对船舶姿态的准确预测有利于保障船舶航行安全、提高船载仪器的数据质量。针对船舶运动姿态预测与分析问题,将特征选择(Feature Selection,FS)方法与长短期记忆神经网络(Long Short Term Memory,LSTM)相结合,以提高LSTM网络对船舶运动...对船舶姿态的准确预测有利于保障船舶航行安全、提高船载仪器的数据质量。针对船舶运动姿态预测与分析问题,将特征选择(Feature Selection,FS)方法与长短期记忆神经网络(Long Short Term Memory,LSTM)相结合,以提高LSTM网络对船舶运动姿态的预测精度,为船舶运动姿态的补偿奠定基础。以船舶运动姿态预测为目标,基于无人艇采集到的包含船舶运动状态信息的数据集,构建并训练了适应性较强的FS-LSTM神经网络预测模型。最终结果表明,本文所提出的方法具有较高的预测精度。展开更多
针对传统的时频域故障诊断方法无法对故障实现自适应识别和分类,且准确率较低的问题,提出一种基于改进信息熵(improved information entropy,IIE)的长短时记忆网络(long-short time memory network,LSTM)方法。首先对原始信号分别进行...针对传统的时频域故障诊断方法无法对故障实现自适应识别和分类,且准确率较低的问题,提出一种基于改进信息熵(improved information entropy,IIE)的长短时记忆网络(long-short time memory network,LSTM)方法。首先对原始信号分别进行集合经验模态分解(ensemble empirical mode decomposition,EEMD)和变分模态分解(variational mode decomposition,VMD);将包含故障信息的所有本征模式分量(intrinsic mode functions,IMF)进行信息熵的求取;通过信息熵反映IMF的信息量和峭度指标对描述冲击成分的优势改进信息熵,构成特征向量;最后结合LSTM处理非线性数据的优势,利用组合特征训练LSTM网络建立诊断模型。实验结果表明:该方法能准确、高效地识别多种故障,准确率要比单一的EEMD-LSTM、VMD-LSTM、人工神经网络等传统方法更高。展开更多
文摘对船舶姿态的准确预测有利于保障船舶航行安全、提高船载仪器的数据质量。针对船舶运动姿态预测与分析问题,将特征选择(Feature Selection,FS)方法与长短期记忆神经网络(Long Short Term Memory,LSTM)相结合,以提高LSTM网络对船舶运动姿态的预测精度,为船舶运动姿态的补偿奠定基础。以船舶运动姿态预测为目标,基于无人艇采集到的包含船舶运动状态信息的数据集,构建并训练了适应性较强的FS-LSTM神经网络预测模型。最终结果表明,本文所提出的方法具有较高的预测精度。
