阅读说明：本技术 一种基于cnn-latm组合模型的波浪补偿预测方法 (Wave compensation prediction method based on CNN-LATM combined model ) 是由 唐刚 盛谨勤 雷金曼 胡雄 于 2019-10-21 设计创作，主要内容包括：一种基于CNN-LATM组合模型的波浪补偿预测方法,首先通过加速度传感器采集数据,再将加速度数据处理成位移数据,对组合的神经网络进行训练,最后利用训练好的模型预测出波浪补偿的位移量。本发明方法利用了卷积神经网络的局部感知能力,且计算量小,结合了长短期记忆网络可以实时更新最优权值和阈值的特点,使得组合预测模型具有预测精度高,稳定性好,鲁棒性强等优势。(A wave compensation prediction method based on a CNN-LATM combined model comprises the steps of firstly collecting data through an acceleration sensor, then processing the acceleration data into displacement data, training a combined neural network, and finally predicting the displacement of wave compensation by using the trained model. The method of the invention utilizes the local perception capability of the convolutional neural network, has small calculated amount, and combines the characteristic that the long-term and short-term memory network can update the optimal weight and the threshold value in real time, so that the combined prediction model has the advantages of high prediction precision, good stability, strong robustness and the like.)

一种基于CNN-LATM组合模型的波浪补偿预测方法

技术领域

本发明涉及一种在众多海况中船舶波浪补偿技术领域，尤其涉及一种基于CNN-LATM组合模型的波浪补偿预测方法。

背景技术

海上作业是以船舶为基地，而船舶不同于陆地，由于受到风，浪，流的作用，海上作业浮式生产系统不可避免地要随风浪作不规则的摇荡和升沉运动，加以舱面建筑物对甲板附近的气流产生强烈的干扰，形成涡流等强烈的紊流流动，即结构复杂的空气尾流场，这给海上作业带来了许多的不便和风险。为此，现有技术多采用波浪补偿的方法来解决上述问题。

为了充分对主被动型波浪补偿控制方法进行优化，开发出具有波浪预测，位移补偿，速度补偿，张力补偿的控制算法。

卷积神经网络(CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，采用局部感知区域，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征。一维CNN可以很好的应用于传感器数据的时间序列分析。

长短期记忆网络(LSTM)是循环神经网络的一种，它有输入门、遗忘门和输出门。当一个信息进入LSTM的网络当中，可以根据规则来判断该信息是否有用。只有符合算法认证的信息才会留下，不符的信息则通过遗忘门被遗忘。由此使得LSTM具有记忆长期及短期信息的能力，从而能够用来解决具有长期依赖的时序性问题。能有效的实现输入输出间的非线性映射，且具有自组织和模式识别的能力，相比其他神经网络具有更强的逼近、容错能力。

一维CNN与LSTM相结合可以更加快速的找到最优的权值和阈值，对于不同海况都能迅速做出反应，且组合后的神经网络预报精度高，鲁棒性强，稳定性好。

如专利CN 108216489 A中预测用到的递归最小二乘算法，其递归计算中所需要的时间长则会导致预测的迟滞性，并且其预测使用的是线性模型，对于预测数据的局限性大。如鲜玲等学者采用时间序列分析法、Elman神经网络以及SVR预测算法对起重机升沉运动进行预测，但Elman网络的收敛速度慢，目标函数存在局部极小点，对非线性的升沉运动不是很理想，不能应用于各种海况。Ferial E-Hawary利用卡尔曼滤波对船舶起重机升沉运动进行预测，但是该预测方法需要知道准确的船舶运动状态方程，由于海洋运动是非线性的、环境是时刻发生变化，是很难得到准确的状态方程，而且该预测算法的预报精度受到海浪频率和海况影响，因此卡尔曼预报在实际中直接应用是不恰当的。

发明内容

本发明所需要解决的是提供一种用于前瞻性的调节策略改善性能的波浪补偿控制方法，能够提高补偿精度，补偿稳定性并改善由于硬件的滞后性而导致的补偿效果不佳的问题。

为了解决滞后性问题，本发明提出用对船舶在海浪中的升沉运动预测算法的卷积神经网络和LSTM网络算法组合的方式来优化。

本发明克服其技术问题所采用的技术方案是：

一种基于卷积神经网络和长短期记忆网络的波浪补偿控制方法(如图1所示)，包括如下步骤：

步骤1：获取训练的数据

1.1利用加速度传感器感应到船舶升沉方向的加速度，通过采集卡采集之后，在通过A/D转换器对模拟信号数字化后得出采样数据，将采样数据通过标定变换转换成实际相应的加速度数据。其中标定变换的公式为

Y_o为被测量量程的下限；Y_m为被测量量程的上限；Y为标定变换后所得到的被测量的实际物理量；N_O为Y_o对应的A/D转换后的数字量；N_m为Y_m对应的A/D转换后的数字量；X为被测量实际值Y所对应的A/D转换后的数字量。

1.2将上述获得的实时加速度信号进行一次频域带通滤波处理，将频率大于1Hz的信号置零即得到光顺滤波。再采用最小二乘法来进行零点偏差的修正。最后将上述处理后的加速度信号进行两次积分运算转化为位移信号，本发明中对于加速度的积分运算采用的是加速度频域积分原理，先将时域信号作傅里叶变换到频域内，则时域积分运算在频域就成了傅里叶分量系数的正弦、余弦积分互换，其结果在经过傅里叶逆变换，得到积分后的时域信号。加速度时程的二阶频域积分即为运动位移。其中加速度信号频域二次积分的计算公式为

其中

式中k，n和r取值为0，1，2，……，N-1；f_d和f_a分别为带通滤波的下限截至频率和上限截至频率；X(k)为时域信号x(n)的傅里叶变换；Δf为频率分辨率；H(k)为带通滤波器的频率响应函数。

此频域积分原理的好处是在频域中只需将低于有用频率的谐波分量幅值置零即可解决时域二次积分中难以处理的趋势项。

1.3对上述样本集x(n)进行归一化处理

步骤2：如图2所示，将上述经过归一化处理的特征参数输入到卷积神经网络(CNN)中，训练数据及对数据进行预处理，通过卷积层卷积之后得出初始化网络结构及各特征参数，为了防止过拟合化，再将卷积后的数据输入池化层调整权值与阈值，训练神经网络。

步骤3：如图3所示，将池化后的数据输入到长短期记忆网络(LSTM)。

3.1 LSTM网络有三个门，如图4所示其分别为输入门，输出门和遗忘门，各门的计算公式为f_t＝σ(W_f·[h_t-1·x_t]+b_f)

i_t＝σ(W_i·[h_t-1·x_t]+b_i)

o_t＝σ(W_o·[h_t-1·x_t]+b_o)

h_t＝o_t*tanh(C_t)

其中符号“。”表示两个向量对应位置上的元素相乘；“σ”表示sigmoid函数，用其作为激活函数；f代表遗忘门；i代表输入门；o代表输出门；C表示细胞状态；

为当前输入的单元状态；h为细胞输出。

3.2按照前向传播算法计算LSTM网络输出值。

3.3反向计算每个LSTM各个部分的误差项，残差传导到输出门、内部状态，遗忘门以及输入门；

3.4根据相应的误差项依次计算每个门权重的梯度；

3.5利用优化算法来更新每个门的权重值，经过迭代计算，寻找最优的权重和阈值。

步骤4.将得出的输出量进行反归一化处理，最终得到波浪补偿的位移量

综上所述，采用上述方案后，本发明为深度学习下波浪补偿预测算法提供了新的方案。本发明的优点在于结合了一维卷积神经网路对于传感器数据的快速处理能力和长短期记忆网络的“更新门”(输入门和遗忘门)，使得到权值与阈值的不断更新，最终得到最优权值和阈值，从而获得补偿所需的位移量，实现了波浪补偿预测系统的快速响应性与超强的鲁棒性。

附图说明

图1：本发明的CNN-LSTM模型的结构框架图；

图2：CNN模型流程图；

图3：LSTM模型流程图；

图4：LSTM网络的模型。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

本实施例所提供的基于卷积神经网络与长短期记忆网络的波浪补偿预测算法，主要通过卷积神经网络与LSTM神经网络两种神经网络结构，获得特征表达，通过特征融合方式，获得最优权值和阈值，最终得到补偿位移。

其包括以下步骤：

步骤1：获取训练的数据

1.1利用加速度传感器感应到船舶升沉方向的加速度，通过采集卡采集之后，在通过A/D转换器对模拟信号数字化后得出采样数据，将采样数据通过标定变换转换成实际相应的加速度数据。其中标定变换的公式为

Y_o为被测量量程的下限；Y_m为被测量量程的上限；Y为标定变换后所得到的被测量的实际物理量；N_O为Y_o对应的A/D转换后的数字量；N_m为Y_m对应的A/D转换后的数字量；X为被测量实际值Y所对应的A/D转换后的数字量。

1.2将上述获得的实时加速度信号进行一次频域带通滤波处理，将频率大于1Hz的信号置零即得到光顺滤波。再采用最小二乘法来进行零点偏差的修正。然后将上述处理后的加速度信号进行两次积分运算转化为位移信号，本发明中对于加速度的积分运算采用的是加速度频域积分原理，先将时域信号作傅里叶变换到频域内，则时域积分运算在频域就成了傅里叶分量系数的正弦、余弦积分互换，其结果在经过傅里叶逆变换，得到积分后的时域信号。加速度时程的二阶频域积分即为运动位移。其中加速度信号频域二次积分的计算公式为

其中

式中k，n和r取值为0，1，2，……，N-1；f_d和f_a分别为带通滤波的下限截至频率和上限截至频率；X(k)为时域信号x(n)的傅里叶变换；Δf为频率分辨率；H(k)为带通滤波器的频率响应函数。

此频域积分原理的好处是在频域中只需将低于有用频率的谐波分量幅值置零即可解决时域二次积分中难以处理的趋势项。

1.3对上述样本集x(n)进行归一化处理

步骤2：将上述经过归一化处理的特征参数输入到卷积神经网络(CNN)中，训练数据及对数据进行预处理，通过卷积层卷积之后得出初始化网络结构及各特征参数，为了防止过拟合化，再将卷积后的数据输入池化层调整权值与阈值，训练神经网络。

步骤3：将池化后的数据输入到长短期记忆网络(LSTM)得到最优权值和阈值。

3.1本LSTM网络有三个门，其分别为输入门，输出门和遗忘门，各门的计算公式为

f_t＝σ(W_f·[h_t-1·x_t]+b_f)

i_t＝σ(W_i·[h_t-1·x_t]+b_i)

o_t＝σ(W_o·[h_t-1·x_t]+b_o)

h_t＝o_t*tanh(C_t)

其中符号“。”表示两个向量对应位置上的元素相乘；“σ”表示sigmoid函数，用其作为激活函数；f代表遗忘门；i代表输入门；o代表输出门；C表示细胞状态；

为当前输入的单元状态；h为细胞输出。

3.2按照前向传播算法计算LSTM网络输出值。

3.3反向计算每个LSTM各个部分的误差项，残差传导到输出门、内部状态，遗忘门以及输入门；

3.4根据相应的误差项依次计算每个门权重的梯度；

3.5利用优化算法来更新每个门的权重值，经过迭代计算，寻找最优的权重和阈值。

步骤4.将得出的输出量进行反归一化处理，最终得到波浪补偿的位移量

显然，本领域的技术人员可以对本发明进行各种改动和变形而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。