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：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。