张博一, 胡 雄, 唐 刚, 邵辰彤

(上海海事大学 物流工程学院, 上海 202003)

长短期记忆网络(long short-term memory, LSTM)是一种时间循环神经网络。由于其独特的设计结构,解决了早期预测数据的梯度消失问题, 在时序预测的表现通常比时间递归神经网络及隐马尔科夫模型(HMM)更好。近年来在时滞系统的预测控制设计中,受到广泛关注和应用[1]。

舰载设备属于一种典型的时滞系统, 具有惯量大、载荷重的特点。同时由于舰载设备的工作环境相对较为封闭, 大多时候船舶运动只能通过惯性器件测量, 但由于惯性器件本身电学特性和积分算法存在的缺陷, 积分位移常出现低频趋势项干扰[12]。导致常规的LSTM神经网络在对积分位移时序预测时,精度会随时间序列缩短而明显下降。

针对该问题, 本文在常规LSTM结构的基础上进行了拆分和简化, 设计改良了一种针对低频扰动降趋预测的二元LSTM神经网络结构, 并利用多组算例对网络进行了验证与误差评价, 研究了网络参数的选择对结果的影响; 最后通过船舶模拟振动台模拟船舶运动进行实时预测, 验证了该二元LSTM神经网络对模拟船舶积分位移预测具有良好的准确性和实时效率。

1 LSTM神经网络在船动预报中的应用和其局限性分析

船舶升沉运动作为实际物理系统, 当前时刻输出与相邻时刻的输出必然存在一定的相关性, 因此对惯性器件输出序列的预测采用LSTM网络是一种合适的构建形式。与传统的循环神经网络相比,LSTM对内部的结构进行了更加精心的设计, 加入了输入门、遗忘门以及输出门3个门和1个内部记忆单元ct(图1)。……