(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111261023.4 (22)申请日 2021.10.28 (71)申请人 江苏科技大学 地址 212008 江苏省镇江市京口区梦溪路2 号 (72)发明人 赵强　左思雨　潘梦婷　周萌萌　 张冰　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 代理人 向文 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) (54)发明名称 一种基于CNN-BiLSTM的船舶运动姿态预测 方法 (57)摘要 本发明公开了一种基于CNN ‑BiLSTM的船舶 运动姿态预测方法， 包括如下步骤： 利用船舶运 动姿态的历史数据， 归一化处理， 得到所需建模 数据， 将建模数据划分为测试集和验证集； 初始 化CNN网络、 BiLS TM网络的结构以及相关参数； 利 用初始化后的CNN网络对船舶运动姿态测试集进 行特征提取； 将提取的特征数据送入BiLS TM网络 进行训练， 获取到船舶运动姿态测试集预测数 据， 由此建立CNN ‑BiLSTM船舶运动姿态预测模 型； 通过验证集输入CNN ‑BiLSTM船舶运动姿态预 测模型进行验证预测， 获取到最终的预测结果。 本发明结合CNN和BiLSTM的优点， 建立了CNN ‑ BiLSTM船舶运动姿态预测模型， 利用CNN对相应 船舶运动姿态数据进行特征提取， 同时通过 BiLSTM对所得特征信息进行预测， 有效提高了 预 测精度， 可对船舶运动姿态进行 可靠预测。 权利要求书2页 说明书4页 附图2页 CN 114021441 A 2022.02.08 CN 114021441 A 1.一种基于 CNN‑BiLSTM的船舶运动姿态预测方法， 其特 征在于， 包括如下步骤： S1： 利用船舶运动姿态的历史数据， 归一化处理， 得到所需建模数据， 将建模数据划分 为测试集和验证集； S2： 初始化CN N网络、 Bi LSTM网络的结构以及相关参数； S3： 利用初始化后的CN N网络对船舶运动姿态测试集进行 特征提取； S4： 将提取的特征数据送入BiLSTM网络进行训练， 获取到船舶运动姿态测试集预测数 据， 由此建立CN N‑BiLSTM船舶运动姿态预测模型； S5： 通过验证集输入CNN ‑BiLSTM船舶运动姿态预测模型进行验证预测， 获取到最终的 预测结果。 2.根据权利要求1所述的一种基于CNN ‑BiLSTM的船舶运动姿态预测方法， 其特征在于， 所述步骤S1具体为： A1： 收集船舶 在不同海况自由度的历史数据； A2： 对收集到的数据进行测试集和验证集的划分； A3： 对数据进行 标准化处理， 得到所需测试样本数据集。 3.根据权利要求1所述的一种基于CNN ‑BiLSTM的船舶运动姿态预测方法， 其特征在于， 所述步骤A1中历史数据包括不同海 况六个自由度数据， 分别为横摇、 纵摇、 升沉、 横荡、 纵荡 和垂荡。 4.根据权利要求2所述的一种基于CNN ‑BiLSTM的船舶运动姿态预测方法， 其特征在于， 所述步骤A3中所需测试样本数据集的表达式为： 其中， x为收集到的数据， 为标准化处理后的训练样本数据， 为数据均值， σ 为标准差 。 5.根据权利要求1所述的一种基于CNN ‑BiLSTM的船舶运动姿态预测方法， 其特征在于， 所述步骤S2具体为： 初始化CN N网络的参数包括卷积层、 池化层、 卷积激活函数； 初始化BiLSTM 网络的参数包括隐含层、 隐含层神经元、 输入层、 输出层、 激活函数、 优化 器、 学习率因子； 同时为了进行正则化以及防止过拟合， 设定dropout。 6.根据权利要求1所述的一种基于CNN ‑BiLSTM的船舶运动姿态预测方法， 其特征在于， 所述步骤S 3中特征提取的方式为： CNN通过卷积层 对测试集数据进 行卷积计算后， 使用设定 的激活函数提取输入数据的局部特征信息， 池化层 对卷积层进行采样从而减少网络计算量 以及参数个数， 同时设定dropout层避免过拟合， 最后输出特征序列作为后续BiLSTM的输 入。 7.根据权利要求6所述的一种基于CNN ‑BiLSTM的船舶运动姿态预测方法， 其特征在于， 所述步骤S4中船舶运动姿态测试集预测数据的获取方法具体为： 将获取的特征序列输入到 BiLSTM网络中， 通过Bi LSTM网络对输入的特 征数据进行处 理， 具体的处 理过程为： ft＝σ(Wf·[ht‑1,xt]+bf) it＝σ(Wi·[ht‑1,xt]+bi)权　利　要　求　书 1/2 页 2 CN 114021441 A 2ot＝σ(Wo[ht‑1,xt]+bo) ht＝ot*tanh(Ct) 其中， ft、 it、 ot分别代表遗忘门、 输出门、 输入门三种门结构； ht‑1为t‑1时刻隐藏层的输 出信息； ht为t时刻隐藏层的输出信息， 也就是获取到船舶运动姿态测试集预测数据； Wi,Wf, Wc,W0代表不同连接层之间的权重； bi,bf,bc,b0代表不同连接层的偏移； 为t时刻输入门的 单元状态； Ct为t时刻输出的单 元状态； sigmo id简写为σ， 和tanh同为激活函数。 8.根据权利要求1所述的一种基于CNN ‑BiLSTM的船舶运动姿态预测方法， 其特征在于， 所述步骤S5中通过评价 函数对预测结果的效果进行判定 。 9.根据权利要求8所述的一种基于CNN ‑BiLSTM的船舶运动姿态预测方法， 其特征在于， 所述步骤S5中评价函数选用均方根误差以及平均绝对百分比误差作为误差评价指标， 公式 如下： 权　利　要　求　书 2/2 页 3 CN 114021441 A 3