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：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。