一种基于深度学习的船舶横摇集成预测方法及系统

1.本发明涉及船舶横摇运动预测方法，尤其涉及一种基于深度信念网络的船舶横摇集成预测方法及系统。


背景技术：

2.在航运业蓬勃发展的新时期下，船舶在波浪中的运动性能一直受到研究人员广泛的关注。船舶以某一速度在海上航行时，会受到海风、海浪、海流等环境因素影响，从而产生剧烈的具有六个自由度的摇荡运动，对船舶航行的安全性造成极大影响。而剧烈的横摇运动会引起船舶倾斜，也是六自由度运动中最危险的状态之一。船舶横摇运动包含低频分量和高频分量，低频分量由船舶的螺旋桨推力、舵力等产生，高频分量则是由海浪引起，随海浪的起伏而进行往复运动，海况等级越高，横摇变化越快，导致横摇运动具有极强的随机性和非线性特征。
3.为了满足船舶海上航行的安全性以及执行特定作业的需要，许多学者投入到船舶运动横摇运动预测问题的研究中。神经网络在船舶姿态预测方面已经发展成了一种有效可靠的工具。其中，深度信念网络是一种高效的深度学习神经网络模型，具有较强的数据分析和特征提取的能力。但是对于具有非平稳、非线性特征的船舶横摇运动序列，直接对其建立预测模型，很难获取船舶运动内在变化规律，需要进行适当的分解过程。其次，预测模型的参数设置对性能有很大的影响，在实际优化网络模型问题中，网络模型的超参数往往受到两种及以上的因素影响，传统单目标优化方法也无法满足需求。最后，适当的误差修正方法也是提高混合模型预测性能的有效措施之一。因此，我们希望能够通过一定的数据处理过程提高神经网络模型的预测能力，实现船舶横摇运动的高精度预测。
4.本发明的研究团队在之前所提出的发明专利申请“一种船舶三自由度的混合神经网络模型预测方法及系统”中，提供了一种自适应经验小波分解方法用于处理原始船舶三自由度数据，但经过长期研究，原始数据经过自适应经验小波分解后的子序列还存在较高非平稳性，需要使用样本熵检测，对所有子序列进行检测，然后再使用变模态经验分解方法进行二次分解，实现对原始数据的最佳处理。


技术实现要素：

5.本发明的目的是针对目前船舶横摇运动预测精度较低的问题，提供一种基于二次分解、多目标优化和自适应误差修正的深度信念网络集成预测方案。
6.本发明的技术方案提供一种基于深度学习的船舶横摇集成预测方法，通过船舶上安装的姿态传感器所获取原始船舶横摇数据进行横摇运动预测，包括如下步骤：
7.1)由船舶上安装的姿态传感器获取原始船舶横摇数据，将原始船舶横摇数据通过重采样进行解码得到船舶横摇时间序列；
8.2)采用自适应二次分解对原始船舶横摇数据进行预处理，降低原始数据的非线性和非平稳特征，包括首先将船舶横摇时间序列采用经验小波变换ewt分解，自适应地对原始
数据分解为若干个较平稳的子序列，再对每个子序列进行样本熵计算，检测每个子序列的复杂程度，选择样本熵值最大的子序列送至二次分解阶段；然后采用变模态经验分解vmd对样本熵值最大的子序列进行二次分解，降低子序列复杂程度；
9.3)基于步骤2)二次分解后得到的子序列，划分为训练集、验证集和测试集；
10.4)选用每个子序列中的训练集建立多输入多输出mimo策略下的深度信念网络模型dbn；所述dbn模型是一种多步预测模型，包括可视层、隐含层和输出层，并使用mimo策略克服一步输出的误差累计效应；模型中的可视层用于输入样本数据，隐含层通过逐层训练学习提取样本数据的特征；输出层采用梯度下降方法对整个网络权重进行反向微调，使dbn特征向量映射结果达到最优；
11.5)将步骤3)所得验证集输入至步骤4)所得初始的dbn模型，使用多目标水母搜索方式mojs优化dbn模型的超参数，包括神经元初始权重、隐含层节点数和学习率；设置均方根误差mse和标准差sd作为优化的目标函数，分别从稳定性和预测精度方面寻找dbn模型的最优超参数；根据实际需要从优化结果形成的pareto前沿中选择一组作为最优解；
12.6)建立自适应误差修正模型，获取最终预测结果；包括根据步骤5)优化超参数后的dbn模型预测的船舶横摇数据和实际数据计算得到误差时间序列，先使用ljung-box q-test检测误差序列的自相关性，若不通过检验，则建立arima修正模型，得到修正后的误差序列，与初步预测数据相加后得到最终预测结果；
13.7)评价步骤6)得到的多目标优化和自适应误差修正后的dbn模型，包括将步骤3)所得测试集输入步骤6)所得多目标优化和自适应误差修正的dbn模型进行鲁棒性测试，对预测结果进行误差分析，输出船舶横摇集成预测结果。
14.而且，步骤2)中，通过经验小波变换对船舶横摇子序列的fourier频谱进行自适应的频带划分，然后提取需要的分量信号。
15.而且，步骤2)中，样本熵作为时间序列复杂性测度，用一个非负数来表示某个时间序列的复杂性。
16.而且，步骤2)中，通过变模态经验分解将信号以完全非递归的方式变分为若干个模态函数，再自适应地匹配每种模态的最佳中心频率和有限带宽，实现信号的频域划分、分量的有效分离，最终获得变分问题的最优解。
17.而且，步骤4)中，dbn模型由若干层受限玻尔兹曼机rbm和一层反向传播bp网络堆叠组成，rbm用于逐层训练，bp网络用于反向微调。
18.而且，步骤4)中，mimo策略数学表达式如下：
[0019][0020]
其中，wi、wo、bi、bo分别为输入层与隐含层、隐含层与输出层的连接权重和偏置，i表示input，o表示output，x为输入，h为隐含层输出，为输出层输出，l为数据长度。
[0021]
而且，步骤5)中，多目标水母搜索方式使用pareto最优方法，提供若干种均衡方案选择；搜索结果形成pareto前沿，pareto前沿上的每一种解决方案都是最优解。
[0022]
而且，步骤6)中，arima模型在arma模型基础上，对时间序列进行d阶差分使其转换为平稳时间序列；再使用arma模型对转化后的平稳序列进行拟合。
[0023]
另一方面，本发明提供一种基于深度学习的船舶横摇集成预测系统，用于实现如上所述的一种基于深度学习的船舶横摇集成预测方法。
[0024]
而且，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种基于深度学习的船舶横摇集成预测方法。
[0025]
与现有技术相比，本发明具有以下优点和有益效果：
[0026]
1.结合经验小波变换和变模态经验分解的自适应二次分解方法，与现有的一次分解技术相比，有效降低了原始船舶横摇运动序列的非线性、非平稳性，提升了所提模型捕获横摇运动的内在变化规律的能力；
[0027]
2.基于多输入多输出策略的深度信念网络多步预测模型，直接输出横摇运动多步预测结果，避免了多步预测的误差累计，并提高了预测模型计算速度；
[0028]
3.采用多目标水母搜索方法优化深度信念网络模型的超参数，与现有单目标优化方法相比，具有更快的搜索速度，避免陷入局部最优解；
[0029]
4.建立自适应误差修正模型，提高整体预测模型对船舶运动序列变化规律学习的能力。
附图说明
[0030]
图1是本发明实施例所提预测模型完整结构图。
[0031]
图2是本发明实施例深度信念网络模型结构图。
具体实施方式
[0032]
下面将结合实施例和附图，对本发明的技术方案进行清楚、完整地描述。
[0033]
参见图1，本发明实施例基于二次分解、多目标优化和自适应误差修正，提供的基于深度学习的船舶横摇集成预测方法的步骤如下：
[0034]
步骤1：由船舶上安装的姿态传感器获取原始船舶横摇数据，将原始船舶横摇数据通过重采样进行解码得到船舶横摇时间序列；
[0035]
船舶横摇运动时间序列为s(t)，t∈[1,n]。s(t)表示船舶横摇运动时间序列中t时刻的船舶横摇运动数据。n表示采集时刻的数量，实施例中n＝1800。
[0036]
步骤2：采用自适应二次分解技术对原始船舶横摇数据进行预处理，降低原始数据的非线性和非平稳特征。首先将船舶横摇时间序列采用经验小波变换(ewt)分解方法，自适应地对原始数据分解为若干个较平稳的子序列。但考虑到可能某个子序列还存在较高的非平稳性，本发明在之前研究的基础上，进一步提出：再对每个子序列，进行样本熵计算，检测每个子序列的复杂程度，选择样本熵值最大的子序列送至二次分解阶段。然后采用变模态经验分解(vmd)技术对样本熵值最大的子序列进行二次分解，降低子序列复杂程度。
[0037]
步骤2.1经验小波分解(ewt)
[0038]
经验小波变换的核心步骤是对船舶横摇子序列的傅里叶频谱进行自适应的频带划分，然后提取需要的分量信号，具体步骤如下：
[0039]
step 1：将船舶横摇原始时间序列s(t)分解为m 1个调幅-调频信号之和，s(t)表
示时间为t的船舶横摇角度，m表示调幅-调频信号的个数，并求解每个调幅-调频信号的傅里叶谱：
[0040][0041]fi
(t)＝fi(t)cos(φi(t))
[0042][0043]
其中，fi(t)表示第i个在t时刻的调幅-调频信号，fi(t)表示第i个在t时刻的调幅函数，φi(t)表示第i个在t时刻的调频函数，表示对第i个在t时刻的调幅-调频信号fi(t)进行傅里叶变换，fi(ω)表示第i个在角频率ω处的傅里叶频谱；
[0044]
step 2：根据微积分里的二阶求导法则，求解傅里叶频谱的极大值点，将傅里叶频谱在[0,π]区间分割成m个连续的片段，傅里叶频谱两个相邻极大值点之间的中点用ωn表示，并用γn＝[ω
n-1
,ωn]表示分割出来的每段区间；
[0045]
step 3：使用γn上的频带区间定义经验小波，计算细节系数和近似系数：
[0046][0047][0048]
其中，ψn(t)表示第n个在t时刻的经验小波函数，φ1(t)表示第1个在t时刻经验尺度函数，w(n,t)表示第n个经验小波分量在t时刻的细节系数，w(0,t)表示经验尺度分量在t时刻的近似系数；f(τ)表示位于自变量τ的经验小波分量；表示在自变量τ范围内t时刻的第n个经验小波函数积分表达式，n表示小波函数积分表达式的个数；表示在自变量τ范围内t时刻的第1个经验尺度函数积分表达式。
[0049]
step 4：根据细节系数w(n,t)和近似系数w(0,t)，可以得到分解后的经验模态分量，也即分解后的序列矩阵。
[0050]
所述分解后的经验模态分量为：
[0051]
f0(t)＝w(0,t)*φ1(t)
[0052]fn
(t)＝w(n,t)*ψn(t),n＝1,2,...,m
[0053]
其中，*表示卷积，f0(t)表示第一个t时刻的经验尺度分量，fn(t)表示第n个在t时刻的经验小波分量。
[0054]
步骤2.2样本熵计算
[0055]
样本熵作为一种时间序列复杂性测度方法，用一个非负数来表示某个时间序列的复杂性。船舶横摇时间序列经过经验小波变换分解得到的一次子序列为f0(t)、f1(t)、
…
、fn(t)，子序列个数为n 1，t＝1,2,...,l，l表示每个子序列长度，船舶横摇运动第n个子序列的样本熵检测具体步骤如下：
[0056]
step 1：将fn(t)重构成矩阵形式，即：
[0057][0058]
其中，sub表示第n个子序列fn(t)的矩阵形式，定义sub在i处分量为sub(i)＝[fn(i),fn(i 1),...,fn(l-m i)]，i表示自变量，m表示样本熵矩阵嵌入维数；
[0059]
step 2：计算矩阵sub的标量分量之间的绝对最大差值：
[0060][0061]
其中，d[sub(i),sub(j)]表示sub(i)和sub(j)的之间距离，sub(i)表示sub在i处的矩阵分量，sub(j)表示sub在j处的矩阵分量，j表示自变量，i≠j；
[0062]
step 3：对于每一个sub(i)，统计d[sub(i),sub(j)]小于样本熵相似容限r的数量nr(i)，并求nr(i)与距离总数的比值b(i)：
[0063]
nr(i)＝{i|d[sub(i),sub(j)]＜r,i≠j,1≤i≤t-m 1}
[0064][0065]
其中，r为样本熵相似容限，nr(i)表示sub在i处d[sub(i),sub(j)]小于样本熵相似容限r的数量，b(i)表示nr(i)与距离总数t-m 1的比值；
[0066]
step 4：计算b(i)对距离总数(t-m 1)个值的平均值，记为bm(r)：
[0067][0068]bm
(r)表示嵌入维数为m时b(i)从距离1到(t-m 1)的平均值；
[0069]
step5：计算样本熵：
[0070][0071]
sampen表示子序列的样本熵值。
[0072]
step 6：重复step 1-5，计算n 1个子序列的样本熵值，并相互比较，找出样本熵值最大的子序列f
max
(t)。
[0073]
步骤2.3变模态经验分解
[0074]
变模态经验分解技术将信号以完全非递归的方式变分为若干个模态函数，模态函数的个数可以人工确定，或者根据经验预先设定，可以匹配每种模态的最佳中心频率和有限带宽，实现信号的频域划分、分量的有效分离，最终获得变分问题的最优解。
[0075]
将样本熵值最大的子序列f
max
(t)作为变模态经验分解的原始信号，变模态经验分解的具体过程如下：
[0076]
step 1：构造变分问题。原始信号f
max
(t)被分解为k个模态，表示为{uk}＝{u1,u2,...,uk}，uk表示第k个模态分量，k∈[1,k]，它们的中心频率为{ωk}＝{ω1,ω2,...,ωk}，ωk表示第k个模态分量的中心频率，求解各模态的最小化估计带宽之和：
[0077][0078][0079]
其中，*表示卷积，表示2的范数，t表示时间自变量，表示对时间自变量t的偏导数，δ
t
表示时间为t的狄拉克分布，j表示数值的虚部，π表示圆周率，表示每个模态uk进行希尔伯特变换，表示约束条件，f
max
表示样本熵值最大的子序列；
[0080]
step 2：求解变分问题。引入拉格朗日乘法算子λ，得到增广拉格朗日表达式如下：
[0081][0082]
其中，lagrange表示增广拉格朗日值，α表示二次惩罚因子，为了降低高斯噪声的干扰；表示2的范数；
[0083]
step 3：利用交替方向乘子迭代方法求解上述变分问题，并搜寻增广lagrange函数的鞍点，交替寻优迭代后的uk，ωk和λ的表达式如下：
[0084][0085][0086][0087]
其中，和表示在频域上第n 1次迭代后最优的uk和λ，表示根据第n 1次迭代最优的计算得到的第n 1次迭代最优的ωk，k表示第k个模态分量，
“←”
表示迭代求解结果，γ为噪声容忍度，满足信号分解的保真度要求；
[0088]
step 4：对进行反傅里叶变换，得到分解后的次级序列：
[0089]
[0090]
其中，表示第n 1次迭代后最优的经过傅里叶逆变换得到的时域上的第k个模态分量，表示对频域上第n 1次迭代后最优的第k个模态分量进行傅里叶逆变换。
[0091]
步骤3：基于步骤2)二次分解后得到的子序列，划分为训练集、验证集和测试集；
[0092]
实施例中，优选将分解后的子序列按照8:1:1的数量比例划分为训练集、验证集和测试集。
[0093]
训练集：训练初始网络需要大量数据，设置数量0.8n；
[0094]
验证集：对初始网络优化，设置验证集数量为0.1n；
[0095]
测试集：评估整个预测模型方法的性能，设置测试集数量为0.1n。
[0096]
步骤3所述训练集用于训练初始深度信念网络模型；
[0097]
步骤3所述验证集用于超参数优化和建立自适应误差修正模型；
[0098]
步骤3所述测试集用于测试模型的鲁棒性。
[0099]
步骤4：选用每个子序列中的训练集建立多输入多输出(mimo)策略下的深度信念网络(dbn)多步预测初始模型。深度信念网络模型包括可视层、隐含层和输出层，并使用多输入多输出策略克服了一步输出的误差累计效应。模型中的可视层用于输入样本数据，隐含层通过逐层训练学习提取样本数据的特征。输出层采用梯度下降方法对整个网络权重进行反向微调，使深度信念网络特征向量映射结果达到最优；
[0100]
参见图2，rbm 1为输入层和第1层隐含层组成的第1个受限玻尔兹曼机，rbm 2为第1层隐含层和第2层隐含层组成的第2个受限玻尔兹曼机，rbmm为第m-1层隐含层和第m层隐含层组成的第m个受限玻尔兹曼机，bp为第m个隐含层与输出层组成的反向传播神经网络，m为隐含层个数，建议取值范围为2～50。深度信念网络模型由若干层受限玻尔兹曼机(rbm)和一层反向传播(bp)网络堆叠组成，受限玻尔兹曼机用于逐层训练，反向传播网络用于反向微调。深度信念网络模型训练分两个阶段：
[0101]
1)预训练。预训练是指逐层训练受限玻尔兹曼机，受限玻尔兹曼机的能量函数为
[0102][0103]
其中，nv，mh分别代表可视层与隐含层神经元节点数，v表示可视层，h表示隐含层，vi表示第i个神经元可视层状态，表示第i个神经元可视层偏置，v表示可视层，hj表示第j个神经元隐含层状态，表示第j个神经元隐含层偏置，h表示隐含层，w
ij
表示可视层第i个神经元与隐含层第j个神经元之间的连接权值，e表示受限玻尔兹曼机的能量函数。
[0104]
更新受限玻尔兹曼机参数：
[0105]wij
(τ 1)-w
ij
(τ)＝η(《v
ihj
》
d-《v
ihj
》m)
[0106][0107]
[0108]
其中，τ是迭代次数，η表示受限玻尔兹曼机训练的学习率，《
·
》d是输入样本数据的期望值，《
·
》m是模型通过训练学习数据分布，计算得到的期望值。
[0109]
2)反向微调。假设y和分别为深度信念网络的实际输出和预测输出。输出层的损耗函数为：
[0110][0111]
其中，f(τ)为第τ次迭代的损耗函数，ny为验证集的训练样本总数，y表示验证集，y(i)表示在i时刻的实际输出，表示在i时刻的深度信念网络的预测输出。因此，深度信念网络输出层与上一层隐含层之间的连接权值更新函数为：
[0112][0113]
其中，η'是反向传播网络的学习率，w
out
(τ)为第τ次迭代时输出层与上一层隐含层之间的连接权值，w
out
(τ 1)为第τ 1次迭代时输出层与上一层隐含层之间的连接权值。
[0114]
多输入多输出(mimo)策略数学表达式如下：
[0115][0116]
其中，wi、wo、bi、bo分别为输入层与隐含层、隐含层与输出层的连接权重和偏置(i表示input，o表示output)，x为输入，h为隐含层输出，为输出层输出，l为数据长度。
[0117]
步骤5：使用多目标水母搜索方法(mojs)优化深度信念网络模型的超参数，包括神经元初始权重、隐含层节点数和学习率。设置均方根误差(mse)和标准差(sd)作为优化的目标函数，分别从稳定性和预测精度两个方面寻找深度信念网络模型的最优超参数。根据实际需要从优化结果形成的帕累托前沿中选择一组作为最优解；
[0118]
使用多目标水母搜索方法(mojs)对深度信念网络网络的神经元初始权重、隐含层节点数和学习率进行优化，获取最优解帕累托前沿。
[0119]
多目标水母搜索方法使用帕累托(pareto)最优方法，能够提供若干种均衡方案选择。搜索结果形成帕累托前沿，帕累托前沿上的每一种解决方案都是最优解。多目标水母搜索方法的具体步骤如下：
[0120]
step 1：设置目标函数为均方根误差(mse)和标准差(sd)。mse表示预测结果与实际结果之间的偏差，sd表示预测结果的离散度，这样得到的最优结果既能保证模型的有效性，又能防止过拟合；
[0121][0122]
其中，表示第i个预测值，yi表示第i个实际值，n
t
为测试集总样本数，t表示test，表示对第i个预测值和实际值求平均；
[0123]
step 2：初始化种群。种群总数设置为200，迭代次数设置为100。使用混沌图产生水母初始位置，混沌图定义为chao，其具体操作步骤如下：
[0124][0125]
其中，chao表示混沌图，表示具体操作，α表示混沌图系数；xi'表示第i次迭代时水母在该位置的混沌值；xi'
1
表示第i 1次迭代时水母在该位置的混沌值；x
i 1
表示第i 1次迭代水母所处的位置；x
min
表示第i次迭代水母位置的最小值；x
max
表示第i次迭代水母位置的最大值；
[0126]
step 3：水母搜索。先计算时间控制函数c(t)计算，计算公式如下：
[0127][0128]
其中，t表示迭代的次数，t
max
为最大迭代次数；rand(0,1)表示为在0和1之间的随机数，|
·
|表示绝对值；水母移动过程为：
[0129][0130][0131]
其中，表示时间向量，xi(t 1)表示第t 1次迭代的水母位置，ei(t)表示第t次迭代的精英种群；表示张量积，levy为飞行的步长；表示第t次迭代的精英解；n
p
表示种群数；rand(0,1)表示为在0和1之间的随机数；
[0132]
step 4：判断存档空间是否溢出，若是，则删除存档中多余的方案，过程如下：
[0133][0134]
其中，ni表示在第i个部分得到的解的数量；pi'表示每一部分被选中的概率；并将概率最大的解的方案删除；
[0135]
step 5：判断t是否达到最大迭代次数，若是，则输出帕累托最优解；否则，返回step3。
[0136]
步骤6：建立自适应误差修正模型，获取最终预测结果。根据优化超参数后的深度
信念网络多步预测模型预测的船舶横摇数据和实际数据计算得到误差时间序列，先使用ljung-box q-test检测误差序列的自相关性，若不通过检验，则对其建立差分整合移动平均自回归修正模型，得到修正后的误差序列，与初步预测数据相加后得到最终预测结果；
[0137]
ljung-box q-test是一种检测残差是否自相关的方法，用来评估残差对于一系列固定的滞后阶数是否自相关。
[0138]
它的两种假设定义如下：
[0139]
h0：数据都是独立的，即总体的相关系数为0，能观察到的某些相关仅仅产生于随机抽样的误差；
[0140]
h1：数据不是独立的。
[0141]
构造统计量q的表达式为：
[0142][0143]
其中，t为样本容量，lag为自相关滞后的阶数，ρ(k)为k阶滞后的自相关系数。
[0144]
在h0成立的条件下，q服从自由度为lag的卡方分布。给定显著性水平α，则拒绝域是意味着认为原序列是白噪声序列，否则认为序列存在相关性。
[0145]
差分整合移动平均自回归模型(arima模型)在自回归滑动平均模型基础上，对时间序列进行d阶差分使其转换为平稳时间序列，d表示差分的阶数。再使用自回归滑动平均模型对转化后的平稳序列进行拟合。具体建模过程如下：
[0146]
step 1：对误差序列y
t
进行平稳性检验，y
t
表示t时刻的误差序列。如果检测为非平稳，对时间序列进行d阶差分使其转换为平稳时间序列x
t
，x
t
表示t时刻的平稳时间序列；
[0147]
step 2：采用akaike信息准则和贝叶斯信息准则对模型的自回归阶数p、滑动平均阶数q进行定阶；
[0148]
step 3：采用极大似然估计(mlp)法对自相关系数φi和滑动平均系数θj进行估计，φi表示第i个自相关系数，θj表示第i个滑动平均系数；
[0149]
step 4：建立自回归滑动平均模型：
[0150][0151]
其中，ε
t
表示t时刻的白噪声。
[0152]
步骤7：评价本发明提出的基于二次分解、多目标优化和自适应误差修正的深度信念网络多步预测模型，包括将测试集输入步骤6所得多目标优化和自适应误差修正的深度信念网络多步预测模型进行鲁棒性测试，对预测结果进行误差分析。
[0153]
为了便于理解本发明的技术效果，提供实施例的相应分析结果如下：
[0154] 平均绝对误差(度)平均绝对百分比误差(％)均方根误差(度)5步预测0.01494.57270.02167步预测0.02096.54340.02829步预测0.03088.25170.0566
[0155]
具体实施时，本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程，实现方法的系统装置例如存储本发明技术方案相应计算机程序的计
算机可读存储介质以及包括运行相应计算机程序的计算机设备，也应当在本发明的保护范围内。
[0156]
在一些可能的实施例中，提供一种基于深度学习的船舶横摇集成预测系统，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如上所述的一种基于深度学习的船舶横摇集成预测方法。
[0157]
在一些可能的实施例中，提供一种基于深度学习的船舶横摇集成预测系统，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种基于深度学习的船舶横摇集成预测方法。
[0158]
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。