CN119416665A 一种基于融合技术的船舶操纵运动实时预报方法及系统 （青岛哈尔滨工程大学创新发展中心）

一种基于融合技术的船舶操纵运动实时预开了一种基于融合技术的船舶操纵运动实时预运动数据在同一数值范围内输入构建的基于Transformer架构的船舶运动预测模型，使用滑据特征；引入物理损失项，获得改进后基于Transformer架构的船舶运动预测模型；进行优不仅能够解决传统模型在非线性处理方面的不2S1、对船舶运动数据和海洋环境数据进行标准S2、基于Transformer的船舶操纵运动非参数，构建基于TrS3、使用滑动时间窗口技术，持续将最新采集的船舶运动与环境数据输入到基于将上述输入数据通过时间步的方式输入到Transforme所述基于Transformer架构的船舶运动预测模型包含位置编码模块，通过在输入数据所述基于Transformer架构的船舶运动预测模型配置权重自适应调整模块，基于自注所述基于Transformer架构的船舶运动预测模型结构中包括残差连接和层归一化模3步骤S3中，使用滑动时间窗口技术，持续将最新采集的船舶运动与环境数据输入到基于内使用最近N个时间步的操纵运动状态数据xt-N+1,xt-N+2,""",xt作为输入，预测下一时;;式中，f(w)为基于Transformer架构的船舶运动预测模型对当前时间窗口内船舶运;;式中，n为学习率，voc为损失函数的梯度，为在t+1时刻时更新后的基于Transformer架构的船舶运动预测模型参数，为在时刻时更新后的基于Transformer架4;;式中，Laon为基于Transformer架构的船舶运动预测模型与实际数据之间的误差损失9.一种基于融合技术的船舶操纵运动实时预洋环境数据与船舶运动数据在同一数值范围内，输入构建的基于Transformer架构的船舶基于Transformer架构的船舶运动预测模型构建模块（2用于基于Transformer的船境数据输入到基于Transformer架构的船舶运动预测模型中，利用实时数据进行在线梯度改进后基于Transformer架构的船舶运动预测模型获得模块（4用于在适应新数据特验证与优化模块（5用于采用历史数据对改进后基于Transformer架构的船舶运动预10.根据权利要求9所述的基于融合技术的船舶操纵运动实时预报系统，其特征在于，56[0004]船舶操纵运动的传统建模方法主要基于经典的流体力学理论，常见的模型包括在操纵运动预报中给出不符合实际物理规律的预测结果。这种对物理一致性把控的不足，限制了数据驱动模型在实际船舶操纵运动预报中的广泛应用。如何在高效处理数据的同[0010]近年来，Transformer模型在自然语言处理和时间序列数据处理领域表现出强大7单纯依赖数据驱动的Transformer模型仍然无法完全解决船舶操纵运动中的物理一致性问舶操纵运动实时预报方法及系统，尤其涉及基于Transformer模型与物理信息融合的船舶合物理信息，通过引入物理损失项，获得改进后基于Transformer架构的船舶运动预测模8对于海洋环境参数，采用Z_score标准化方法转换为均值为0、方差为1的标准分将上述输入数据通过时间步的方式输入到Transforme所述基于Transformer架构的船舶运动预测模型包含位置编码模块，通过在输入所述基于Transformer架构的船舶运动预测模型配置权重自适应调整模块，基于所述基于Transformer架构的船舶运动预测模型结构中包括残差连接和层归一化个时间段内使用最近N个时间步的操纵运动状态数据xt-N+1,xt-N+2,""",xt作为输入，预;通过Transformer时序模型得到下一时刻的运动状态预测值，其中表示船舶在;9式中，f(w)为基于Transformer架构的船舶运动预测模型对当前时间窗口内船;;Transformer架构的船舶运动预测模型参数，为在时刻时更新后的基于Transformer架t+2的预测与修正。;;式中，Laon为基于Transformer架构的船舶运动预测模型与实际数据之间的误差海洋环境数据与船舶运动数据在同一数值范围内，输入构建的基于Transformer架构的船环境数据输入到基于Transformer架构的船舶运动预测模型中，利用实时数据进行在线梯改进后基于Transformer架构的船舶运动预测模型获得模块，用于在适应新数据验证与优化模块，用于采用历史数据对改进后基于Transformer架构的船舶运动现上述所述基于融合技术的船舶操纵运动实时预报系虑数据驱动的学习和物理约束的满足。物理信息的融合能够帮助模型克服数据稀缺的困与Transformer模型的结合，能够在复杂海况下提供高精度且具有物理一致性的船舶操纵[0028]针对现有船舶操纵运动模型在复杂环境下实时性和精度不足的局限性，融合Transformer模型的特征提取能力与物理信息模型的物理约束，能够有效提升船舶操纵运端操控条件下的高精度预测问题。传统的船舶操纵运动模型往往难以适应动态环境的变[0035]本发明的创新点在于：本发明通过结合Transformer架构的数据驱动能力与物理不同造成的误差积累，有效提升了基于Transformer架构的船舶运动预测模型的稳定性和运动预测模型中包含位置编码模块，通过在输入数据中嵌入时序位置信息，以确保基于Transformer架构的船舶运动预测模型在处理无序输入数据时能够准确学习船舶运动的时[0038]所述基于Transformer架构的船舶运动预测模型配置权重自适应调整模块，基于通过训练逐步优化，确保模型能够准确地识别并利用最具预测能力的特征。使基于Transformer架构的船舶运动预测模型自动聚焦于对加速度预测影响较大的关键参数；自影响较大的特征，减少对不相关或影响较小的特征的关注。随着训练的进行，基于Transformer架构的船舶运动预测模型会逐步学习到哪些参数在不同时间步对加速度预测架构的船舶运动预测模型结构中包括残差连接和层归一化模块，以保持训练过程的稳定性，避免梯度消失并提升基于Transformer架构的船舶运动预测模型预测的准确性和鲁棒更加敏感，基于Transformer架构的船舶运动预测模型在每次预测后通过计算预测均方误（不同层数的Transformer模型、不同注意力头数、不同的残差连接层配置等确保基于合物理信息，通过引入物理损失项，获得改进后基于Transformer架构的船舶运动预测模理损失项（基于船舶操纵运动的物理约束保证改进后基于Transformer架构的船舶运动模型训练与验证：采用历史数据对改进后基于Transformer架构的船舶运动预测船试验数据验证改进后基于Transformer架构的船舶运动预测模型的预报精度与泛化能[0042]示例性的，在步骤S2中构建基于Transformer架构的船舶运动预测模型（基于在该步骤中，构建了构建基于Transformer架构的船舶运动预测模型（基于将上述输入数据通过时间步的方式输入到Transforme[0044]设定滑动窗口的大小为N，表示每个时间段内使用最近N个时间步的操纵运动状态数据xt-N+1,xt-N+2,""",xt作为输入，预测下一时刻t+1的运动;通过Transformer时序模型得到下一时刻的运动状态预测值，其中表示船舶在;式中，f(w)为基于Transformer架构的船舶运动预测模型对当前时间窗口内船;;Transformer架构的船舶运动预测模型参数，为在时刻时更新后的基于Transformer架[0046]通过上述滑动窗口技术，改进后基于Transformer架构的船舶运动预测模型可以特别是对于不同操纵工况下的复杂船舶运动行为具有而提升改进后基于Transformer架构的船舶运动预测模型的预测准确性及其物理一致性。;;式中，Laon为基于Transformer架构的船舶运动预测模型与实际数据之间的误差基于Transformer架构的船舶运动预测模型不仅能够提高预报的精度，还能确保预测结果[0049]通过引入船舶运动的KT响应方程，本发明实现了物理信息与数据驱动模型的融够兼顾数据的准确性与物理约束的合理性。这不仅提高了改进后基于Transformer架构的[0050]可以理解，本发明提供了一种基于Transformer模型与物理信息融合的船舶操纵运动实时预报方法，专门用于在复杂海况和多变环境下实现对船舶操纵运动的高精度预海洋环境数据与船舶运动数据在同一数值范围内，输入构建的基于Transformer架构的船基于Transforme