-
公开(公告)号：CN112948969B
公开(公告)日：2022-07-15
申请号：CN202110226036.1
申请日：2021-03-01
Applicant: 哈尔滨工程大学
IPC: G06F30/15 , G06F30/27 , G06F119/14
Abstract: 本发明一种基于LSTMC混合网络的船舶横摇预测方法，使用Pandas读取数据集数据并进行数据的预处理，将大地风速、船舶姿态角及其角速度数据传入网络进行训练；搭建LSTMC混合网络；训练LSTMC混合网络；用Keras高层接口Keras.Model.fit()方法进行模型的训练，设置保存评价指标MSE、MAPE最优的一次模型参数；把新的船舶姿态数据传入到训练好的混合网络中去，得到预测的船舶姿态数据。本发明能够快速准确地完成对船舶横摇的预测，相比其他单一的神经网络模型，不仅能够提取时间特征，而且能够提取空间特征，提高预测精度。
-
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
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：CN112948969A
公开(公告)日：2021-06-11
申请号：CN202110226036.1
申请日：2021-03-01
Applicant: 哈尔滨工程大学
IPC: G06F30/15 , G06F30/27 , G06F119/14
Abstract: 本发明一种基于LSTMC混合网络的船舶横摇预测方法，使用Pandas读取数据集数据并进行数据的预处理，将大地风速、船舶姿态角及其角速度数据传入网络进行训练；搭建LSTMC混合网络；训练LSTMC混合网络；用Keras高层接口Keras.Model.fit()方法进行模型的训练，设置保存评价指标MSE、MAPE最优的一次模型参数；把新的船舶姿态数据传入到训练好的混合网络中去，得到预测的船舶姿态数据。本发明能够快速准确地完成对船舶横摇的预测，相比其他单一的神经网络模型，不仅能够提取时间特征，而且能够提取空间特征，提高预测精度。
-
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
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。
-
-
-
Search Results
4
records
(took 0.03 seconds)
