基于耦合特征LSTM的船舶运动预报方法研究

作者：何国联; 姚朝帮^*; 孙小帅; 孟凡亮

来源：华中科技大学学报(自然科学版)科技大学, 2023, 1-8.

DOI：10.13245/j.hust.240700

• 六自由度运动
• 长短期记忆(LSTM)
• 时间序列
• 耦合特征
• 预报精度

采用长短期记忆(LSTM)神经网络模型对某船在不同海况下的运动姿态进行预报。针对LSTM模型难以优化的特点，提出了一种耦合特征LSTM神经网络模型。首先对船舶运动时间序列数据进行了归一化处理；然后基于深度学习框架TensorFlow搭建了具有输入层、隐藏层和输出层的LSTM模型；接着将原始数据按照不同特征输入形式进行划分；最后采用不同耦合特征LSTM模型分别对测试样本进行预报。结果表明：相比于其他LSTM模型，六自由度耦合特征LSTM神经网络模型的预报精度有明显优势。在四级海况下，运动预报误差有2.1%～12.9%的改善；在五级海况下，运动预报误差有2.4%～12.3%的改善。且六自由度耦合特征LSTM模型只需进行一次计算，就能同时输出6个自由度的运动，能够减少了51.0%～84.7%的计算时间，大大提升计算效率。

• 单位
  华中科技大学