luò)模型實(shí)驗(yàn)結(jié)果對(duì)比分析。結(jié)果表明基于LSTM的模型算法