CN114330828B 一种预报舰船运动静息期的方法 （北京遥测技术研究所）

本发明公开了一种预报舰船运动静息期的将海浪运动特征数据与舰船运动特征参数依据时序组合成舰船-海浪运动特征历时数据序列，S5、通过LSTM神经网络模型结合舰船-海浪实时运动特征数据序列预测特定海态下的舰船运动2S12、通过立体摄影测量软件将所述海面图像数据解析为海浪传播相位、海浪传播幅S13、通过立体像对影像重叠区的同名点匹配技术和后方交会方法对所述三维海面地S2、数据序列加工：将所述海浪运动特征参数数组S4、基于滑动窗口切分法结合归一化后的舰船-海浪运动特征参数数组对所述长短时S5、通过验证过的所述长短时记忆神经网络预测模型结合舰船-海浪运动特征历时数过光学立体相机的反演结果实时校正所述海浪雷达图像的PP]；34.根据权利要求3所述的一种预报舰船运动静息期的方法，其特元cell，所述工作单元cell由遗忘门f、输入门i和控制门o的结构实现信息的持久化和拟-1tff为遗忘门的偏置项；步骤2.输入门通过sigmoid函数选择保留哪些信息，通过激活函数tanh生成候选向量t-1tt＝Ot*tanh(Ct)t第N+1个数据值W:与第N+1个数据的真实值进行误差对比，迭代调整网络参49.根据权利要求1～8其中任意一项所述的一种预报舰船运5[0003]舰船运动的超短期预测(6～11s)技术已经得到比较[0004]舰船运动静息期窗口的预报是对舰船运动态势的相对较长时间(＞30s)的QP检测[0005]本发明是为了克服上述现有技术中的问题，提供一种预报舰船运动静息期的方[0010]S4、基于滑动窗口切分法结合归一化后的舰船-海浪运动特征参数数组对长短时[0011]S5、通过验证过的长短时记忆神经网络预测模型结合舰船-海浪运动特征历时数6[0014]S12、通过立体摄影测量软件将海面图像数据解析为海浪传播相位、海浪传播幅[0015]S13、通过立体像对影像重叠区的同名点匹配技术和后方交会方法对三维海面地[0018]X波段海事雷达的雷达天线以低掠射角向海面发射电磁波，海面上由风产生的小情况下，雷达平均图像强度应该以r(‑7/4)的形式衰减，但雷达的实际回波情况往往十分复学立体相机的反演结果实时校正海浪雷达图CC]；[0024]S24、组合t时刻的舰船运动参数数组Mt和海浪运动特征参数数组MPP]；70[0027]本发明所述的一种预报舰船运动静息期的方法，作为优选方式，步骤S21和步骤记忆神经网络模型包括N个时间步长和2个LSTM网络层(网络层数根据问题的复杂度而定，控制门o的结构实现信息的持久化和拟制。长短时记忆神经网络LSTM是一种特定形式的循]+bf)[0043]记舰船-海浪历时观测运动序列个数为T，经过步骤S2后数据序列为[Xi](1≤i≤8[0044]定义损失函数采用梯度下降法进行模型优[0052](2)本发明的预测系统应用人工智能深度学习技术，通过建立长短时记忆神经网[0053](3)本发明系统在对影响舰船运动态势进行全因素分析、通过专业传感器数据采9取海浪运动特征数据，并通过光学立体相机的反演结果实时校正海浪雷达图像的反演结[0068]S12、通过立体摄影测量软件将海面图像数据解析为海浪传播相位、海浪传播幅船-海浪运动特征参数数组，并结合区划管理对舰船-海浪运动特征数据进行归一化处理，Cc]；PP]；0]+bf)[0094]S4、基于滑动窗口切分法结合归一化后的舰船-海浪运动特征参数数组对长短时[0095]记舰船-海浪历时观测运动序列个数为T，经过步骤S2后数据序列为[Xi](1≤i≤[0096]定义损失函数采用梯度下降法进行模型优[0097]S5、通过验证过的长短时记忆神经网络学习模型结合舰船-海浪运动特征历时数