石博文，張新宇，劉正江

（1.大連海事大學 航海學院，遼寧　大連 116026；2.大連艦艇學院，遼寧　大連 116018）

基于回聲狀態(tài)網(wǎng)絡(luò)的船舶搖蕩連續(xù)預(yù)報方法研究

石博文1，張新宇2，劉正江1

（1.大連海事大學 航海學院，遼寧大連 116026；2.大連艦艇學院，遼寧大連 116018）

回聲狀態(tài)網(wǎng)絡(luò)（ESNS）是一種新型遞歸神經(jīng)網(wǎng)絡(luò)，可通過對有限的已知樣本進行訓練，建立非線性模型來預(yù)報未知樣本。該算法在解決非線性問題時具有一定優(yōu)勢。無需知道海浪的先驗信息和船舶航行姿態(tài)的狀態(tài)方程，僅利用實測的船舶橫搖、縱搖歷史數(shù)據(jù)，尋求規(guī)律即可進行實測搖蕩數(shù)據(jù)的極短期預(yù)報。仿真結(jié)果表明，該算法在預(yù)報 15 s 以內(nèi)可達到較高的預(yù)報精度，通過預(yù)報窗口的平移，可以進行連續(xù)在線預(yù)報。

回聲狀態(tài)網(wǎng)絡(luò)；船舶搖蕩；連續(xù)預(yù)報

0　引　言

船舶搖蕩預(yù)報對于艦載機安全起降等有重要意義。根據(jù)艦載機安全起降對船舶橫搖、縱搖、垂蕩等要求，采用極短時間預(yù)報方法找出未來一段時間內(nèi)符合著艦要求的時間窗口，使指揮官能夠在艦載機準備下滑或正在下滑時及時向飛行員通報船體搖蕩情況，可以為艦載機起降作業(yè)提供一定的輔助決策支持［1］。

目前在船舶搖蕩預(yù)報方面，國內(nèi)研究單位主要有哈爾濱工程大學、大連艦艇學院和中船重工集團第702 研究所等單位［1］。哈爾濱工程大學采用的主要預(yù)報方法包括自回歸法［2］、最小二乘法［3］、首前波法、卡爾曼濾波法、周期圖法、投影尋蹤法及神經(jīng)網(wǎng)絡(luò)方法［4］等，主要對船模實驗搖蕩數(shù)據(jù)進行預(yù)報。大連艦艇學院主要采用混沌時間序列分析方法進行預(yù)報［5］。702 研究所主要用 ARMA 模型和神經(jīng)網(wǎng)絡(luò)模型進行預(yù)報。在已查閱的國內(nèi)外相關(guān)資料之中，還未發(fā)現(xiàn)對實船測試數(shù)據(jù)的有效預(yù)報達到 15 s 的文獻和研究成果。

本文結(jié)合實測的船舶搖蕩數(shù)據(jù)，采用回聲狀態(tài)網(wǎng)絡(luò)方法進行連續(xù)極短期預(yù)報。

1　船舶搖蕩數(shù)據(jù)的采集與分析

1.1實驗設(shè)備介紹

為測量船舶的運動姿態(tài)，分別采用膜電位水平傳感器、運動姿態(tài)測量產(chǎn)品 VM-i 進行測量［6］。

膜電位傳感器通過串口將數(shù)據(jù)讀入計算機，由數(shù)據(jù)采集卡自動采集，輸出數(shù)據(jù)結(jié)構(gòu)為：序號、橫搖、縱搖。VMESENS VM-i 數(shù)據(jù)輸出結(jié)構(gòu)為：首搖，縱搖，橫搖，X 軸磁場強度，y 軸磁場強度，Z 軸磁場強度，X 軸陀螺儀輸出，Y 軸陀螺儀輸出，Z 軸陀螺儀輸出，X 軸加速度，Y 軸加速度，Z 軸加速度。

1.2實驗概況

采用膜電位傳感器和 VM-i 分別對某船和某實習訓練船的搖蕩情況進行測量，第 1 次測量時間從 2011 年6月12日-6月 17日，測量對象為某船，測量海域為黃海。第 2 次為某實習訓練船出國訪問時隨船測量，時間從 2011年8月 2日-8月12日，測量海域分別為海參崴到元山段以及元山到旅順段［7］。

圖1　測姿實驗現(xiàn)場Fig.1　Motion measurement equipment

2　回聲狀態(tài)網(wǎng)絡(luò)

回聲狀態(tài)網(wǎng)絡(luò)（ESNs）是 2001 年由德國 Bremen大學的 Jaeger 教授提出的一種新型的神經(jīng)網(wǎng)絡(luò)，是遞歸神經(jīng)網(wǎng)絡(luò)的一種，其結(jié)構(gòu)與生物神經(jīng)網(wǎng)絡(luò)非常類似。2004年Jaeger 教授將該網(wǎng)絡(luò)用于麥克格拉斯混沌時間序列的預(yù)測，使其預(yù)測精度提高了 2 400 倍，得到了極大的關(guān)注。

相對普通的遞歸神經(jīng)網(wǎng)絡(luò)，回聲狀態(tài)網(wǎng)絡(luò)主要有2 點不同：1）回聲狀態(tài)網(wǎng)絡(luò)的隱層規(guī)模非常大，需要大約 30～1 000 個神經(jīng)元。這些大量神經(jīng)元之間進行稀疏的連接，稱為“儲備池”。儲備池中的大量神經(jīng)元可以將輸入信號映射到高維空間，因此回聲狀態(tài)網(wǎng)絡(luò)具有非常強的非線性處理能力。2）回聲狀態(tài)網(wǎng)絡(luò)的訓練過程只調(diào)整隱層到輸出層的連接權(quán)值，解決了訓練過程中權(quán)值之間耦合的問題，使得訓練過程大大簡化。

設(shè)回聲狀態(tài)網(wǎng)絡(luò)包含 p 個輸入單元:

i 個輸出單元：則儲備池神經(jīng)元狀態(tài)按式（1）進行更新：

其中 x（n）=［x1（n）,x2（n）,···,xN（n）］T表示儲備池中神經(jīng)元狀態(tài)向量在第 n 個時刻的值；，，為輸入連接權(quán)；內(nèi)部連接權(quán)和輸出連接權(quán)，f=［f1,f2,···,fN］為內(nèi)部神經(jīng)元激活函數(shù)，N 為儲備池規(guī)模。

回聲狀態(tài)網(wǎng)絡(luò)的輸出方程為：

3　船舶搖蕩的連續(xù)預(yù)報方法

首先，要找到二者的映射關(guān)系。假定訓練數(shù)據(jù)data 的長度為 m，通過滑動窗口來建立一個訓練數(shù)據(jù)矩陣，每個窗口的寬度為，首先從第一個數(shù)據(jù)開始，建立過去 p 個時間點的采樣值與之間的映射關(guān)系，然后將訓練窗口依次后移，直到建立起｛xm-p+1，xm-p+2，…，xm｝ 與預(yù)報的目標值｛xm+1，xm+2，…，xm+i｝ 之間的映射關(guān)系，訓練結(jié)束后，就可以用得到的映射關(guān)系進行預(yù)報。

4　實測船舶搖蕩數(shù)據(jù)預(yù)報

4.1實測數(shù)據(jù)說明

在大量的實測數(shù)據(jù)中，僅選取 2 段數(shù)據(jù)進行仿真預(yù)報。第 1 段數(shù)據(jù)為某船 6月 14日第 27 個記錄周期的橫搖數(shù)據(jù)，根據(jù)實測數(shù)據(jù)可計算出三一值為 1.63°。第 2 段數(shù)據(jù)為某實習訓練船在海參崴到元山的航程中的一段縱搖數(shù)據(jù)，根據(jù)實測數(shù)據(jù)，可以計算出三一值為 0.7 °。

4.2實測數(shù)據(jù)預(yù)處理

為了避免輸入向量中各變量相差過大影響訓練效果，支持向量機的訓練數(shù)據(jù)樣本要進行歸一化處理。設(shè)和分別代表訓練樣本集合中歷史搖蕩幅度的最大和最小值，x 為實際搖蕩數(shù)據(jù)，為歸一化后的搖蕩值，則：

使訓練數(shù)據(jù)轉(zhuǎn)換到［0,1］間，可用式（4）重新?lián)Q算回真實的搖蕩值：

通過歸一化處理，可以使船舶搖蕩數(shù)據(jù)能夠在有效數(shù)據(jù)空間均勻分布開。

4.3預(yù)報效果分析

預(yù)報效果如圖3 和圖4 所示。

圖3　對某船橫搖數(shù)據(jù)連續(xù)預(yù)報結(jié)果Fig.3　Continuous roll forecasting of a target ship

圖4　某訓練船縱搖數(shù)據(jù)連續(xù)預(yù)報結(jié)果Fig.4　Continuous pitch forecasting of a training ship

4.4評價指標

為了評價模型的預(yù)測性能，采用測量誤差相對三一值的誤差對預(yù)測效果進行評估:

為便于比較，本實驗均對某船的橫搖數(shù)據(jù)和某訓練船的縱搖數(shù)據(jù)均每次向前預(yù)報 15 s，連續(xù)預(yù)報 4次，即共預(yù)報 60 s。誤差隨預(yù)報長度變化如圖5 和圖6所示。

圖5　某船橫搖數(shù)據(jù)預(yù)報連續(xù) 15 秒時，相對三一橫搖值的誤差Fig.5　The relative error corresponding to significant roll data of a target ship while performing 15 seconds forecasting

圖6　某訓練船縱搖數(shù)據(jù)連續(xù) 15 秒時，相對三一縱搖值的誤差Fig.6　The relative error corresponding to significant pitch data of a training ship while performing 15 seconds forecasting

5　結(jié)　語

結(jié)合回聲狀態(tài)網(wǎng)絡(luò)（ESNs）在非線性處理方面的優(yōu)勢，建立了連續(xù)預(yù)報算法，該算法運算速度快，能滿足實時運算的要求，兼顧了訓練誤差風險和實時船舶搖蕩數(shù)據(jù)的變化，模型具有需要樣本少、泛化能力強的優(yōu)點，適用于船舶搖蕩運動的在線預(yù)報。

從圖5 和圖6 可看出，連續(xù)預(yù)報 60 s 的平均相對誤差低于 20%，且多數(shù)時間內(nèi)相對誤差低于 15%?？梢姡瑢τ趯嵈瑩u蕩時歷的預(yù)報，本文提出的回聲狀態(tài)網(wǎng)絡(luò)方法的有效預(yù)報時長約為 2 個搖蕩周期，基本能滿足實船極短期預(yù)報的需要。

［1］劉孫波，施平安，陳聚和.艦船波浪中運動時域預(yù)報方法研究［J］.廣州航海學院學報，2014，22（2）: 21-23.

［2］彭秀艷，趙希人，魏納新，等.大型艦船姿態(tài)運動極短期預(yù)報的一種AR算法［J］.船舶工程，2001（5）: 5-7，10.

［3］彭秀艷，劉長德.基于格型遞歸最小二乘算法的船舶運動極短期預(yù)報［J］.船舶力學，2012，16（1/2）: 44-51.

［4］王琳.基于CMAC神經(jīng)網(wǎng)絡(luò)的艦船運動預(yù)報仿真研究［J］.數(shù)學的實踐與認識，2014，44（23）: 160-165.

［5］劉博，蔡烽，石愛國.艦船搖蕩預(yù)報中的雙變量局域線性多步預(yù)報法［J］.中國航海，2012，35（2）: 33-38.

［6］陳遠明，葉家瑋，張兮龍.船舶運動的極短期預(yù)報試驗［J］.船海工程，2010，39（1）: 13-15，20.

［7］侯建軍，常小勇，石愛國.艦船搖蕩運動數(shù)據(jù)采集及混沌特性分析［J］.船舶工程，2011，33（6）: 25-28，84.

［8］JAEGER H，HAAS H.Harnessing nonlinearity: predicting chaotic systems and saving energy in wireless communication［J］.Science，2004，304（5667）: 78-80.

［9］郭嘉.回聲狀態(tài)網(wǎng)絡(luò)分類方法及其應(yīng)用研究［D］.哈爾濱: 哈爾濱工業(yè)大學，2011.

Continuous forecasting of ship sway based on ESNs

SHI Bo-wen1，ZHANG Xin-yu2，LIU Zheng-jiang1
（1.Navigation College，Dalian Maritime University，Dalian 116026，China；2.Dalian Naval Academy，Dalian 116018，China）

Echo state networks （ESNs）is a new kind of recurrent neural networks，which is suitable for the data processing based on finite number of training samples to forecast the unknown data by a nolinear model.It has preponderance for solving the nonlinearity problems.Without prior information of sea waves and the state equations of ship motions，only using the real measured roll and pitch data，the ESNs method is applied to solve the problem of short time series forecasting.Results show that the method satisfies the need of online forecasting within 15 seconds，and continuous forecasting can be realized by sliding the window.

echo state networks；ship sway；continuous forecasting

TP183；TP301.6

A

1672-7619（2016）06-0067-03

10.3404/j.issn.1672-7619.2016.06.013

2016-03-04；

2016-04-20

石博文（1985-），男，博士研究生，研究方向為交通運輸規(guī)劃與管理。