基于组合预测方法的舰船纵摇运动预报

论文摘要

舰船的运动由于受到海浪、海风及其它因素的影响,产生了六自由度的复杂运动,具有很强的随机性和非线性,因此舰船极短期预报对于舰船航行有着重要的意义。舰船运动极短期预报就是根据舰船的运动历史数据对船体运动进行几秒或十几秒的预测。以往曾有时间序列法、周期图法、神经网络法、灰色系统理论等方法进行舰船的预报。本论文立足于舰船的纵摇运动预报,研究了组合预测方法在纵摇运动预报中的应用。组合预测方法需要利用各单项预测模型的有效信息,基于此本文研究了几种单项预测方法在纵摇运动预报中的应用。并针对实际的舰船运动数据进行了数值仿真。对船的纵摇的理论研究可帮助认识船的纵摇的规律,从而掌握和利用它为舰船航行服务。主要完成的工作有：首先,介绍了灰色系统建模的数据生成方式及建模的理论基础,考虑到灰色拓扑预测方法的趋势预测的特性,结合新陈代谢GM(1,1)模型,对纵摇运动角度建立了拓扑预测模型,根据不同的阈值,建立所对应的时间序列的新陈代谢GM(1,1)模型群。用此模型群对未来可能的运动趋势进行预测,并运用预测的有效点绘制拓扑预测曲线。其次,在纵摇运动预报过程中,突变点的出现影响到建模及预报的精度,对突变点及附近的数据处理是必要的。第三章将小波变换奇异点检测理论应用到舰船纵摇角度处理中,通过对模极大值的检测来确定突变点发生的时刻,并在第四章介绍了数据处理的方法,最后用处理后的数据建立推广GM(1,1)模型,提高了预报精度。再次,灰色系统传统的GM(1,1)模型白化方程反映出生成数据仅与本身及其变化有关,而实际上很多时候生成数据还要受到其它因素的影响,这些因素不能完全由灰作用量表示。针对这个问题,本文先给出服从非纯指数函数变化的推广GM(1,1)模型,同时考虑初始点拟合误差的影响,改变初始值,从而构建了优化的时间响应函数,提高了模拟精度。最后针对船的纵摇角度数据的灰色特征应用这种模型进行建模,数值试验表明这种方法是可行的。最后,以预测值的对数的相关系数为误差标准,提出了基于相关系数的加权几何平均组合预测模型,加权几何平均组合预测为一种非线性的组合预测方法。针对基于相关系数的加权几何平均组合预测模型,定义了优性组合预测模型、预测方法优超、组合预测冗余度等概念,讨论了在一定的条件下,该组合预测存在非劣性及优性组合预测的充分条件,得出了一个判断冗余预测方法的判定定理。从理论上说明基于对数相关系数的非线性组合预测模型的有效性,同时本文用推广GM(1,1)模型及支持向量机回归模型作为单项预测模型,对纵摇角度应用该组合预测模型进行预报,验证了该模型的有效性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题来源和目的
• 1.2 船舶运动极短期建模预报的研究现状
• 1.2.1 国外研究状况
• 1.2.2 国内研究情况
• 1.3 相关理论的介绍
• 1.3.1 小波分析
• 1.3.2 支持向量机的发展与研究现状
• 1.3.3 灰色系统理论
• 1.3.4 灰色预测理论
• 1.3.5 舰船运动的灰色特征
• 1.4 本文的主要研究内容
• 1.5 论文的创新之处
• 第2章 灰色系统建模的理论基础
• 2.1 序列算子的光滑性
• 2.1.1 序列算子
• 2.1.2 序列光滑条件
• 2.1.3 灰指数规律
• 2.2 新陈代谢GM（1,1）模型
• 2.3 灰色拓扑预测理论
• 2.4 舰船纵摇运动预报
• 2.4.1 纵摇角度序列特征
• 2.4.2 GM（1,1）模型建模比较
• 2.5 本章小结
• 第3章 基于小波变换的纵摇奇异点检测
• 3.1 小波变换基本理论
• 3.1.1 小波定义
• 3.1.2 连续小波变换
• 3.1.3 离散小波变换
• 3.1.4 小波多分辨分析
• 3.2 小波变换的奇异性检测
• 3.3 小波变换的信号消噪原理
• 3.4 纵摇数据奇异点检测方法
• 3.5 舰船纵摇角度的奇异点检测
• 3.6 本章小结
• 第4章 推广GM（1,1）模型
• 4.1 历史数据的预处理
• 4.2 传统的灰色GM（1,1）模型
• 4.3 模型的检验
• 4.4 推广GM（1,1）模型
• 4.4.1 推广GM（1,1）模型的建立
• 4.4.2 初值条件的影响
• 4.4.3 模型的精确离散化形式
• 4.4.4 参数的确定方法
• 4.5 仿真模型的建立
• 4.6 纵摇角度序列数值仿真试验
• 4.6.1 预测从t=96到t=112的纵摇角度数据
• 4.6.2 预测从t=225到t=242的纵摇角度数据
• 4.6.3 预测从t=453到t=470的纵摇角度数据
• 4.6.4 预测从t=615到t=633的纵摇角度数据
• 4.6.5 预测从t=817到t=831的纵摇角度数据
• 4.6.6 预测从t=1142到t=1158的纵摇角度数据
• 4.6.7 预测从t=1266到t=1284的纵摇角度数据
• 4.7 本章小结
• 第5章 支持向量机在舰船纵摇运动预报中的应用
• 5.1 统计学习理论的核心内容
• 5.1.1 学习过程一致性条件
• 5.1.2 VC维
• 5.1.3 泛化能力的界
• 5.1.4 结构风险最小化
• 5.2 支持向量机
• 5.2.1 支持向量分类机
• 5.2.2 支持向量回归机
• 5.3 相空间重构与SVM结合的短期纵摇运动预测
• 5.3.1 时间序列相空间重构
• 5.3.2 纵摇数据的重构
• 5.3.3 训练算法及核函数构造
• 5.3.4 纵摇预报的具体步骤
• 5.4 纵摇角度数列在其它时刻的仿真算例
• 5.4.1 预测从t=111到t=125的纵摇角度数据
• 5.4.2 预测从t=360到t=378的纵摇角度数据
• 5.4.3 预测从t=416到t=435的纵摇角度数据
• 5.4.4 预测从t=601到t=620的纵摇角度数据
• 5.4.5 预测从t=727到t=746的纵摇角度数据
• 5.4.6 预测从t=999到t=1018的纵摇角度数据
• 5.5 本章小结
• 第6章 基于相关系数的加权几何平均组合预测模型
• 6.1 引言
• 6.2 基本概念及模型
• 6.2.1 基于相关系数的加权几何平均组合预测模型
• 6.2.2 非劣性及优性组合预测存在条件
• 6.2.3 冗余预测方法的判定
• 6.3 基于相关系数的加权几何平均组合预测模型的算例分析
• 6.3.1 评价指标体系
• 6.3.2 仿真实例
• 6.4 纵摇角度序列在其它时刻的仿真算例
• 6.4.1 预测从t=360到t=378的纵摇角度数据
• 6.4.2 预测从t=416到t=434的纵摇角度数据
• 6.4.3 预测从t=601到t=619的纵摇角度数据
• 6.4.4 预测从t=727到t=744的纵摇角度数据
• 6.4.5 预测从t=999到t=1013的纵摇角度数据
• 6.5 本章小结
• 结论
• 参考文献
• 攻读博士学位期间发表的论文和取得的科研成果
• 致谢
• 个人简历