一、基于递归神经网络的船舶运动极短期建模预报（论文文献综述）
蒙文巩,王笑语,佟明,祝乾,王世岭,高学刚[1]（2021）在《基于船舶运动数据分析的预报方法》文中认为为有效利用船舶运动数据研究船舶未来运动趋势,更好地辅助海上作业,首先根据艏向角对船舶实际运动数据进行直航段分析,再利用基于Durbin-Levinson算法自回归模型对船舶未来运动进行预报。研究结果表明,直航段分析对评估预报算法研究具有重要作用;通过与BP神经网络算法结果对比表明,自回归算法预报精度更高,适用于船舶运动预报;此外,进一步与RLS自回归模型结果进行对比发现,DL自回归算法对船舶未来5 s内运动预报的最大绝对误差平均降低了0.185°,且计算速度远高于RLS自回归算法的速度,更有利于开展工程应用研究。
薛大朋[2]（2021）在《船体运动位姿在线预报研究》文中指出在进行海上资源开发、特种作业时,利用船载稳定输送平台进行人员和设备的输送,为保证稳定平台能够及时补偿船体运动使自身保持平稳,也为了保证在输送期间,稳定平台能够对船体运动进行完全地补偿,本文分别进行船体运动的极短期和安稳期在线预报研究。主要的研究内容如下:首先,分析了海浪的运动规律,利用ITTC海浪谱对不同海况下的海浪运动进行仿真;通过AQWA软件对船体建模,求出船体对海浪响应的RAOs和相位差,得到不同海况下船体各自由度的运动。然后,对四级海况下的船体运动极短期在线预报进行研究,验证AR模型和RBF神经网络模型进行预报的可行性。针对AR模型参数估计耗时长的问题,采用限定记忆的递推最小二乘算法进行参数的估计更新;针对RBF神经网络模型参数难以选择的问题,采用粒子群算法进行寻优。同时为了减小计算量,分析了不同采样周期对预报结果的影响;为了使预报数据与系统控制数据具有相同的频率,验证了RBF神经网络模型的拟合插值能力,提出AR模型预报、RBF神经网络模型拟合插值的模式进行极短期预报,提高了预报算法的实时性。最后,对船体运动安稳期在线预报进行研究,通过直接对船体运动数据预报的方式进行安稳期预报,有效预报时长较短。为了延长有效预报时长,采用对船体运动数据包络线预报的方式进行安稳期的预报,因为包络线的特征周期较长。在包络线的提取过程中,提出限定极值的方法来降低包络线的非平稳性,同时采用EMD+AR组合模型进行安稳期预报,提高了安全系数。
唐刚,唐溥,邵辰彤,胡雄[3]（2021）在《基于IPESN的船舶升沉运动预报方法》文中研究说明船舶在复杂海况下的升沉运动具有很强的随机性与非线性特征,为提高船舶升沉运动的预报精度,提出基于内在可塑性回声状态网络（IPESN）的船舶升沉运动预报方法。将具有内在可塑性的神经元引入回声状态网络（ESN）的储备池结构,以提高网络对动态系统的映射能力;采用岭回归的方法对IPESN输出连接权值进行学习,以提高网络的泛化能力。将IPESN应用于3级、4级和5级海况下的船舶升沉运动极短期预报,并将结果与传统ESN和径向基函数网络（RBFN）进行对比。结果表明,IPESN的平均绝对误差分别为0.002 8、0.003 9和0.009 5;均方根误差分别为0.003 5、0.004 9和0.011 7,优于经典ESN与RBFN的预报精度,验证了改进方法的有效性。
刘长德,顾宇翔,张进丰[4]（2021）在《基于小波滤波和LSTM神经网络的船舶运动极短期预报研究》文中研究表明为了提高船舶运动极短期预报精度及预报时间长度,本文采用小波多分辨率分析方法,将含有噪声的船舶运动信号进行了多尺度小波变换,通过采用阈值函数法对各尺度下细节信号的小波系数进行处理,对小波分解层数、小波基函数、阈值处理方法进行了深入研究,并通过模型试验数据对滤波效果进行了验证分析,实现了船舶运动信号的小波滤波。进一步针对船舶运动的非线性特性,基于深度神经网络的非线性映射能力,建立了基于LSTM网络的多步直接映射船舶运动极短期预报模型,并采用滤波后的船舶运动数据进行了不同工况下的预报分析。结果表明,不同时间长度的预报与试验结果幅值和相位吻合较好,验证了所建立的极短期预报模型的可行性。
强红宾[5]（2020）在《Stewart舰船稳定平台机构优化、标定及预测控制研究》文中研究说明舰船在海上行驶,由于受到海风、海浪等海洋环境的影响,会产生六维摇荡运动,给舰载武器的发射精度、舰载设备的安全工作、舰载人员的工作生活、舰载人员或设备的输送等带来严重影响。舰船稳定平台可以实时监测舰船运动,并对舰船扰动进行主动补偿,保证舰载人员和设备相对惯性坐标系稳定,提高舰载设备工作精度、保障人机安全。本文以Stewart舰船液压稳定平台为研究对象,分别从舰船运动分析及预报,Stewart平台机构运动学分析、机构参数优化设计、运动学标定和稳定平台控制方面进行研究,具体研究内容如下:舰船运动分析及极短期运动预报。采用频域法模拟舰船运动,利用ITTC双参数波浪谱计算海浪运动,通过ANSYS AQWA仿真得到船体的幅值响应算子（Response Amplitude Operator,RAO）,再通过海浪谱和RAO得到不同海况下不同船体的六维运动曲线。研究自回归模型（Autoregressive model,AR）预报机理,对舰船运动进行预报,并通过数值算例验证了预报算法的准确性。Stewart平台机构运动学分析。对Stewart稳定平台运动学进行分析,将调整步长牛顿法应用于Stewart平台正向运动学求解,采用遗传算法以步长矩阵初值和等比参数为变量,以Stewart并联机构位姿正解所需迭代步数为目标,优化得到步长矩阵初值及等比参数最优值。通过数值算例验证了该方法的收敛性和快速性。分析并求解了Stewart稳定平台的全方位工作空间,用于补偿船体的六维扰动。基于给定工作空间的Stewart平台机构多目标优化设计。根据船体的六维运动,设定Stewart平台机构的全方位工作空间。在求解给定全方位工作空间的Stewart平台支腿长度最值时,提出了对旋转量采用数值法,对平移量采用代数法的混合法,提高了求解精度和效率。对于定值支腿长度作为约束条件的问题,提出了驱动器行程约束模型,扩大了优化范围。以给定的全方位工作空间为约束,以Stewart平台机构的物理尺寸和运动学性能指标为目标,采用NSGAII（Non dominated Sorting Genetic Algorithm II）算法对Stewart稳定平台机构参数进行了多目标优化设计。基于选取测量位姿的Stewart平台机构运动学标定。建立Stewart稳定平台的运动学误差模型,对同时含有位移和姿态量的辨识雅可比矩阵进行无量纲化处理,再根据可观测性指标来选取测量位姿。通过选取测量位姿、牛顿迭代求解辨识参数和误差补偿进行标定仿真,验证了该方法选取的测量位姿的有效性。通过该方法获得的测量位姿实现了对Stewart平台样机的运动学标定实验。基于舰船运动预报的稳定平台模型预测控制。将舰船运动的AR预报,一部分用于补偿液压驱动单元的时滞,一部分作为模型预测控制滚动优化时的参考轨迹,提出了基于舰船运动预报的模型预测控制策略（Motion Prediction Model Predictive Control,MPMPC）。建立液压驱动单元系统数学模型,通过实验辨识出模型参数和系统时滞参数,并进一步建立了模型预测控制的预测模型。对液压驱动单元进行了基于MPMPC和传统MPC控制的仿真和实验,验证了MPMPC控制具有较高的位移跟踪精度。基于Stewart稳定平台与2DOF船体运动模拟平台,搭建了舰船稳定补偿系统,对Stewart稳定平台进行了基于MPMPC和传统MPC控制的仿真和实验,验证了基于MPMPC控制的Stewart舰船稳定平台具有更小的剩余运动。
孙珽,徐东星,苌占星,叶进[6]（2020）在《改进二阶灰色极限学习机在船舶运动预报中的应用》文中指出为提高船舶运动预报的精度,基于海上船舶运动姿态具有灰色特性和周期性振荡特性的特点,提出一种以误差平方和最小为准则的改进二阶灰色极限学习机组合预测模型,对船舶运动姿态进行预报。该方法利用五点三次平滑算法对船舶运动姿态序列进行平滑降噪,采用余弦函数变换构建GM（2,1）预测模型;利用自适应粒子群算法（Adaptive Particle Swarm Optimization,APSO）优化极限学习机权值和阈值参数,对不同模型预测结果进行加权求和,构建改进二阶灰色极限学习机组合预测模型。对2组船模水池试验纵摇时历进行预报,并将其与其他传统的预测方法相比较,结果表明,建立的组合预测模型具有更好的预测精度和泛化能力。
段事良[7]（2020）在《基于深度学习的船舶运动响应预报与波浪反演研究》文中指出船舶在波浪中运动时,受到非线性波浪的扰动,会对海上作业产生不利的影响。考虑波浪的影响,对船舶运动实时响应进行预报计算是提高海上作业的安全性的关键。此外,由于海上波浪信息存在较难测量的特点,船舶运动作为波浪影响下的响应结果,某种程度上反馈了当前时刻下的波浪信息。对于以上两个问题的研究中,目前所采用的传统的水动力学研究方法由于无法较好的考虑到波浪及船舶运动数据非线性特征的影响,从而导致计算精度上存在一些不足,因此,本文通过尝试使用深度学习方法,对以上的波浪作用下的船舶运动响应预报问题以及基于船舶运动的波浪反演问题进行研究。在波浪作用下的船舶运动响应预报问题研究中,针对极短期预报的相位解析预报的特殊需求,目前的研究方法大多以船舶运动数据本身作为研究对象,并没有考虑波浪输入数据对船舶运动的影响,并且研究理论大多以线性理论为基础,无法较好的体现出船舶运动以及波浪的非线性特征。因此,本文采取深度学习方法中的长短期记忆神经网络对该问题进行研究。深度学习方法被广泛应用于求解非线性问题,而长短期记忆神经网络在其他领域的时间序列问题的求解上具有良好表现。考虑到波浪时历与船舶运动的时间序列特征,因此在初步研究中,将二维长峰波的波高作为输入,将船舶运动数据作为输出,验证该方法的可行性与准确性。针对计算结果的分析,对神经网络的训练对象以及结构进行改善讨论,分别提出了一种对运动差值训练的单特征训练深度学习模型,以及对单点波高波陡输入和多点波高输入的两种多特征训练模型,对纵摇计算结果提出改进方法。另一方面,对于基于船舶运动对波浪反演的问题研究中,分别使用卷积神经网络实现海况分类以及使用深度人工神经网络实现波浪时历的反演研究。由于卷积神经网络在图片的分类问题上具有较好的表现效果,因此本文将船舶运动数据通过希尔伯特变换以及色彩填充,将一维信号三维图像化,并通过图像识别分类,实现海况等级划分。并在波浪时历反演的回归问题中,通过人工神经网络,通过输入船舶运动数据,获得波浪信息。
李昊波[8]（2020）在《基于长短期记忆神经网络的浮式海洋平台运动在线预报研究》文中研究指明随着海洋开发规模与开发领域不断扩大,所有的海洋资源开发、海上运输等,都依赖于船舶和海洋平台等海上浮式结构物。海上浮式结构物始终处于多自由度摇晃运动中,使其作业和安全都受到严峻的挑战。海上浮式结构物运动响应的准确在线预报,有助于保障其安全,改善其作业,例如对纵荡、横荡运动进行预报,可以改善动力定位性能;对垂荡、纵摇、横摇运动进行预报可以事先给出立管的运动补偿。因此,对海上浮式结构物运动响应的在线预报研究具有重要意义。本文基于长短期记忆（LSTM）神经网络模型,建立了浮式海洋平台运动响应极短期在线预报方法,可根据波浪时间序列信息对运动响应进行预报。通过半潜式平台模型试验得到大量波浪序列和运动响应数据,利用这些试验数据建立并训练LSTM模型,并对不同的测试工况进行运动预报和分析,并研究了预报精度受预报时长变化影响的敏感度。结果表明,所建立的LSTM模型针对浮式海洋平台运动极短期在线预报具有较高的预报精度。预报提前量为12s时,迎浪纵荡运动预报精度最高可达95.3%,横浪横荡运动预报精度最高可达95.6%;预报提前量为8s时,迎浪垂荡运动预报精度最高可达89.7%,迎浪纵摇运动预报精度最高可达84.6%,横浪垂荡运动预报精度最高可达87.3%,横浪横摇运动预报精度最高可达80.9%。对于迎浪纵荡运动预报结果表明,在预报时长小于9s时,预报精度没有出现明显下降,当预报时长大于9s时,预报精度开始下降,在大于12s时预报精度开始加速下降;对于迎浪垂荡和纵摇运动,在预报时长小于8s时,预报精度下降缓慢,当预报时长大于8s时,预报精度开始有较明显的下降。本文预报模型的计算效率高,每步计算时间为毫秒级,远小于预报提前时间,可以实现运动在线预报。
张彪[9]（2020）在《船舶运动姿态估计与预报方法研究》文中认为船舶行业的蓬勃发展和海上贸易的持续扩张,让船舶研究成为学术界的研究热点。其中,关于船舶摇荡运动的研究备受瞩目。激烈的船舶摇荡运动会严重影响船员的舒适感和船舶的安全性,甚至可能导致翻船。这些安全隐患一旦爆发,往往会造成无法估量的损失。因此,对船舶摇荡姿态进行有效准确的估计和预报已成为一个重要的课题。本论文具体研究内容包括以下几方面:首先,为了更加真实有效地描述船舶运动特性,对船舶运动数学模型、船舶舵机模型进行了理论性分析,建立了一个能有效反映船舶实际运动情况的六自由度非线性数学模型,并推导建立了船舶平面运动数学模型。同时,分析建立了海洋环境扰动模型,包括海浪干扰力和干扰力矩、海风以及海流模型。并根据长峰波随机海浪理论对海浪在三种不同情况下的纵荡力、横荡力和艏摇力矩进行了仿真分析。然后,针对船舶运动姿态系统量测值异常突变的问题,提出了基于改进无迹卡尔曼滤波（Modified Unscented Kalman Filter,MUKF）的船舶运动滤波方法。设计了基于量测残差统计信息的异常值检测函数,用以判断系统的量测值是否异常;再根据量测残差协方差修正无迹卡尔曼滤波器增益,并设计了船舶运动非线性滤波器,降低了量测值异常对船舶运动姿态系统的影响,使船舶运动姿态的估计具有更准确的精度及更好的时效性。其次,在船舶运动姿态的六个自由度中,横摇运动、纵摇运动和升沉运动很大程度上决定了船舶的适航性,因此,对这三个自由度上运动的极短期预报进行了重点研究。深入分析长短期记忆（Long Short-Term Memory,LSTM）神经网络模型,提出了基于粒子群优化（Particle Swarm Optimization,PSO）LSTM的船舶运动姿态极短期预报模型;针对PSO中粒子容易向自身局部最优位置聚集,并陷入局部极值的问题,提出了一种多层异质粒子群（Multi-layer Heterogeneous Particle Swarm Optimization,MHPSO）算法,通过建立粒子行为池,让早熟粒子进行行为随机选择,增强了算法运行过程中粒子与粒子之间的信息交互能力,提升了算法的寻优能力。再次,根据实际船舶运动中存在非平稳的特性,设计了基于经验模态分解（Empirical Mode Decomposition,EMD）与改进LSTM组合的船舶运动姿态极短期预报模型。通过经验模态分解,可得到有限个独立的、能够突出原始数据不同局部特征信息的本征模态函数（Intrinsic Mode Function,IMF）,针对每个IMF分量,建立改进LSTM神经网络预报模型,再对各个预报分量的结果进行求和,并输出最终的预报结果,提高了预报精度。最后,研究了船舶运动姿态的在线建模递推预报方法。船舶运动是一个随时间不断变化的动态过程,在预报过程中,不断有新的数据产生,较旧的样本与当前及未来的运动特征相关性会越来越小,而较新的样本与其相关性较大。由于采用离线训练方式的预报模型在训练时并没有考虑样本的动态特性,导致长时间的预报精度下降且实时性较差,因此,针对该问题,提出快速稀疏最小二乘支持向量机（Fast Sparse Approximation Least Squares Support Vector Machine,FSALS-SVM）与双向长短期记忆（Bidirectional Long Short-Term Memory,Bi LSTM）神经网络相结合的在线建模递推预报模型（FSALS-SVM-Bi LSTM）。利用Bi LSTM神经网络对样本数据进行训练,得到训练残差;通过FSALS-SVM算法对训练残差进行建模和预报;并采用误差补偿机制自动更新Bi LSTM模型的参数,对船舶运动姿态进行实时预报。这种建模方法可在运动过程的不同变化时段调整预报模型的表达式,具有一定的自适应调节能力。
孙珽,徐东星,尹勇,张秀凤,苌占星,叶进[10]（2019）在《基于VDM与APSO优化极限学习机的船舶运动姿态预报》文中研究表明为提高船舶在海上运动的耐波性与适航性,并为解决具有非线性、随机性和非平稳性特点的船舶运动姿态难以准确预测的问题,提出运用一种基于变分模态分解和自适应粒子群算法优化极限学习机的组合预测模型。该算法首先利用变分模态分解将船舶运动姿态序列分解为一系列限带内本征模态函数,并且变分模态分解可以避免经验模态分解技术所产生的模态混叠和端点效应,可以降低序列的非平稳性对预测精度的影响;然后对各模态分量分别建立极限学习机预测模型,并用改进的粒子群算法对极限学习机的初始权值和阈值进行优化;最后将各模态分量预测结果进行叠加,得到最终的船舶运动姿态预测值。通过模拟试验测试并与其他传统的预测方法进行比较,结果表明所建立的组合预测模型具有更高的预测精度。
二、基于递归神经网络的船舶运动极短期建模预报（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于递归神经网络的船舶运动极短期建模预报（论文提纲范文）
（1）基于船舶运动数据分析的预报方法（论文提纲范文）
| 0 引言 |
| 1 直航段分析与预报模型 |
| 1.1 直航段分析 |
| 1.2 预报模型 |
| 2 数值结果 |
| 2.1 直航段分析结果 |
| 2.2 预报结果 |
| 3 结论 |
（2）船体运动位姿在线预报研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 船体运动在线预报概念 |
| 1.3 国内外研究现状 |
| 1.3.1 极短期预报研究现状 |
| 1.3.2 安稳期预报研究现状 |
| 1.4 课题来源及主要研究内容 |
| 第2章 船体运动位姿仿真 |
| 2.1 引言 |
| 2.2 海浪建模 |
| 2.2.1 海浪运动分析 |
| 2.2.2 海浪仿真 |
| 2.3 船体运动仿真 |
| 2.3.1 船体对海浪的响应 |
| 2.3.2 求解RAOs和相位差 |
| 2.4 本章小结 |
| 第3章 船体运动位姿极短期预报 |
| 3.1 引言 |
| 3.2 时间序列预报 |
| 3.3 基于AR模型的极短期在线预报 |
| 3.3.1 AR模型 |
| 3.3.2 AR模型定阶 |
| 3.3.3 基于限定记忆的最小二乘递推算法参数估计 |
| 3.3.4 不同采样周期的极短期预报结果分析 |
| 3.4 基于径向基(RBF)神经网络模型的极短期在线预报 |
| 3.4.1 RBF神经网络模型 |
| 3.4.2 RBF神经网络模型参数确定 |
| 3.4.3 RBF神经网络模型预报结果分析 |
| 3.5 预报数据的拟合插值 |
| 3.5.1 船体升沉运动的拟合插值 |
| 3.5.2 船体横摇运动的拟合插值 |
| 3.5.3 拟合插值结果分析 |
| 3.6 本章小结 |
| 第4章 船体运动位姿安稳期预报 |
| 4.1 引言 |
| 4.2 安稳期参数确定 |
| 4.2.1 安稳期阈值 |
| 4.2.2 安稳期预报结果评价指标 |
| 4.3 基于船体运动时间序列的直接安稳期预报 |
| 4.3.1 不同采样周期的预报结果分析 |
| 4.3.2 不同预报时长的预报结果分析 |
| 4.4 基于船体运动时间序列包络线的间接安稳期预报 |
| 4.4.1 船体运动时间序列包络线的提取 |
| 4.4.2 EMD+AR组合模型预报 |
| 4.4.3 间接安稳期预报结果分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（3）基于IPESN的船舶升沉运动预报方法（论文提纲范文）
| 0 引言 |
| 1 预报模型及原理 |
| 1.1 回声状态网络模型 |
| 1.2 内部可塑性回声状态网络 |
| 1.3 内部可塑性网络的岭回归方法 |
| 2 试验方法 |
| 2.1 内部可塑性回声状态网络训练 |
| 2.2 误差评价 |
| 3 仿真试验及结果 |
| 3.1 仿真试验数据 |
| 3.2 参数设置 |
| 3.3 试验结果 |
| 4 结论 |
（4）基于小波滤波和LSTM神经网络的船舶运动极短期预报研究（论文提纲范文）
| 0 引言 |
| 1 船舶运动信号小波滤波 |
| 1.1 小波变换 |
| 1.2 多分辨率分析与Mallat算法 |
| 1.3 船舶运动小波滤波分析 |
| 2 LSTM神经网络预报原理 |
| 2.1 LSTM神经网络 |
| 2.2 梯度计算 |
| 2.3 LSTM的船舶运动极短期预报建模流程 |
| 3 实例预报与分析 |
| 4 结论 |
（5）Stewart舰船稳定平台机构优化、标定及预测控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 舰船稳定平台研究现状 |
| 1.2.1 国外研究 |
| 1.2.2 国内研究 |
| 1.3 相关领域研究综述 |
| 1.3.1 舰船运动预报研究 |
| 1.3.2 并联机构优化设计研究 |
| 1.3.3 并联机构运动学标定研究 |
| 1.3.4 液压并联稳定平台控制方法研究 |
| 1.4 课题来源与主要研究内容 |
| 第2章 舰船运动分析及极短期预报 |
| 2.1 引言 |
| 2.2 舰船运动特征 |
| 2.2.1 舰船运动描述 |
| 2.2.2 舰船运动理论 |
| 2.2.3 舰船运动仿真算例 |
| 2.3 舰船运动极短期预报 |
| 2.3.1 自回归模型基本原理 |
| 2.3.2 舰船运动极短期预报算例 |
| 2.4 本章小结 |
| 第3章 Stewart平台机构运动学分析 |
| 3.1 引言 |
| 3.2 Stewart平台机构描述 |
| 3.3 Stewart平台机构逆运动学分析 |
| 3.3.1 平台机构位置反解 |
| 3.3.2 平台机构速度反解 |
| 3.4 基于调整步长牛顿法的Stewart平台机构正运动学分析 |
| 3.4.1 平台机构正运动学求解 |
| 3.4.2 牛顿迭代及其推广算法 |
| 3.4.3 调整步长牛顿法在正解中的应用 |
| 3.4.4 正运动学求解算例 |
| 3.5 Stewart平台机构坐标系变换 |
| 3.6 Stewart平台机构全方位工作空间分析 |
| 3.6.1 工作空间分类 |
| 3.6.2 全方位工作空间求解 |
| 3.7 本章小结 |
| 第4章 基于给定工作空间的Stewart平台机构优化设计 |
| 4.1 引言 |
| 4.2 Stewart平台机构全方位工作空间约束条件 |
| 4.2.1 支腿长度最值求解 |
| 4.2.2 支腿驱动器行程约束 |
| 4.3 Stewart平台机构优化性能指标 |
| 4.3.1 平台机构物理尺寸 |
| 4.3.2 运动与力性能指标 |
| 4.4 多目标优化算法NSGAII |
| 4.4.1 帕累托最优解集 |
| 4.4.2 NSGAII算法流程 |
| 4.5 Stewart平台机构多目标优化设计 |
| 4.5.1 Stewart平台机构多目标优化过程 |
| 4.5.2 多目标优化算例 |
| 4.6 本章小结 |
| 第5章 基于选取测量位姿的Stewart平台机构标定 |
| 5.1 引言 |
| 5.2 Stewart平台机构几何误差模型 |
| 5.3 基于无量纲化辨识雅克比矩阵选取测量位姿 |
| 5.3.1 可观测性指标 |
| 5.3.2 辨识雅可比矩阵无量纲化 |
| 5.3.3 测量位姿的选取算法 |
| 5.4 标定仿真 |
| 5.4.1 标定仿真流程 |
| 5.4.2 标定仿真算例 |
| 5.5 标定实验 |
| 5.5.1 标定位姿测量 |
| 5.5.2 实验结果分析 |
| 5.6 本章小结 |
| 第6章 基于舰船运动预报的稳定平台模型预测控制研究 |
| 6.1 引言 |
| 6.2 基于运动预报的模型预测控制 |
| 6.2.1 模型预测控制 |
| 6.2.2 简化对偶神经网络二次规划求解 |
| 6.2.3 基于运动预报的模型预测控制描述 |
| 6.3 液压驱动单元建模与参数辨识 |
| 6.3.1 液压驱动单元建模 |
| 6.3.2 模型参数辨识 |
| 6.4 基于MPMPC的液压驱动单元运动仿真及试验 |
| 6.4.1 液压驱动单元仿真研究 |
| 6.4.2 液压驱动单元试验研究 |
| 6.5 基于MPMPC的 Stewart稳定平台运动补偿仿真及试验 |
| 6.5.1 Stewart稳定平台控制系统 |
| 6.5.2 Stewart稳定平台仿真研究 |
| 6.5.3 Stewart稳定平台试验研究 |
| 6.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间承担的科研任务与主要成果 |
| 致谢 |
（6）改进二阶灰色极限学习机在船舶运动预报中的应用（论文提纲范文）
| 1 船舶运动姿态预报的关键技术 |
| 1.1 基于余弦变换的二阶灰色预测模型 |
| 1) 对原始序列进行正值化并进行平移,即 |
| 2) X(0)对应一阶累加序列 |
| 3) X(0)对应一阶累减序列 |
| 4) 紧邻均值序列 |
| 5) GM(2,1)模型 |
| 6) GM(2,1)模型的白化微分方程 |
| 7) 求解GM(2,1)模型的白化方程的通解,其GM(2,1)模型白化方程的特征方程为 |
| 1.2 自适应粒子群算法优化极限学习机 |
| 1.2.1 自适应粒子群算法 |
| 1.2.2 极限学习机算法 |
| 2 船舶运动姿态的组合预测模型 |
| 3 船舶运动姿态的组合预测和分析 |
| 3.1 灰色预测模型预测精度对比 |
| 3.2 极限学习机预测精度对比 |
| 3.3 组合预测模型的预测精度 |
| 4 结束语 |
（7）基于深度学习的船舶运动响应预报与波浪反演研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 论文研究目的及意义 |
| 1.2 船舶运动预报研究发展现状 |
| 1.2.1 基于历史数据的船舶运动极短期预报方法 |
| 1.2.2 基于艏前波浪输入的船舶运动极短期预报方法 |
| 1.3 海浪随船测量技术国内外发展现状 |
| 1.4 本文研究内容与创新 |
| 1.4.1 本文研究内容 |
| 1.4.2 本文研究创新点 |
| 第2章 船舶运动预报与波浪反演深度学习模型 |
| 2.1 深度人工神经网络原理 |
| 2.2 循环神经网络原理 |
| 2.3 长短期记忆神经网络原理 |
| 2.4 卷积神经网络原理 |
| 2.5 船舶运动响应实时计算模型的搭建 |
| 2.5.1 LSTM模型的构建 |
| 2.5.2 数据集划分对模型性能的影响 |
| 2.6 本章小结 |
| 第3章 基于深度学习的船舶摇荡运动重构研究 |
| 3.1 船舶运动标准数据获取方法 |
| 3.1.1 基于物理试验的标准数据获取方法 |
| 3.1.2 基于数值模拟的船舶运动标准数据获取方法 |
| 3.2 基于水动力传递函数(HTF)的快速重构方法 |
| 3.3 HTF方法与LSTM方法结果对比 |
| 3.3.1 四级海况计算结果 |
| 3.3.2 五级海况计算结果 |
| 3.3.3 六级海况计算结果 |
| 3.4 水池实验验证研究 |
| 3.4.1 四级海况计算结果 |
| 3.4.2 五级海况计算结果 |
| 3.4.3 六级海况计算结果 |
| 3.5 本章小结 |
| 第4章 船舶运动实时计算模型优化研究 |
| 4.1 基于差值拟合的模型优化方法 |
| 4.2 基于重心处波陡时历的模型优化方法 |
| 4.3 基于多点波浪时历的模型优化方法 |
| 4.3.1 使用二元波浪时历输入的船舶运动实时计算方法 |
| 4.3.2 输入波浪位置对模型性能的影响 |
| 4.4 本章小结 |
| 第5章 基于深度学习的船舶运动反演海况方法研究 |
| 5.1 传统海浪信息反演方法 |
| 5.2 基于CNN的海况等级反演 |
| 5.2.1 卷积神经网络 |
| 5.2.2 数据集构建 |
| 5.2.3 基于CNN的海况等级反演结果 |
| 5.3 基于ANN的海浪时历反演 |
| 5.3.1 人工神经网络 |
| 5.3.2 数据集构建 |
| 5.3.3 反演结果分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（8）基于长短期记忆神经网络的浮式海洋平台运动在线预报研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 海上浮式结构物运动预报的概念 |
| 1.3 国内外研究现状 |
| 1.3.1 运动响应在线预报研究现状 |
| 1.3.2 监督学习神经网络研究现状 |
| 1.4 论文的主要内容和创新点 |
| 第二章 长短期记忆神经网络预报模型的建立 |
| 2.1 循环神经网络和LSTM |
| 2.2 本文LSTM模型结构 |
| 2.3 性能评估指标 |
| 2.4 本章小结 |
| 第三章 试验介绍以及试验数据前处理 |
| 3.1 海洋平台运动性能模型试验 |
| 3.1.1 试验布置 |
| 3.1.2 波浪环境参数 |
| 3.2 数据前处理 |
| 3.3 本章小结 |
| 第四章 基于长短期记忆网络模型的运动预报结果与分析 |
| 4.1 180°浪向 |
| 4.1.1 纵荡运动响应 |
| 4.1.2 垂荡运动响应 |
| 4.1.3 纵摇运动响应 |
| 4.2 90°浪向 |
| 4.2.1 横荡运动响应 |
| 4.2.2 垂荡运动响应 |
| 4.2.3 横摇运动响应 |
| 4.3 本章小结 |
| 第五章 预报时长对预报模型的影响研究 |
| 5.1 迎浪纵荡运动响应 |
| 5.2 迎浪垂荡运动响应 |
| 5.3 迎浪纵摇运动响应 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要工作与创新点 |
| 6.2 后续研究工作 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
（9）船舶运动姿态估计与预报方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外船舶运动滤波方法研究现状 |
| 1.3 国内外船舶运动姿态预报方法研究现状 |
| 1.4 论文研究内容与结构 |
| 第2章 船舶运动非线性数学模型 |
| 2.1 引言 |
| 2.2 船舶运动模型 |
| 2.2.1 坐标系定义 |
| 2.2.2 坐标系的变换 |
| 2.2.3 船舶运动数学模型 |
| 2.3 船舶平面运动合外力(力矩) |
| 2.3.1 船体流体惯性力和力矩 |
| 2.3.2 船体流体黏性力和力矩 |
| 2.3.3 螺旋桨的流体动力及力矩 |
| 2.4 船舶舵及舵机模型 |
| 2.5 海洋环境扰动模型 |
| 2.5.1 规则波 |
| 2.5.2 海浪 |
| 2.5.3 海风 |
| 2.5.4 海流 |
| 2.6 本章小结 |
| 第3章 基于改进UKF的船舶运动滤波方法研究 |
| 3.1 引言 |
| 3.2 改进的无迹卡尔曼滤波算法 |
| 3.2.1 船舶运动模型 |
| 3.2.2 无迹卡尔曼滤波算法 |
| 3.2.3 改进的无迹卡尔曼滤波算法 |
| 3.2.4 收敛性分析 |
| 3.3 船舶运动过程的仿真试验 |
| 3.3.1 仿真试验船模型及参数 |
| 3.3.2 算法性能评价 |
| 3.4 仿真试验与分析 |
| 3.4.1 仿真模拟试验结果 |
| 3.4.2 敏感性分析结果 |
| 3.4.3 仿真结果分析 |
| 3.5 本章小结 |
| 第4章 基于改进LSTM算法的船舶运动极短期预报 |
| 4.1 引言 |
| 4.2 改进的LSTM算法 |
| 4.2.1 LSTM神经网络模型 |
| 4.2.2 粒子群改进算法 |
| 4.2.3 一种多层异质粒子群改进算法(MHPSO) |
| 4.3 MHPSO算法性能分析 |
| 4.3.1 仿真环境 |
| 4.3.2 MHPSO算法仿真 |
| 4.3.3 仿真结果对比与分析 |
| 4.4 基于PSO-LSTM和 MHPSO-LSTM的预报模型 |
| 4.4.1 基于PSO优化的LSTM神经网络模型(PSO-LSTM) |
| 4.4.2 基于MHPSO优化的LSTM神经网络模型(MHPSO-LSTM) |
| 4.5 三种预报模型的船舶运动预报仿真试验及分析 |
| 4.5.1 升沉位移预报分析 |
| 4.5.2 横摇运动预报分析 |
| 4.5.3 纵摇运动预报分析 |
| 4.6 EMD-MHPSO-LSTM组合预报模型 |
| 4.6.1 经验模态分解(EMD)算法 |
| 4.6.2 基于EMD-MHPSO-LSTM组合预报模型的船舶运动预报 |
| 4.7 船舶运动预报仿真试验及分析 |
| 4.7.1 升沉位移预报分析 |
| 4.7.2 横摇运动预报分析 |
| 4.7.3 纵摇运动预报分析 |
| 4.8 本章小结 |
| 第5章 船舶运动姿态在线建模递推预报方法研究 |
| 5.1 引言 |
| 5.2 快速稀疏最小二乘支持向量机 |
| 5.2.1 支持向量机 |
| 5.2.2 最小二乘支持向量机 |
| 5.2.3 FSALS-SVM算法 |
| 5.3 双向LSTM神经网络 |
| 5.3.1 双向循环神经网络 |
| 5.3.2 Bi LSTM神经网络 |
| 5.4 基于FSALS-SVM与 Bi LSTM组合的船舶运动姿态在线预报模型 |
| 5.5 仿真试验分析 |
| 5.5.1 横摇运动预报 |
| 5.5.2 纵摇运动预报 |
| 5.5.3 升沉位移预报 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
| 附录A 专有名词的英文缩写列表汇总 |
四、基于递归神经网络的船舶运动极短期建模预报（论文参考文献）
- [1]基于船舶运动数据分析的预报方法[J]. 蒙文巩,王笑语,佟明,祝乾,王世岭,高学刚. 船舶工程, 2021(S2)
- [2]船体运动位姿在线预报研究[D]. 薛大朋. 燕山大学, 2021(01)
- [3]基于IPESN的船舶升沉运动预报方法[J]. 唐刚,唐溥,邵辰彤,胡雄. 船舶工程, 2021(04)
- [4]基于小波滤波和LSTM神经网络的船舶运动极短期预报研究[J]. 刘长德,顾宇翔,张进丰. 船舶力学, 2021(03)
- [5]Stewart舰船稳定平台机构优化、标定及预测控制研究[D]. 强红宾. 燕山大学, 2020(07)
- [6]改进二阶灰色极限学习机在船舶运动预报中的应用[J]. 孙珽,徐东星,苌占星,叶进. 中国航海, 2020(03)
- [7]基于深度学习的船舶运动响应预报与波浪反演研究[D]. 段事良. 哈尔滨工程大学, 2020(04)
- [8]基于长短期记忆神经网络的浮式海洋平台运动在线预报研究[D]. 李昊波. 上海交通大学, 2020(09)
- [9]船舶运动姿态估计与预报方法研究[D]. 张彪. 哈尔滨工程大学, 2020(04)
- [10]基于VDM与APSO优化极限学习机的船舶运动姿态预报[J]. 孙珽,徐东星,尹勇,张秀凤,苌占星,叶进. 船舶工程, 2019(11)