论文摘选.docVIP

第1章 绪 论 1.1 课题研究目的和意义 船舶在海浪中航行受到海浪、、、7）神经网络方法 总之，在国内外对船舶运动极短期建模预报的研究中，所采用的方法既有频域分析法也有时域分析法。在频域分析法中, 最有吸引力的方法是卷积法[1],在时域分析法中，最有效且最容易实现的方法是时间序列分析法, 目前，人们对时间序列法是最感兴趣的,这种方法采用线性ARMA模型，计算量小且容易实现，艏前波法[2-3]运用的便是ARMA模型，但是它的预报精度和时间长度显然不能满足实际需要，分析其原因，很重要的一点是船舶在海浪中的运动是一个非线性随机过程，特别是在高海况的情况下,更加明显，所以，有待进一步探讨更有效的预报方法。 1.3 基于时间序列分析法的船舶运动姿态自适应建模与预报 1.3.1 时间序列分析法 目前，国内外对船舶运动姿态建模预报都非常重视并展开了许多研究。其中利用时间序列分析法[4]对船舶运动姿态进行极短期预报越来越受到重视，这种方法的最大优点是无需知道海浪的任何先验信息和船舶航行姿态的状态方程，仅仅利用历史数据寻求规律进行预报。这种方法假设船舶在海浪中的运动姿态为一平稳的窄带随机过程，从而利用线性模型[5-8]拟合这一过程。 时间序列是指存在于自然科学或社会科学中的某一变量或指标的数值或观测值，从复杂性理论可知，时间序列中不仅包含了系统所有变量过去的信息，而且还包含了参与系统演化的所有变量的大量信息。因此，时间序列分析有着广泛的实际应用，主要包括： （1）分析时间序列的统计规律性，推断产生时间序列的物理系统的性质，找出它的规律性。 （2）根据对时间序列统计规律性的分析，构造拟合它的最佳数学模型，浓缩时间序列的信息，简化对时间序列的表示。 （3）利用拟合的数学模型预报时间序列未来的可能值，给出预报结果的精确分析。 （4）根据拟合的数学模型模拟出时间序列，用于分析和优化处理。 传统的时间序列分析法是在时域上估计观测数据的自相关函数，或在频域上估计它的自谱函数（或称功率谱）。但实际上，所获得的时间序列往往是有限长度的。因此，实际上不可能通过观察数据计算出自协方差函数与自谱函数的真值。自谱函数会发生谱线泄露，即观测数据中所包含的谐波成分与幅值受到歪曲，这一缺点在分析处理较短的观测数据时尤为突出。虽然目前已提出了不少克服以上缺陷的方法，但其效果只能是减少而不能消除。 现代时间序列分析方法是通过另一种途径——模型法来实现的。它的主要思路是把时间序列看成是随机系统对于不相关的或独立的“白噪声”输入的相应的一个实现。即将时间序列看成是动态系统的输出，而系统的输入是白噪声。这样，动态系统的数学模型就可以把不独立或相关的时间序列输出转化为独立的或不相关的输入。所以现代时间序列分析方法就归结为寻求这样一种模型，它能实现把不独立数据变成独立数据的转化。然后利用对于独立观测值的统计方法进行估计、预测和控制.[9] 1.3.2 时间序列的自适应模型以及估计的递推算法 现代时间序列分析法是处理动态数据的参数化时域分析方法，是指对观测数据拟合一个参数模型，利用所得模型进行未来值预测。实际应用中，尤其是在极短期预报当中，实时预报是我们比较关心的问题。自适应模型在某种程度上能够实时地根据量测数据和期望输出自行调整模型参数，并随着数据的陆续到来，通过递推算法自动地对模型参数加以修正，使其接近某种最佳值，即便在尚不完全掌握序列特性的情况下也能得到满意的模型。 由于应用递推算法，自适应模型的参数在每次迭代中要加以修正，因此参数和输入数据是有关的，这意味自适应模型是非线性的，但习惯上也说是线性自适应模型，这指的是被估计的参数向量是由一组观察数据的线性组合进行自适应计算得出的。 常用的时间序列线性预报模型有自回归（AR）模型、自回归滑动平均（ARMA）模型[9]。其具体模型分别为： 自回归（AR）模型 其中，p为自回归阶数，为自回归系数，为零均值方差为的正态分布噪声。模型简记为AR(p)。 自回归滑动平均（ARMA）模型 为了使模型在拟合实际数据时有更大的灵活性，有时在模型中既包含着回归部分也包含滑动平均部分，这就是ARMA模型。其表达式为 简记ARMA(p,q)。其中p和q分别是自回归部分和滑动平均部分的阶数，，分别是自回归和滑动平均系数。 近年来，针对现实生活中大量的非线性问题，Volterra级数模型被广泛采用，特别地，这种模型对于非线性自适应滤波是非常有用的。Volterra级数可以描述一大类非线性系统。利用这个特点，可以将Volterra级数与自适应算法相结合对时间序列进行预测。对于Volterra级数在第六章中将有详细的介绍。 对于模型估计的递推算法主要有三大类：第一类是基于Wiener滤波理论的方法；第二类是基于最小二乘方法的递推；第三类是基于Kalman滤