波浪中船舶运动极短期预报深度学习方法泛化性研究.pdfVIP

波浪中船舶运动极短期预报深度学习方法泛化性研究

摘要

船舶在风浪环境及操控作用下会不断产生摇荡运动，船舶运动极短期预报能够实时

估计未来数秒的摇荡运动姿态，对船舶航行与作业安全具有重要意义。深度学习预报方

法相比较于传统方法，在处理非线性船舶运动预报方面展现出更好的性能，是未来主要

的发展趋势。但是，模型的预报性能完全依赖于对训练数据的特征提取，在实际应用过

程中，模型的泛化性表现尤为重要。泛化性是指训练完成的模型对未知数据进行预测或

分类的能力。船舶在实际航行过程中由于海况、航速、航向的，引起运动时历特征改变，

若模型的泛化性较差则会导致模型预报效果产生较大波动，预报失效。针对该问题，本

文通过分析深度学习方法泛化性影响因素，结合船舶运动时历特征开展泛化性优化方法

研究，为其在船舶运动预报领域的实际应用提供理论算法基础。

本文首先对波浪中船舶摇荡运动数值仿真方法开展研究，为预报模型训练与船舶运

动时历特征分析提供数据基础。其次在验证深度学习方法预报性能的基础上，通过对比

其在不同航速下的预报效果分析模型泛化性缺陷。之后分别从数据特征统一、多数据特

征融合、水动力特性融合的角度出发研究模型泛化性优化方法，最后通过预报结果对比

验证上述方法的优化效果。

针对多工况下运动数据特征分布差异造成模型泛化性较差的问题，本文通过对数据

偏度特征与统计特征影响进行分析，提出了一种基于频谱特征值的数据标准化方法，并

利用标准化的数据开展深度学习模型训练与泛化能力验证。结果表明将多工况下运动数

据的统计特征分布统一至特定范围内可以有效的优化预报模型泛化性能，但优化程度仍

会受到原时历统计特征的影响。

针对预报模型在训练过程中由于样本特征容量不足而导致泛化性表现较差的问题，

本文通过分析样本长度与特征容量对模型预报效果的影响，在实现基于频谱分布的时历

样本有效扩充的基础上，提出了一种多样本数据融合训练方法，使得深度学习模型可以

在训练过程中提取多工况数据特征，有效的改善了模型在多工况下的预报能力，并且整

体预报效果较为稳定，对混合工况均能保持较好的预报效果。

针对数据融合训练过程中存在的关键特征提取不足的问题，本文通过分析船舶运动

水动力特征表现，提出了一种基于TFT（TemporalFusionTransformer）模型的时历特征

与频谱特征融合的深度学习预报方法，通过为训练样本添加频谱特征标签，增强其在多

输入数据下的特征提取能力，结果表明在预报时长较长时，该方法对预报模型在不同工

哈尔滨工程大学硕士学位论文

况下预报效果的提升要明显优于数据融合方法。

本文从船舶运动时历特征与水动力特征出发，探究了统计特征差异、样本特征容量

与多特征融合对模型泛化性的影响，分别提出了统计特征标准化、多样本数据融合与频

谱特征融合训练优化方法，通过分析优化后模型预报效果，结果表明：本文提出的三种

方法均可以有效的提升深度学习模型泛化能力，其中基于频谱特征融合的方法预报效果

稳定，优化效果最好，为深度学习模型在船舶运动极短期预报方面的实际应用提供了理

论研究基础与关键解决方法。

关键词：船舶运动极短期预报；深度学习方法；模型泛化性；统计特征标准化；水动力

特征融合

波浪中船舶运动极短期预报深度学习方法泛化性研究

Abstract

Duringnavigation,shipsaresubjecttocomplexenvironmentalinfluencesand

maneuveringstatesthatcausecontinuouschangesinthemotionstate.Theshort-term

predictionofshipmotionscanestimatetheswayingmotionsinthenextfewsecondsinreal

time,whichisofgreatsignificancetothesafetyofshipnavigationandoperation.Compared

w