-
公开(公告)号：CN117932273A
公开(公告)日：2024-04-26
申请号：CN202410276022.4
申请日：2024-03-12
Applicant: 青岛哈尔滨工程大学创新发展中心 , 哈尔滨工程大学
IPC: G06F18/20 , G06F18/214 , G06F17/14 , G06F17/16 , G06F18/213 , G06N3/0455 , G06N3/08
Abstract: 本发明属于船舶与海洋工程技术领域，公开了一种融入时频分析的船舶运动长时预报方法及系统。该方法包括：将划分的训练集数据和测试集数据输入基于PatchTST架构的神经网络模型，在模型内部通过快速傅里叶变换或逐波分析的方法求得该段时历数据的特征周期，通过滑动窗口的方法将整段时历数据划分为多个子序列级别的Patch片段；基于获得的Patch片段进行训练得到准确的预报模型；使用训练好的所述预报模型对未来一段时间内的船舶运动时历数据进行预测。本发明不但能够捕捉全局范围内序列的长时依赖关系，也能获取到局部的周期性起伏特征，从而实现船舶运动长时有效预报。
-
公开(公告)号：CN118228009B
公开(公告)日：2024-08-06
申请号：CN202410657990.X
申请日：2024-05-27
Applicant: 青岛哈尔滨工程大学创新发展中心 , 哈尔滨工程大学
IPC: G06F18/20 , G06F18/10 , G06F18/213 , G06F18/214 , G06F18/22
Abstract: 本发明属于船舶与海洋工程技术领域，公开了一种基于自相关分解的船舶运动极短期预报方法及系统，该方法通过滑动平均方法滤除船舶运动序列的周期性特征，提取序列平稳趋势项，并采用序列作差得到季节项特征；基于编码器‑解码器架构，将自相关机制引入船舶运动序列特征学习，通过计算序列自相关来发现基于周期的依赖关系，并采用时间延迟聚合来聚合相似的子序列，分别对船舶运动序列的季节项和趋势项进行预报，最终得到高精度的船舶运动预报结果。本发明的船舶运动极短期预报方法采用滑动平均算法分解船舶运动时域特征，并结合自相关机制与时延聚合算法代替Transformer架构的自注意力机制进行长期特征学习，提升船舶运动预报精度。
-
公开(公告)号：CN118228009A
公开(公告)日：2024-06-21
申请号：CN202410657990.X
申请日：2024-05-27
Applicant: 青岛哈尔滨工程大学创新发展中心 , 哈尔滨工程大学
IPC: G06F18/20 , G06F18/10 , G06F18/213 , G06F18/214 , G06F18/22
Abstract: 本发明属于船舶与海洋工程技术领域，公开了一种基于自相关分解的船舶运动极短期预报方法及系统，该方法通过滑动平均方法滤除船舶运动序列的周期性特征，提取序列平稳趋势项，并采用序列作差得到季节项特征；基于编码器‑解码器架构，将自相关机制引入船舶运动序列特征学习，通过计算序列自相关来发现基于周期的依赖关系，并采用时间延迟聚合来聚合相似的子序列，分别对船舶运动序列的季节项和趋势项进行预报，最终得到高精度的船舶运动预报结果。本发明的船舶运动极短期预报方法采用滑动平均算法分解船舶运动时域特征，并结合自相关机制与时延聚合算法代替Transformer架构的自注意力机制进行长期特征学习，提升船舶运动预报精度。
-
Patent Agency Ranking
公开(公告)号：CN118410722B
公开(公告)日：2024-08-23
申请号：CN202410850464.5
申请日：2024-06-28
Applicant: 青岛哈尔滨工程大学创新发展中心 , 哈尔滨工程大学
IPC: G06F30/27 , G06F30/15 , G06N3/0455 , G06N3/09 , G06F18/214 , G06F18/2131 , G06F119/14 , G06F119/02
Abstract: 本发明属于船舶与海洋工程技术领域，公开了一种动力系统建模的非平稳性船舶运动预报方法及系统。该方法引入傅里叶滤波与koopman理论，构建基于koopa架构的船舶运动预报模型，分别构建低频koopman预测器与高频koopman预测器，滤波后的高频分量通过低频koopman预测器映射到高维空间，在高维空间中通过一个koopman算子控制其状态转移；滤波后的低频分量则通过低频koopman预测器映射到高维空间，并在高维空间中对分布特征不同的数据状态区域分别采用不同的koopman算子控制其状态转移。本发明有效提高预报模型对非平稳性船舶运动时历数据的预报精度。
-
公开(公告)号：CN118410722A
公开(公告)日：2024-07-30
申请号：CN202410850464.5
申请日：2024-06-28
Applicant: 青岛哈尔滨工程大学创新发展中心 , 哈尔滨工程大学
IPC: G06F30/27 , G06F30/15 , G06N3/0455 , G06N3/09 , G06F18/214 , G06F18/2131 , G06F119/14 , G06F119/02
Abstract: 本发明属于船舶与海洋工程技术领域，公开了一种动力系统建模的非平稳性船舶运动预报方法及系统。该方法引入傅里叶滤波与koopman理论，构建基于koopa架构的船舶运动预报模型，分别构建低频koopman预测器与高频koopman预测器，滤波后的高频分量通过低频koopman预测器映射到高维空间，在高维空间中通过一个koopman算子控制其状态转移；滤波后的低频分量则通过低频koopman预测器映射到高维空间，并在高维空间中对分布特征不同的数据状态区域分别采用不同的koopman算子控制其状态转移。本发明有效提高预报模型对非平稳性船舶运动时历数据的预报精度。
-
公开(公告)号：CN117893575B
公开(公告)日：2024-05-31
申请号：CN202410294769.2
申请日：2024-03-15
Applicant: 青岛哈尔滨工程大学创新发展中心 , 哈尔滨工程大学
IPC: G06T7/246 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/042 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 本发明属于船舶与海洋工程技术领域，公开了图神经网络融入自注意力机制的船舶运动预报方法及系统。该方法采用图卷积神经网络和门控循环神经网络结合的预报模型，以及采用自注意力机制基于输入的船舶六自由度运动片段计算六自由度运动耦合权重矩阵，并构造船舶六自由度运动图数据，实现船舶运动耦合关系表征；然后采用GCN结合GRU模型，基于构造的船舶六自由度运动图数据进行特征提取，实现船舶运动极短期预报。本发明提出的预报方法优于现有的常用的船舶运动极短期预报模型。
-
公开(公告)号：CN117893575A
公开(公告)日：2024-04-16
申请号：CN202410294769.2
申请日：2024-03-15
Applicant: 青岛哈尔滨工程大学创新发展中心 , 哈尔滨工程大学
IPC: G06T7/246 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/042 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 本发明属于船舶与海洋工程技术领域，公开了图神经网络融入自注意力机制的船舶运动预报方法及系统。该方法采用图卷积神经网络和门控循环神经网络结合的预报模型，以及采用自注意力机制基于输入的船舶六自由度运动片段计算六自由度运动耦合权重矩阵，并构造船舶六自由度运动图数据，实现船舶运动耦合关系表征；然后采用GCN结合GRU模型，基于构造的船舶六自由度运动图数据进行特征提取，实现船舶运动极短期预报。本发明提出的预报方法优于现有的常用的船舶运动极短期预报模型。
-
公开(公告)号：CN119719685A
公开(公告)日：2025-03-28
申请号：CN202510213843.8
申请日：2025-02-26
Applicant: 青岛哈尔滨工程大学创新发展中心 , 哈尔滨工程大学
IPC: G06F18/20 , G06F18/15 , G06F18/2131 , G06F18/25 , G06F18/214 , G06N3/045 , G06N3/09
Abstract: 本发明属于船舶与海洋工程技术领域，公开了基于动态周期模式识别与加权的船舶运动预报方法及系统。该方法通过数据切割得到训练集与测试集；滑动窗口法得到输入数据集与输出数据集；将输入数据集依次输入时域预报模块得到时域预报结果；以及输入频域预报模块得到频域预报结果；对输入数据进行主频能量占比计算，得到周期模式权重占比；将时域预报结果与频域预报结果进行加权得到最后预报结果；并与输出训练数据对比计算损失函数；将测试输入数据集输入训练好的模型得到测试数据集预报结果。本发明充分地利用了时域预报模型和频域预报模型在各自擅长的周期模式上的优势，有效改善了预报模型在预报过程中预报结果相位偏移的现象。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.055 seconds)
