(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 202111594714.6 (22)申请日 2021.12.24 (71)申请人 武汉理工大 学 地址 430070 湖北省武汉市洪山区珞狮路 122号 申请人 武汉理工大 学三亚科教创新园 (72)发明人 朱曼　熊泽爽　黄亮　文元桥　 黄亚敏　万程鹏　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 代理人 罗飞 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06N 20/10(2019.01) G06N 20/20(2019.01) G06K 9/62(2022.01) (54)发明名称 一种基于stacking模型融合的船舶运动黑 箱辨识建模与运动预测方法 (57)摘要 本发明提供了一种基于stacking模型融合 的船舶运动黑箱辨识建模与运动预测方法， 其中 的船舶运动黑箱辨识建模 方法包括： S1通过传感 器获取船舶的运动数据， S2： 对获取的船舶的运 动数据进行预处理， S3： 使用K折交叉验证方法基 于训练集生成训练好的基学习器， 并将测试集输 入训练好的基学习器， 分别得到三个训练好的基 学习器对测试集的预测结果； S4： 将三个训练好 的基学习器对测试集的预测结果作为下一层元 学习器的特征值， 将真实值作为标签， 使用线性 回归的方式构建元学习器， 作为船舶运动黑箱辨 识模型。 本发明结合了几个基学习器的优点， 其 拟合能力强、 泛化能力好， 对于船舶运动姿态的 预测精度和效率都得到 了提高。 权利要求书2页 说明书9页 附图2页 CN 114357872 A 2022.04.15 CN 114357872 A 1.一种基于stack ing模型融合的船舶运动黑箱辨识建模方法， 其特 征在于， 包括： S1： 通过传感器获取船舶的运动数据， 包括船舶的航速、 航向与舵角信息以及记录时的 海况信息， 根据船舶的航速和航向计算得到转向角速度； S2： 对获取的船舶的运动数据进行预处理， 将预处理后的数据分别两部分， 第一部分包 括训练集和 测试集， 第二部分为验证集； S3： 选取LSTM、 SVM和 XGBoost作为基学习器， 使用K折交叉验证方法基于训练集生成训 练好的基学习器， 并将测试集输入训练好的基学习器， 分别得到三个训练好的基学习器对 测试集的预测结果， 其中， 基学习器的输入数据为当前转向角速度和舵角信息， 输出数据为 下一时刻的转向角速度； S4： 将三个训练好的基学习器对测试集的预测结果作为下一层元学习器的特征值， 将 真实值作为标签， 使用线性回归的方式构建元 学习器， 作为船舶运动黑箱辨识模型。 2.如权利要求1所述的船舶运动黑箱辨识建模方法， 其特征在于， 所述步骤S1中以转向 单自由度的船舶运动数 学模型作为 辨识的目标， 其中， 转向的船舶运动数 学模型为： 其中， T表示转向时间常数， K是舵角增益， n3是非线性项系数， n1是关于船舶稳定性的系 数， r表示转向角速度； 采用欧拉 法对船舶运动数 学模型进行离 散化， 离散化后的数 学模型为： 其中， Δr(k+1)表示k+1采样点的转向角速度相对于k采样点的转向角速度的变化量， Δr(k)表 示k采样点的转向角速度相对于k ‑1采样点的转向角速度的变化量， Δt表 示k采样 点和k‑1采样点之间的时间间隔， Δδ(k)表示表示k采样点的舵角相对于k ‑1采样点的舵角 的变化量。 3.如权利要求1所述的船舶运动黑箱辨识建模方法， 其特征在于， 步骤S2对获取的船舶 的运动数据进行 预处理， 包括： 对获取的船舶运动数据进行野值的剔除， 生成有效的初始数据； 对有效的初始数据进行归一 化。 4.如权利要求3所述的船舶运动 黑箱辨识建模方法， 其特征在于， 对获取的船舶运动数 据进行野值的剔除时采用Hampel滤波方法， 有效的初始数据包括船舶转向角和舵角信息， 其形式为Z(k)和Δr(k+1)构成的输入输出对， Δr(k+1)＝θ Z(k) Z(k)＝[Δr(k)3,Δr(k),Δ δ(k)]T 其中， Δr(k+1)作为输出， 表示k+1采样点的转向角速度相对于k采样点的转向角速度 的变化量， θ为输入输出之间的线性关系式， Z(k)作为输入， 它为包含Δr(k)3、 Δr(k)和Δδ (k)的矩阵， Δr(k)表 示k采样点的转向角速度相对于k ‑1采样点的转向角速度的变化量， Δ δ(k)表示表示 k采样点的舵角相对于k ‑1采样点的舵角的变化 量。 5.如权利要求3所述的船舶运动 黑箱辨识建模方法， 其特征在于， 对有效的初始数据进 行归一化， 包括权　利　要　求　书 1/2 页 2 CN 114357872 A 2其中， x为有效的初始数据， xmin为x中的最小值， xmax为x中最大值， x'为归一化后的数 据。 6.如权利要求1所述的船舶运动黑箱辨识建模方法， 其特征在于， S3采用的K折交叉验 证方法， K值选择为5， 具体为： 将第一部 分数据划分为相等的5份， 将1份作为测试集， 其余的 4份作为训练集训练基学习器； 每一次的交叉验证包括利用训练集训练模型和基于训练好 的模型对测试集进行预测； 重复5次交叉验证， 将每次对测试集的预测进行结合， 得到最终 预测结果。 7.如权利要求1所述的船舶运动黑箱辨识建模方法， 其特征在于， 所述方法还包括， 采 用验证集对构建的船舶运动黑箱辨识模型进行验证， 使用均方误差MSE和均方根误差RMSE 对结果进行评价。 8.一种基于stacking模型融合的船舶运动黑箱辨识的运动预测方法， 其特征在于， 将 待预测数据作为特征值输入到权利要求1至6任一项权利要求所构建好的船舶运动黑箱辨 识模型中， 得到预测结果。权　利　要　求　书 2/2 页 3 CN 114357872 A 3