一种基于LAQ模型的舰船运动预报方法

本发明涉及舰船作业（战）保障，具体是涉及一种基于laq模型的舰船运动预报方法。

背景技术：

1、舰船运动预报技术具有较强的军用价值和民用价值，但由于受到风、浪、流等荷载的耦合影响，舰船运动具有较强的时变性，现有方法难以准确模拟舰船运动非线性特征，导致出现预报精度不高、鲁棒性较差的问题。

2、舰船运动预报网络超参数的选取通常采用人工的方式，存在消耗时间长、超参选取不合适的问题。为此，本发明基于长短期记忆神经网络（long short term memory,lstm）、注意力机制（attention mechanism, am）和量子海鸥优化算法（quantum seagulloptimization algorithm, quantumsoa）建立了laq舰船运动预报模型，构建了一种新的舰船运动预报方法。

技术实现思路

1、针对现有技术存在的不足，本发明的目的在于提供一种基于laq模型的舰船运动预报方法，以解决上述背景技术中存在的问题。

2、本发明是这样实现的，一种基于laq模型的舰船运动预报方法，所述方法包括以下步骤：

3、基于传感器采集舰船运动时序数据并建立舰船运动数据集，对所述舰船运动数据集进行预处理，按8:1:1的比例对舰船运动数据集进行拆分得到训练集、验证集与测试集，所述舰船运动时序数据为传感器采集的随时间变化的舰船运动数据；

4、基于lstm网络与am机制构建舰船运动预报网络，用于模拟舰船运动复杂非线性动力系统，所述舰船运动预报网络结构包括lstm输入层、lstm隐藏层、lstm输出层、am机制层和结果输出层；

5、基于quantumsoa算法对舰船运动预报网络进行超参优化，获取具有最优超参组合的舰船运动预报网络；

6、在超参优化后的舰船运动预报网络中输入已知的舰船运动数据，输出下一阶段舰船运动的预测结果。

7、作为本发明进一步的方案：所述对所述舰船运动数据集进行预处理的步骤，具体包括：

8、对所述舰船运动数据集中的舰船运动时序数据进行噪声清除；

9、将舰船运动时序数据进行平滑处理。

10、作为本发明进一步的方案：所述训练集用于训练舰船运动预报网络；

11、所述验证集用于在训练的过程中测试舰船运动预报网络的性能，判定是否发生网络的过拟合或欠拟合；

12、所述测试集用于测试最终的舰船运动预报网络的预报性能。

13、作为本发明进一步的方案：所述舰船运动预报网络的结构包括：

14、lstm输入层，lstm输入层将所述舰船运动数据集中的训练集输入舰船运动网络模型；

15、lstm隐藏层，lstm隐藏层用于根据训练集中的数据自身的相关性挖掘并提取舰船运动时序数据；

16、lstm输出层，lstm输出层用于输出经过处理后的舰船运动时序数据；

17、am机制层，am机制层通过softmax函数将lstm输出层输出的舰船运动时序数据进行重组，对舰船运动时序数据的关键信息进行过滤，集中处理舰船运动预报过程中的关键数据信息。

18、结果输出层，用于输出舰船运动预报结果。

19、作为本发明进一步的方案：所述基于quantumsoa算法对舰船运动预报网络进行超参优化的步骤，具体包括：

20、步骤一，初始化舰船运动预报网络的超参数；

21、步骤二，基于生成的超参数构建舰船运动预报网络，训练更新网络权重和阈值，直至符合训练终止条件要求；

22、步骤三，构建当前具有最优超参组合的舰船运动预报网络；

23、步骤四，计算舰船运动预报网络在测试集的均方根误差，判定是否满足测试终止条件，若不满足则返回步骤二，满足则跳转步骤五；

24、步骤五，输出具有最优超参组合的舰船运动预报网络。

25、作为本发明进一步的方案：所述舰船运动预报网络的超参数为lstm隐藏层的节点数。

26、与现有技术相比，本发明的有益效果是：

27、①本发明基于lstm网络和am机制构建舰船运动预报网络，能够有效解决传统循环神经网络的长期依赖和梯度爆炸、消失问题，有效提高舰船运动的预报精度；

28、②本发明基于quantumsoa算法构建的舰船运动预报网络超参优化方法能够更好地自动优选网络超参数，有效解决舰船运动预报网络人工调参难、耗时长的问题。

技术特征：

1.一种基于laq模型的舰船运动预报方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的基于laq模型的舰船运动预报方法，其特征在于，所述对所述舰船运动数据集进行预处理的步骤，具体包括：

3.根据权利要求1所述的基于laq模型的舰船运动预报方法，其特征在于，所述训练集用于训练舰船运动预报网络；

4.根据权利要求1所述的基于laq模型的舰船运动预报方法，其特征在于，所述舰船运动预报网络的结构包括：

5.根据权利要求1所述的基于laq模型的舰船运动预报方法，其特征在于，所述基于quantumsoa算法对舰船运动预报网络进行超参优化的步骤，具体包括：

6.根据权利要求5所述的基于laq模型的舰船运动预报方法，其特征在于，所述舰船运动预报网络的超参数为lstm隐藏层的节点数。

技术总结本发明适用于舰船作业（战）保障技术领域，提供了一种基于LAQ模型的舰船运动预报方法，所述方法包括以下步骤：基于传感器采集舰船运动时序数据并建立舰船运动数据集；基于LSTM网络与AM机制构建舰船运动预报网络；基于QuantumSOA算法对舰船运动预报网络进行超参优化，获取具有最优超参组合的舰船运动预报网络；在超参优化后的舰船运动预报网络中输入已知的舰船运动数据，输出下一阶段舰船运动的预测结果。本发明可以提高舰船运动预报精度，自动优选超参数，为舰船安全航行与高效作业（战）提供必要且可靠的技术支撑。技术研发人员：李明伟,徐瑞喆,耿敬受保护的技术使用者：哈尔滨工程大学三亚南海创新发展基地技术研发日：技术公布日：2024/7/29