基于滑动数据窗口和利普希茨商值法的船舶纵摇运动自适应预测

摘要

为实时准确地反映船舶纵摇运动的非线性、随机性和非平稳性特点，提出一种基于滑动数据窗口和利普希茨商值法的自适应预测模型。首先，利用滑动数据窗口作为系统局部观测器，将船舶纵摇运动姿态序列进行实时分割，同时，采用利普希茨商对当前滑动数据窗口内表示的子系统进行自适应定阶，通过滑动数据窗口和利普希茨商实时为前馈神经网络模型提供在线小批量训练样本，以克服单个样本和大批量数据样本对神经网络模型性能的影响。然后，针对基于确定性学习算法的前馈神经网络易陷入局部最优的问题，提出一种基于改进蝴蝶优化算法训练器的前馈神经网络模型以提高船舶运动姿态的预测精度。在改进蝴蝶优化算法中，引入平衡因子指引的变异算子和最优个体引导机制的信息重组策略，提升算法避免陷入局部最优的能力。最后，利用基准测试函数和“育鲲”轮纵摇运动姿态数据集分别验证了改进蝴蝶优化算法和自适应预测模型的有效性和可行性。实验结果表明，改进蝴蝶优化算法较蝴蝶优化算法、粒子群优化算法和飞蛾扑火优化算法具有更好的收敛速度和收敛精度；本文自适应预测模型的泛化能力更强，预测精度更高，而且每步平均运行时间均在0.2 s以内，小于系统采样时间1 s,不仅满足了实时性要求，而且提高了船舶纵摇运动姿态预报的精度，可为复杂系统在线建模提供一种潜在的解决方案。

关键词

船舶纵摇运动 / 自适应预测 / 滑动数据窗口 / 利普希茨商值法 / 改进蝴蝶优化算法 / 前馈神经网络