新闻资讯

船舶在实际的航行过程中会产生六个自由度摇荡运动，其中横摇运动对其运动影响最大，因此如果能够事先准确地预报船舶横摇运动，则对控制船舶运动具有重要意义。鉴于船舶的摇荡运动具有非线性、非平稳性等特性，如果利用线性模型对船舶摇荡运动进行预报，则很难得到满意的结果。为了解决非线性的船舶摇荡运动序列预报问题，支持向量机、神经网络等多种智能方法被应用到船舶摇
荡序列预报中。船舶横摇运动时间序列的各个点之间在时间上是有关联性的，然而目前已有的预报方法多是使用前馈网络 ^[1-4]，前馈网络是一种静态的网络，不具有记忆能力，没有充分考虑横摇运动序列的时间相关性。这样得到的预报结果就不够精确。针对前向神经网络的这种不足，文献^[5]将对角递归神经网络应用于船舶摇荡运动预测。递归网络是一种带有反馈的网络，可存储内部状态，能够映射动态特征，直接生动反映系统动态特性，具有联想记忆的能力，从而使系统具有适应时变特性的能力，因而能够更全面完整地对船舶横摇运动序列进行建模。但由于对角递归神经网络只能由当前状态更新反馈权重，不能很好地而利用更多的以前的状态，对动态系统的实时预报存在一定的误差。文献^[6]提出利用二阶对角递归神经网络进行船舶横摇运动预报，此网络能够将更多的历史状态融入到学习方法中，但网络结构和网络参数也变得复杂，因此再进行实际系统的预报时网络的参数不好选择，故本文在文献^[6]的基础上尝试优化二阶对角递归神经网络的参数，提高网络的性能。通过与未优化的二阶递归神经网络和RBF神经网络对比实验，分析优化后的二阶对角递归神经网络的预报精度、预报时间等特性。