一种基于IWOA-TCN-Attention模型的船舶姿态预测方法

本发明属于深度学习和计算机视觉，具体涉及一种基于iwoa-tcn-attention模型的船舶姿态预测方法。

背景技术：

1、近年来，随着愈加成熟的现代科技和工业化的繁荣发展，船舶工业作为我国的重要部分也越加的明显，对于国家的经济发展、国家领土安全、对外交流和军事实力的提高有着重要的意义。我国在近几十年的时间里，船舶工业有了一个质的飞跃，并且在船舶的制造行业中一直是处于一个逐步发展的姿态。针对海上作业的实际需求，为提高作业的安全性，降低作业的事故率，很多国家都在大力开展船舶运动预报技术的研究，由于船舶实际运动受到波浪的影响，因此在这一研究中，对于波浪影响下的船舶运动进行快速而准确的求解便成为了重要一步。

2、受海风、海浪和海流等开放海域环境的影响，处于真实海面上的船舶会产生艏摇、横摇、纵摇、垂荡、横荡、纵荡这六种摇荡运动，这种由外界环境的扰动作用引起的船舶摇荡运动被定义为船舶六自由度运动。由于实际海况相当复杂，在实际航行过程中，这六种摇荡运动甚至还会相互耦合成更加复杂的运动。此外，海浪与海风的运动是多变且复杂的，在海上航行或停留在海面的船舶会受到许多来自海洋环境的随机干扰。在上述的六个自由度中，其中横摇运动对其在海中正常作业产生的影响最大。剧烈的升沉运动也会严重影响船舶间货物补给、工程船深海作业、舰载直升机起降等海上作业的正常进行，这种影响在恶劣海况下会更明显。

3、目前，船舶运动姿态预测方法主要分为三大类:数学模型、统计模型和机器学习模型。数学模型在建模过程中，需要依靠经验知识进行参数选择和干扰设置，导致建模过程不易实现，预测误差较大。统计方法的建立需要大量准确的输入输出数据，计算繁琐。机器学习方法也有着很广泛的应用，长短期记忆神经网络，双向长短期记忆模型等神经网络模型方法。但是单一的神经网络模型对于船舶的姿态预测能力有限。

技术实现思路

1、针对上述研究的问题，本发明的目的在于：为了充分开发神经网络的处理能力，提高船舶姿态的预测效果，提出了一种基于iwoa-tcn-attention模型的船舶姿态预测方法。

2、为了解决上述技术问题，本发明采用的技术方案如下：

3、一种基于iwoa-tcn-attention模型的船舶姿态预测方法，包括如下步骤：

4、s1：获取船舶运动姿态的待处理三自由度数据，对数据进行预处理，主要包括以下部分：整理获取数据，截取数据大小，规范化处理；

5、进一步的，所述s1的具体步骤为：

6、s1.1：整理获取的船舶姿态数据，提取其中的三自由度(横摇角度、纵摇角度和升沉大小)数据。

7、s1.2：将获取的三自由度数据进行截取，数据每行间隔的采样时间为0.05秒，因此每个自由度截取1000行数据进行处理。

8、s1.3：由于数据的输入维度不同，并且存在噪声点，会影响神经网络模型的训练效果。因此为了使神经网络模型能够更加准确的对数据进行操作，需要将数据进行规范化处理。归一化是现有的规范化处理非常普遍的方法，采用minmaxscaler函数将数据映射到[1,-1]之间，以便接下来的操作。具体公式如下：

9、

10、xi是当前输入的数据，xmin是数据中最小的那一个值，xmax代表的是数据中最大的那个值，mi是最后归一化后得到的数据。

11、通过以上步骤可以对三自由度的数据进行预处理工作。

12、s2：利用鲸鱼优化算法(whale optimization algorithm,woa)进行改进，提出一种更好的自动寻优方法，其中主要包括以下部分：设计改进原始优化算法的方法策略，初始化优化算法的参数。

13、进一步的，所述s2的具体步骤为：

14、s2.1：采用流行的智能优化算法(iwoa)的特点进行改进优化，得到一种改进型的智能优化算法框架，在保留woa算法操作简单、参数少、性能优越等优点的基础上，提高woa算法解决高维空间优化问题的能力，避免陷入局部最优和避免算法后期出现停滞等问题。在一次迭代开始时，需要为每个鲸鱼设定一个初始位置，并生成初始种群。每个鲸鱼都会按照一定的规则探索空间。这个过程可以模拟鲸鱼包围、追捕和攻击猎物的过程。每当鲸鱼移动的时候，都会对当前的鲸鱼种群计算适应度值，如果当前的适应度值优于之前的适应度值，则将当前适应度值设为最优解。当所有的鲸鱼都完成了移动和评估后，算法会更新所有鲸鱼的位置，并重复以上步骤。鲸鱼优化算法可以进行多次迭代，直到找到最优解为止。

15、s2.2：iwoa优化算法从两方面进行改进，分别为非线性收敛因子和自适应权重和差分变异操作。由于收敛因子进行线性变化并不能很好地调节全局搜索能力和局部开发能力，因此本文提出一种非线性收敛因子，具体公式如下：

16、

17、鲸鱼优化算法在后期局部开发时易陷入局部最优，出现早熟收敛的现象，为了使算法能够保持种群的多样性并且能够及时跳出局部最优，提出一种自适应权重策略，从而提高算法的寻优能力。定义如下：

18、当|a|＜1，p＜0.5时，x(t+1)公式如下所示：

19、

20、当|a|≥1，p＜0.5时，x(t+1)公式如下所示：

21、

22、当p≥0.5时，x(t+1)公式如下所示：

23、

24、其中，表示猎物位置的自适应全权重，t代表当前迭代次数，tmax表示最大迭代次数。

25、同时，引入差分变异策略，将随机选择的个体和当前最优的个体进行随机差分生成新个体。增加种群的多样性，避免算法因早熟收敛而陷入局部最优。随机差分变异策略公式如下所示：

26、x(t+1)＝r1(x*(t)-x(t))+r2(x′(t)-x(t))

27、其中，r1和r2为[0,1]的随机数；x′(t)为种群随机选取的个体。

28、s2.3：iwoa优化算法的参数初始化：设定优化算法的参数包括种群的规模、迭代次数、速度的取值范围。

29、通过以上步骤得到具有最有效果的智能优化算法框架。

30、s3：利用时域卷积网络(temporal convolutional network,tcn)和注意力机制(attention mechanism)的特点进行结合，提出一种组合神经网络模型tcn-attention网络模型；

31、进一步的，所述s3的具体步骤为：

32、s3.1：在tcn模型的基础上，增加注意力机制，通过注意力机制，赋予tcn层处理后的基础特征新的权重值，区分重要特征与不重要的特征。最后通过全连接层输出预测结果。

33、s3.2：采用tcn-attention网络实现的具体步骤如下：

34、a1：输入层输入船舶运动姿态的时间序列进行训练；

35、a2：tcn网络层主要由一维全卷积、因果卷积和空洞卷积组成。主要从时间序列中提取与船舶姿态相关的基础特征集；

36、a3：attention机制为深层特征自动计算相应的权重分配并与其合并为新的向量。该层输入为tcn的输出向量，permute层将输入的维度按照给定的模型进行重排，multiply层将attention的输出与tcn网络层的输出完成位与位相乘输出，实现了对隐层单元的动态加权过程，从而突出关键特征对船舶姿态预测的影响；

37、a4：输出层为全连接层，接受来自attention机制加权处理后的输出向量，将其处理为船舶运动姿态的预测值；

38、s4：采用iwoa优化算法对tcn-attention神经网络的参数进行自动寻优，充分开发神经网络的处理能力。

39、进一步的，所述s4的具体步骤为：

40、s4.1：tcn-attention网络结构的初始化：确定网络输入层、输出层、隐含层的层数、隐藏层的神经元个数和学习率因子；

41、s4.2：采用iwoa算法框架优化tcn-attention网络的参数具体步骤如下：

42、a1：将tcn-attention网络的卷积核个数(filter_nums)、卷积核个数(kernel_size)等参数设置为种群中的个体；

43、a2：调用适应度函数，找到当前最佳适应度位置；

44、a3：采用iwoa算法框架进行优化，根据框架中的优化算法更新个体位置。iwoa算法更新下一次搜索位置公式如下所示：

45、

46、其中，表示猎物位置的自适应全权重，t代表当前迭代次数，tmax表示最大迭代次数，随着迭代次数的增加权重系数不断增加，意味着iwoa中包围猎物阶段和随机搜索猎物阶段，即p＜0.5时，在猎物位置引入自适应权重，以便寻优问题中的最优解被充分利用；同时，在螺旋更新位置阶段采用的自适应权重随着迭代次数的增加，鲸鱼将不断接近猎物，此时采用较小的权重改变猎物位置，以便提高算法局部开发能力，从而提高算法的寻优精度。

47、同时，引入差分变异策略，将随机选择的个体和当前最优的个体进行随机差分生成新个体。增加种群的多样性，避免算法因早熟收敛而陷入局部最优。随机差分变异策略如下式所示：

48、x(t+1)＝r1(x*(t)-x(t))+r2(x′(t)-x(t))

49、其中，r1和r2为[0,1]的随机数；x′(t)为种群随机选取的个体。

50、a4：根据iwoa算法框架策略，重复步骤a3；

51、a5：达到最大迭代次数后输出最佳适应度值和对应的位置；

52、s5：将得到的最佳适应度值对应的最佳参数赋值给tcn-attention网络，进行训练后预测船舶三个自由度数据。

53、进一步的，所述s5的具体步骤为：

54、将数据按4：1分为训练数据集和测试数据集，按照得到的最佳适应度值所得到最佳参数设置tcn-attention网络，采用设置的tcn-attention网络对数据进行处理，具体的处理过程如下：

55、

56、et＝vtanh(wht+b)

57、at＝soft max et

58、

59、式中：x为输入序列；s-d*i为对时序数据信息的索引；f(i)为卷积核的第i个元素；ht为tcn模型隐层的输出；et为ht对应的attention权重值；w，v为所需要训练的权重参数；b为偏置系数；at为归一化指数函数(softmax)计算后ht对应的attention权重值；y′t为模型输出的预测值。

60、训练集的数据采用tcn-attention网络进行训练后得到模型，再将测试集的数据传入模型中得到预测结果。

61、与现有技术相比，本发明的有益效果是：利用iwoa算法框架能够有效解决了原始的woa算法容易陷入局部最优和算法后期出现停滞等问题，利用该算法框架能有对tcn-attention网络参数进行自动寻优，充分的提高了网络的处理能力，与单一的神经网络模型相比，提高了预测精度，减少了预测误差。