公开(公告)号：CN115062756B

公开(公告)日：2024-11-22

申请号：CN202210523350.0

申请日：2022-05-13

Applicant: 哈尔滨工程大学

Inventor： 傅荟璇 ,  彭超 ,  顾志强 ,  王宇超 ,  王成龙 ,  赵洵 ,  田子湘

IPC: G06F18/20 ,  B63B39/00 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/09

Abstract: 本发明公开了一种船舶纵摇预测方法，读取船舶运动数据并转化为监督学习数据，所述监督学习数据包括样本数据和标签；搭建基于通道注意力机制的Bi‑ConvLSTM网络，包括两层双向ConvLSTM循环网络、CNN网络、通道注意力机制和全连接层；采用梯度下降的方法训练网络，训练参数包括迭代次数epoch、批次大小batch_size，模型训练采用反向传播更新模型参数，保存迭代次数最大时的模型参数，并记录到训练时的MSE；将待预测的船舶运动数据输入训练好的所述基于通道注意力机制的Bi‑ConvLSTM网络，得到船舶纵摇预测结果。本发明所提出的网络模型预测精度和性能更好，且训练收敛速度更快。

公开(公告)号：CN118964836A

公开(公告)日：2024-11-15

申请号：CN202410950987.7

申请日：2024-07-16

Applicant: 哈尔滨工程大学

Inventor： 王宇超 ,  田子湘 ,  傅荟璇 ,  房立安 ,  杨周琦

IPC: G06F18/10 ,  G06F18/213 ,  G06F18/214 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/0464

Abstract: 本发明提出了一种基于时序模式注意力机制的CNN‑LSTM船舶运动姿态预测方法，获取多变量实船运动的真实数据集，绘制多变量数据的热力图，选择相互之间相关程度高的多变量数据作为输入，利用滑动窗口的思想将其构造为有监督数据集，并对其进行数据预处理；搭建基于时序模式注意力机制的CNN‑LSTM混合网络，包括一维卷积层，LSTM层、时序注意力机制模块和展平层；训练网络，使用MSE评价模型；将新的船舶运动姿态数据传入到训练好的混合网络模型，得到预测数据。本发明利用基于时序模式注意力机制的CNN‑LSTM混合网络模型进行训练，与单一的网络相比，可以同时提取船舶运动姿态数据的空间维度特征和时序维度特征，网络模型具有更高的预测精度。

公开(公告)号：CN118861571A

公开(公告)日：2024-10-29

申请号：CN202410974431.1

申请日：2024-07-19

Applicant: 哈尔滨工程大学

Inventor： 傅荟璇 ,  杨周琦 ,  王宇超 ,  赵世泉 ,  房立安 ,  田子湘

IPC: G06F18/20 ,  G06F18/214 ,  G06N3/0442 ,  G06N3/084 ,  G06N20/10

Abstract: 本发明是一种基于GRU‑SVR组合模型的船舶横摇预测方法，将原始数据进行数据预处理，划分数据集，处理成符合模型输入的形式。搭建GRU神经网络模型和SVR模型，利用训练集训练模型，并利用粒子群算法计算分配给两个模型预测值的权值并保存。利用保存好的GRU、SVR模型对测试集进行预测，并利用K近邻算法选出合适的权值并求其平均值，得到最终的权值。将GRU、SVR模型对测试集的预测值与最终的权值加权求和，即为最终组合模型的预测值。本发明能够准确地对船舶横摇进行预测，相比单一模型，组合模型可提高精度。

公开(公告)号：CN119005444A

公开(公告)日：2024-11-22

申请号：CN202411209070.8

申请日：2024-08-30

Applicant: 哈尔滨工程大学

Inventor： 关宇同 ,  王宇超 ,  田子湘

IPC: G06Q10/04 ,  G06Q50/40 ,  G06N3/045 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/08 ,  G06F17/16 ,  G06N3/048 ,  G06N3/049

Abstract: 本发明属于无人艇横倾运动姿态的数据分析及预测技术领域，具体涉及一种基于MTCN‑LSTM的无人艇横倾预测方法、程序、设备及存储介质。本发明针对无人艇的横倾运动姿态数据，利用融合现代化卷积的循环神经网络模型，通过MTCN对时序数据进行初步的高维映射并实现降维，通过LSTM基于映射和降维后的结果进行进一步的解码，得到最终的预测输出。本发明能够有效捕捉无人艇横倾运动姿态数据中复杂的非线性关系，在较长时间维度上有效预测未来的无人艇横倾角度状态变化。

公开(公告)号：CN118886539A

公开(公告)日：2024-11-01

申请号：CN202410908390.6

申请日：2024-07-08

Applicant: 哈尔滨工程大学

Inventor： 王宇超 ,  房立安 ,  田子湘 ,  杨周琦 ,  傅荟璇

IPC: G06Q10/04 ,  B63B71/00 ,  B63B35/00 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084 ,  G06F13/42

Abstract: 本发明提供了一种基于TX2传输的海洋船舶实时预测平台，涉及TX2与电脑串口数据通信领域，海洋船舶运动姿态实时预测领域，采用Bi‑LSTM‑TPA模型船舶姿态预测方法，使用方法包括：采集船舶航行过程中的运动姿态数据，通过串口传输给TX2设备，在TX2设备端对数据进行实施预测，并将预测值返回给船舶系统。本发明可以在实现实施预测船舶运动姿态的基础上，通过将实时预测模型运算转移至TX2设备，有效的缓解船舶系统运算负担较大的问题。

公开(公告)号：CN115062756A

公开(公告)日：2022-09-16

申请号：CN202210523350.0

申请日：2022-05-13

Applicant: 哈尔滨工程大学

Inventor： 傅荟璇 ,  顾志强 ,  王宇超 ,  王成龙 ,  赵洵 ,  田子湘

IPC: G06N3/04 ,  G06N3/08 ,  B63B39/00

Abstract: 本发明公开了一种船舶纵摇预测方法，读取船舶运动数据并转化为监督学习数据，所述监督学习数据包括样本数据和标签；搭建基于通道注意力机制的Bi‑ConvLSTM网络，包括两层双向ConvLSTM循环网络、CNN网络、通道注意力机制和全连接层；采用梯度下降的方法训练网络，训练参数包括迭代次数epoch、批次大小batch_size，模型训练采用反向传播更新模型参数，保存迭代次数最大时的模型参数，并记录到训练时的MSE；将待预测的船舶运动数据输入训练好的所述基于通道注意力机制的Bi‑ConvLSTM网络，得到船舶纵摇预测结果。本发明所提出的网络模型预测精度和性能更好，且训练收敛速度更快。