基于EMD-LSTM的船舶运动姿态短期预测.docx

基于EMD-LSTM的船舶运动姿态短期预测
基于EMD-LSTM的船舶运动姿态短期预测
摘要：船舶运动姿态的短期预测对于船舶操纵和航行安全至关重要。本文提出了一种基于经验模态分解和长短期记忆网络（EMD-LSTM）的船舶运动姿态短期预测方法。首先，将船舶运动数据进行经验模态分解，得到不同频率成分的局部特征。然后，通过LSTM算法提取时间序列的时序特征。最后，将经验模态分解和LSTM的结果进行融合，得到船舶运动姿态的短期预测结果。实验结果表明，所提出的方法相对于传统的方法具有更高的预测准确度和稳定性，能够有效地预测船舶运动姿态。
1.引言
船舶运动姿态的短期预测对于船舶操纵和航行安全具有重要意义。准确预测船舶在未来一段时间内的运动状态可以帮助船舶进行合理的操纵，并提前预防可能出现的危险情况。然而，由于船舶受到风、浪、潮流和其他环境因素的影响，其运动姿态往往具有一定的不确定性和非线性性。因此，需要采用一种强大的预测方法来能够较好地模拟船舶的运动姿态。
2.相关工作
目前，已经有一些方法被提出用于船舶运动姿态的预测。其中，基于统计模型的方法是最常用的方法之一。这些方法通常假设船舶运动姿态服从某种统计分布，通过计算分布的参数进行预测。另外，基于物理模型的方法也被广泛采用。这种方法是通过建立航行动力学方程来预测船舶的运动姿态。然而，这些方法在预测准确度和稳定性方面存在一定的限制。
3.方法
本文提出了一种基于EMD-LSTM的船舶运动姿态短期预测方法。主要步骤如下：
3.1数据预处理
首先，将原始的船舶运动数据进行预处理，包括去除异常值、填充缺失值等。然后，将数据进行归一化处理，使所有特征具有相同的数量级。
3.2经验模态分解
将归一化后的船舶运动数据进行经验模态分解（EMD），得到一组本征模态函数（IMFs）。EMD是一种非线性时频分析方法，它可以将非平稳信号分解为一系列具有良好时频特性的IMFs。
3.3LSTM建模
采用长短期记忆网络（LSTM）对IMFs进行建模，提取时序特征。LSTM是一种常用的递归神经网络，它的主要特点是能够较好地处理长序列数据和捕捉时序关系。
3.4融合预测
将经验模态分解和LSTM的结果进行融合，得到船舶运动姿态的短期预测结果。融合的方法可以采用加权平均或者堆叠等方式。
4.实验与结果
为了验证所提出方法的有效性，我们在一个真实的船舶运动数据集上进行了实验。将数据集分为训练集和测试集，并采用不同的评价指标进行性能评估。实验结果表明，所提出的方法相对于传统的方法具有更高的预测准确度和稳定性。
5.结论
本文提出了一种基于EMD-LSTM的船舶运动姿态短期预测方法。通过将船舶运动数据进行经验模态分解和LSTM建模，能够提取出时频特征，并有效地预测船舶的运动姿态。实验结果表明，所提出的方法在预测准确度和稳定性方面优于传统的方法，具有较好的应用前景。
参考文献：
[1]Eppinga,R.,Meijer,P.(2014).Short-TermPredictionofShipMotionsUsingSupportVectorMachines.JournalofShipResearch,Vol.58,No.1,pp.47-61.
[2]Chen,C.,Li,M.,Dai,M.,etal.(2020).ShipMovementPredictionwithEnhancedLSTMModel.IEEEAccess,Vol.8,pp.79-86.
[3]Sun,G.,Zhang,S.(2018).ANovelShipHeadingandPositionPredictionAlgorithmBasedonImprovedLSTM.JournalofMarineScienceandEngineering,Vol.6,No.2,pp.63-75.