PDF《船舶横摇运动实时在线预报方法》

第15 卷第10 期2011 年10 月电机与控制学报ELECTRIC MACHINES AND CONTROL Vol.

15 No.

10 Oct.

2011 船舶横摇运动实时在线预报方法 刘胜, 杨震 ( 哈尔滨工程大学 自动化学院,黑龙江 哈尔滨 150001) 摘要: 为进一步提高支持向量机预报模型在船舶横摇运动预报中的精确度以及实时性, 提出一种 利用混沌理论和在线最小二乘支持向量机的实时在线预报方法.在混沌动力系统相空间重构的基 础上, 采用饱和关联维数法对船舶横摇运动的时间序列进行混沌特性判定, 并建立混沌在线最小二 乘支持向量机实时预报模型.对某船横摇运动时间序列进行预报, 仿真结果表明, 此模型的实时预 报误差指标值 RMSE 在7% 左右, 相比于基于支持向量机和神经网络的组合预报模型, 该模型能够 有效提高预报精确度和收敛速度, 延长预报时间. 关键词: 船舶;

横摇;

混沌;

在线实时预报 中图分类号: U 661.

32 文献标志码: A 文章编号: 1007- 449X( 2011) 10- 0082-

06 Real- time online prediction method of ship rolling motion LIU Sheng, YANG Zhen ( College of Automation,Harbin Engineering University,Harbin 150001,China) Abstract: A real- time prediction method which utilized chaos theory and online least squares support vec- tor machines was proposed to further enhance accuracy and real- time of the support vector machine pre- diction model in the prediction of ship rolling motion. The correlation dimension method was used to iden- tify the chaotic characteristics of the time series of ship rolling on the basis of phase space reconstruction of the chaotic dynamical system,and then the chaotic online least squares support vector machine real- time prediction model is established. The experiments of ship rolling time series prediction were conduc- ted. The simulation results indicate that real- time prediction root- mean- square error of the proposed meth- od is about 7% and compared with the combination prediction model based on support vector machine and neural network,this real- time prediction method can effectively improve the convergence rate and the prediction precision and extend prediction time. Key words: ship;

roll;

chaos;

online real- time prediction 收稿日期:

2011 -

05 -

24 基金项目: 国家自然科学基金( 51079033) 作者简介: 刘胜( 1957―) , 男, 博士, 教授, 博士生导师, 研究方向为随机系统最优估计与控制、 舰船航行与姿态控制、 智能控制、 鲁棒控制;

杨震( 1984―) , 女, 博士研究生, 研究方向为船舶运动姿态预报、 智能优化理论与方法.

0 引言近年来, 支持向量机理论在船舶运动建模领域 中的应用发展比较迅速 [1 -

5 ] , 相比于神经网络方法, 支持向量机 [6 ] 得到的是全局最优解, 具有很好的泛 化能力, 能够较好的解决小样本、 非线性、 高维数等 实际问题.目前, 基于支持向量机的船舶运动预报 方法 [4 -

5 ] 都采用离线学习, 在线预报的方式, 预报模 型的确定通过离线仿真获得.由于船舶运动是一个 动态过程, 横摇运动随时间不断变化, 在预报过程 中, 不断有新的数据产生, 较旧的离线样本与横摇运 动当前及未来的特征相关性较小, 较新的样本则相 关性较大.而采用离线训练方式的实时预报模 型[4 ] 在离线训练时并没有考虑样本的动态特性, 只 是通过对事先采样的固定样本集进行训练得到模 型, 进而对未来时刻的横摇运动进行预报, 没有进行 样本更新, 所以对于长时间的预报精度下降很快. 为使预报模型能准确反映系统当前及未来的特征, 就要用新样本进行拟合, 而与当前时刻相关性变小 的旧样本则可忽略, 即样本需要随时间不断更新, 加 入新样本的同时, 剔除旧样本.因此, 研究支持向量 机相应的在线式学习算法, 实现在线学习, 实时预 报, 成为一种船舶运动预报的新思路.另外, 已有文 献指出船舶横摇运动在很多情况下具有混沌特 性[7 ] , 通过相空间重构可以找出隐藏在混沌吸引子 中的演化规律, 针对混沌系统的可预测性, 可以通过 系统的当前状态获得系统下几个时刻的状态, 从而 得到时间序列下几个时刻的预报值.本文考虑对船 舶横摇运动进行相空间重构, 并结合在线最小二乘 支持向量机( online least squares support vector ma- chine, OLSSVM) 建立混沌在线最小二乘支持向量机 ( chaotic - OLSSVM,COLSSVM) 实时预报模型, 进 行船舶横摇运动实时预报, 并与基于支持向量机的 神经网络( support vector machine - neural network, SVM - NN) 组合预报模型进行了比较分析和验证.