(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110226036.1 (22)申请日 2021.03.01 (65)同一申请的已公布的文献号 申请公布号 CN 112948969 A (43)申请公布日 2021.06.11 (73)专利权人 哈尔滨工程大 学 地址 150001 黑龙江省哈尔滨市南岗区南 通大街145号哈尔滨工程大学科技处 知识产权办公室 (72)发明人 王宇超　王辉　傅荟璇　王成龙　 付明玉　邹德鑫　王秋苏　张明月　 顾志强　 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/27(2020.01)G06F 119/14(2020.01) (56)对比文件 CN 110232319 A,2019.09.13 US 201818186 0 A1,2018.0 6.28 CN 111626785 A,2020.09.04 审查员 刘小玲 (54)发明名称 一种基于LSTMC混合网络的船舶横摇预测方 法 (57)摘要 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LS TMC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。 权利要求书1页 说明书3页 附图3页 CN 112948969 B 2022.07.15 CN 112948969 B 1.一种基于LSTM C混合网络的船舶横摇预测方法， 其特 征在于， 包括如下步骤： 步骤1： 使用Pandas读取数据 集数据并进行数据的预处理， 每10步数据 为一组， 前8步的 数据作为训练数据用于拟合网络参数， 第9、 10步的数据作为预测数据， 每一组训练数据及 其预测数据为一个训练样本， 64个训练样本为一个批次， 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； 步骤2： 搭建LSTMC混合网络； 使用Keras高层接口Keras.Model.compile()方法进行模 型的装配， 设置参数Epoc h＝30， Batch size＝64， 优化器为Adam， 评价指标器为MSE、 MAPE； 步骤3： 训练LSTMC混合网络； 用Keras高层接口Keras.Mo del.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； 步骤4： 经过步骤3后得到混合网络的模型参数， 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； 所述步骤2中的LSTMC混合网络包括一层双向 LSTM网络、 两层卷积层、 两层最大池化层、 两层全连接层， 一层神经元连接随机组断层， 双向 LSTM层提取 数据的时间特 征， 两层卷积层提取 数据的空间特 征。 2.根据权利要求1所述的一种基于LSTMC混合网络的船舶横摇预测方法， 其特征在于， 所述双向LSTM网络神经 元个数为： 第一层64， 第二层10 0。权　利　要　求　书 1/1 页 2 CN 112948969 B 2一种基于LSTMC混合网 络的船舶横摇 预测方法 技术领域 [0001]本发明涉及船舶领域， 尤其涉及一种基于LSTM C混合网络的船舶横摇预测方法。 背景技术 [0002]船舶在海上航行时受到大风、 海浪以及洋流等不确定性外力的耦合影响， 由于船 舶整体受力情况非常 复杂， 此时船舶 会发生无规律的摇 摆。 在船舶的各种姿态角中， 其中横 摇对于船舶的安全性威胁最大。 不仅会影响船员的舒适感， 而且会对船舶的航行产生很大 的安全隐患， 所以船舶横摇预测一直是一个热门的课题。 2015年6月1号， 东方之星旅游客船 在长江中游湖北监利水域倾覆事的件就是一个悲痛的例子。 此次事件中， 经各方全力搜救， 事发时船上454人中仅有12人生还， 由此可见船舶横摇不仅对于船舶来讲是至关重要的， 对 于人的生命安全更加重要。 如果能预测船舶在未来几秒钟内的运动姿态， 那么当危险来临 时可以提前将船舶进行 预控制， 将极大地 提高船舶水 上作业时的安全性和稳定性。 [0003]在船舶运动姿态预测方面现有的预测算法主要有卡尔曼滤波法、 谱估计法、 艏前 波法、 基于自回归模 型的方法、 基于混沌 分析的方法和人工神经网络方法等。 本方法采用混 合神经网络作为预测模型， 神经网络有强大 的特征提取能力与非线性映射能力， 比较传统 方法有更好的预测效果。 但是单一神经网络预测模型在面对复杂多变的非线性时间序列时 往往难以有好的预测效果， 所以本方法采用LSTM模型与卷积模型的混合模型作为预测模 型。 混合预测模型在MSE、 MAPE等评价指标 上均优于单一模型。 发明内容 [0004]为了解决上述技术问题， 本发明提供了一种基于LSTMC混合网络的船舶横摇预测 方法。 [0005]本发明的目的是这样实现的： [0006]一种基于LSTM C混合网络的船舶横摇预测方法， 包括如下步骤： [0007]步骤1： 使用Pandas读取数据集数据并进行数据的预处理， 每 10步数据为一 组， 前8 步的数据作为训练数据用于拟合网络参数， 第9、 10步的数据作为预测数据， 每一组训练数 据及其预测数据为一个训练样 本， 64个训练样本为一个批次， 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； [0008]步骤2： 搭建LSTMC混合网络； 使用Keras高层接口Keras.Model.compile()方法进 行模型的装配， 设置参数Epoch＝30， Batch  size＝64， 优化器为Adam， 评价指标器为MSE、 MAPE； [0009]步骤3： 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； [0010]步骤4： 经过步骤3后得到混合网络 的模型参数， 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。 [0011]所述步骤2中的LSTMC混合网络包括一层双向LSTM网络、 两层卷积层、 两层最大池说　明　书 1/3 页 3 CN 112948969 B 3