论文部分内容阅读
舰船运动姿态短期预测对舰船安全航行以及海上作业等有着重大意义。舰船航行过程中,运动姿态会受到耦合作用、不定周期、噪声信号以及混沌特性等因素的干扰,呈现出复杂的非线性状态,因此很难精确地预测短期姿态序列。为了提升预测精度,研究者把大量精力花费在复杂舰船运动数学模型的建立上,大多数模型不具备可移植性。长短时记忆网络模型(LSTM)属于深度学习的范畴,它具有一般神经网络算法不具备的保存历史信息的能力,在时间序列的预测上表现出明显的优势,可以借助当前值和历史数据更好地预测时间序列。针对以上情况,本文采用LSTM模型,首次将该模型应用于舰船运动姿态预测研究,并运用虚拟现实技术搭建舰船实时运动姿态仿真平台,并应用于上海某部的舰船中,节约了开发费用,缩短了开发周期,增强了人机交互性,从而更好地提升舰船航行的安全性,在不失海洋场环境的真实感受下降低了舰船操纵人员训练的成本。本论文主要研究工作如下:1、研究舰船运动姿态时间序列的特点,对LSTM结构以及算法加以研究分析。针对舰船姿态预测精度和时长,根据LSTM模型充分发掘历史信息对未来值预测的特点,使用LSTM模型对舰船姿态序列进行预测。2、在LSTM网络模型基础上,研究优化算法以便增加模型训练的预测精度。其中包括Xavier初始权值化方法、ReLU激活函数、dropout方法等等。借助Tensorflow平台对LSTM模型、BLSTM模型进行实验,并与传统AR模型、RNN网络模型实验结果对比分析。结果表明基于LSTM的模型算法较其它方法有更长的预测时间和更高的预测精度,因此采用该方法是有效可行的。3、借助OpenGL图形库、三维建模以及MFC等资源实现舰船运动姿态仿真平台。仿真结果表明该平台满足虚拟现实的特性,能够很好地完成人机的交互效果,指导操纵人员迅速打舵,提升舰船航行安全性。