【摘要】：高精度的船舶航跡預(yù)測無論是在民事還是軍事上都有著非常高的實(shí)際應(yīng)用價(jià)值。船舶航跡預(yù)測在民用上能夠輔助船舶躲避風(fēng)險(xiǎn),在軍事能夠完成目標(biāo)的定點(diǎn)預(yù)測。船舶在海洋中航行時(shí)受到復(fù)雜的海洋環(huán)境干擾,包括海流、海風(fēng)、海浪等等的干擾,然而目前的船舶航跡預(yù)測方法很少考慮這些因素,只是簡單地利用機(jī)器學(xué)習(xí)方法或者簡化的運(yùn)動(dòng)學(xué)模型去推算未來的航跡,其預(yù)測精度較低。因此為了提高船舶的航跡預(yù)測精度,需要結(jié)合船舶在航行過程中所受的海洋環(huán)境干擾,去研究一種有效且高精度的船舶航跡預(yù)測方法。首先,簡要介紹了船舶航跡預(yù)測以及在預(yù)測過程中考慮海洋環(huán)境干擾的目的和意義,分析了國內(nèi)外在海洋環(huán)境對(duì)船舶運(yùn)動(dòng)影響和航跡預(yù)測方面的研究現(xiàn)狀和進(jìn)展。對(duì)船舶的運(yùn)動(dòng)數(shù)學(xué)模型進(jìn)行建模,確定影響船舶運(yùn)動(dòng)的海洋環(huán)境要素主要為海流、海風(fēng)和海浪,并分析其影響過程及模型,同時(shí)對(duì)海風(fēng)的干擾力和力矩進(jìn)行了仿真,之后基于勻速直線運(yùn)動(dòng)對(duì)船舶的航跡進(jìn)行預(yù)測推算。其次,分析當(dāng)前主流無模型航跡預(yù)測方法,將RBF和BP神經(jīng)網(wǎng)絡(luò)預(yù)測性能進(jìn)行對(duì)比,發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)更能逼近船舶運(yùn)動(dòng)模型,基于此結(jié)論將海風(fēng)和海流的干擾加入到BP航跡預(yù)測模型中進(jìn)一步提高其預(yù)測精度,之后使用遺傳算法優(yōu)化BP預(yù)測模型參數(shù),避免其陷入局部極小值。再次,為了預(yù)測未來多個(gè)時(shí)刻船舶的位置,提出基于神經(jīng)網(wǎng)絡(luò)組合模型的預(yù)測方法。先利用長短期記憶(Long Short-Term Memory,LSTM)模型去預(yù)測未來多個(gè)時(shí)刻船舶的航速和航向,之后基于此信息結(jié)合之前提出的GA-BP神經(jīng)網(wǎng)絡(luò)去預(yù)測未來多個(gè)時(shí)刻船舶的位置。最后,結(jié)合本課題的數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)。先對(duì)船舶航行數(shù)據(jù)和海洋環(huán)境數(shù)據(jù)進(jìn)行插值處理,滿足實(shí)驗(yàn)需求;之后通過仿真對(duì)比,發(fā)現(xiàn)考慮海洋環(huán)境干擾的BP模型比不考慮海洋環(huán)境干擾的BP模型預(yù)測精度要高23%,改進(jìn)后的GA-BP相比傳統(tǒng)的BP模型預(yù)測精度要高13%;最后對(duì)神經(jīng)網(wǎng)絡(luò)組合模型進(jìn)行仿真實(shí)驗(yàn),發(fā)現(xiàn)當(dāng)位置誤差要求為500米以內(nèi)時(shí),能夠?qū)崿F(xiàn)向后15min船舶航跡的預(yù)測。
【圖文】：

圖 1.1 航跡預(yù)測簡要示意圖來針對(duì)航跡預(yù)測學(xué)者們已經(jīng)在多方面、多角度取得了大量的研究成果可分為：短時(shí)期預(yù)測和長時(shí)期預(yù)測以及根據(jù)是否需要對(duì)目標(biāo)運(yùn)動(dòng)模型型和無模型兩大類[7]。

北東坐標(biāo)系示意圖
【學(xué)位授予單位】：哈爾濱工程大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP183;U675.7

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測法[J];金融經(jīng)濟(jì);2017年18期

2 陳曉燕;;淺析簡單神經(jīng)網(wǎng)絡(luò)的發(fā)展及簡單模型[J];數(shù)字技術(shù)與應(yīng)用;2019年05期

3 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會(huì)述評(píng)[J];國際學(xué)術(shù)動(dòng)態(tài);1996年01期

4 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識(shí)別[J];通訊世界;2018年12期

5 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

6 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

7 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

8 鮑偉強(qiáng);陳娟;熊濤;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測研究[J];電工技術(shù);2019年11期

9 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設(shè)計(jì)研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

10 張庭略;;基于硬件的神經(jīng)網(wǎng)絡(luò)加速[J];通訊世界;2018年08期

相關(guān)會(huì)議論文 前10條

1 孫軍田;張U，

本文編號(hào)：2663950