基于CEEMD-PSO-MNN的船舶航迹预测

作者：王文标; 董贵平; 汪思源; 孟松; 杜大鹏; 杜佳璐

来源：电子器件, 2021, 44(01): 119-124.

• 航迹预测
• 互补集合经验模态分解
• 模块化神经网络
• 粒子群
• 长短期记忆神经网络

船舶航迹预测对保障海上交通安全具有重要意义,为进一步提高船舶航迹预测精度,提出了一种从认知神经科学和神经生理学继承的模块化设计方法用于开发神经网络,旨在通过大脑强大的功能(分而治之)来解决复杂问题。首先,利用互补集合经验模式分解算法(CEEMD)将船舶航迹时间序列分解为多个相对平稳的子序列,使其具有不同的本征模态函数及趋势项,这在一定程度上降低了航迹时间序列的复杂程度;然后,通过模糊熵(FE)量化各子序列的复杂性用于辅助模块化神经网络(MNN)任务分配;最后,将粒子群(PSO)改进的长短期记忆神经网络(LSTM)作为模块化神经网络的子网络用于解决船舶航迹时间序列预测任务。选取相关数据进行测试,验证了所提方法对船舶航迹预测的准确性和实用性。

• 单位
  大连海事大学