(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111431342.5 (22)申请日 2021.11.29 (71)申请人 北京遥测技 术研究所 地址 100076 北京市丰台区南大红门路1号 申请人 航天长征火箭 技术有限公司 (72)发明人 宣雯龄　张彬　胡继军　张振华　 韩倩倩　 (74)专利代理 机构 北京巨弘知识产权代理事务 所(普通合伙) 11673 代理人 张婧 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01) G06T 17/05(2011.01) G01S 13/89(2006.01)G01S 13/86(2006.01) G01C 13/00(2006.01) (54)发明名称 一种预报舰船运动静息期的方法 (57)摘要 本发明公开了一种预报舰船运动静息期的 方法， 包括以下步骤： S1、 数据获取： 通过立体视 觉相机获取海面图像数据， 通过舰载海事雷达获 取海浪雷达图像， 再通过立体摄影测量软件将海 面图像数据转换成三维海面地形， 并通过反演和 校正获取海浪运动特征数据； S2、 数据序列加工： 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， 并结合区划管理进行归一化处理； S3、 建立2层长 短时记忆(LSTM)神经网络模型； S4、 基于滑动窗 口切分法对LSTM神经网络模型进行训练与验证； 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 静息期。 本发 明能够实现对舰船运动静息期窗口 的预报。 权利要求书3页 说明书7页 附图6页 CN 114330828 A 2022.04.12 CN 114330828 A 1.一种预报舰船运动静息期的方法， 其特 征在于： 包括以下步骤： S1、 数据获取： 通过立体视觉相机获取海面图像数据， 通过舰载海事雷达获取海浪雷达 图像， 再通过立体摄影测量软件将所述海面图像数据转换成三维海面地形， 并通过反演和 校正获取海浪运动特 征参数数组； S2、 数据序列加工： 将所述海浪运动特征参数数组与舰船运动特征参数数组依据时序 组合成舰船‑海浪运动特征参数数组， 并结合区划管理对所述舰船 ‑海浪运动特征参数数 组 进行归一 化处理， 得到一维序列化数据； S3、 建立长短时记 忆神经网络预测模型； 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 记忆神经网络模型进行训练与验证； 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 据实时处 理结果， 即时预测特定海态下的舰船运动静息期。 2.根据权利要求1所述的一种预报舰船运动静息期的方法， 其特征在于： 步骤S1进一步 包括以下步骤： S11、 通过立体视觉相机获取舰船附近300m以内的海面图像数据， 所述立体视觉相机为 3组， 分别设置在船艏、 左船舷和右船舷； S12、 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 度， 并计算出海浪传播速度、 与舰船相遇时波陡η和波倾角Y， 生成三维海面 地形； 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 形进行反演并进行坡陡校正， 得到波前幅度A、 频率f和表面 流速B； S14、 通过所述舰载海事雷达获取240～3000m的海浪雷达图像， 再通过反演得到海浪有 义波高HS、 峰值周期TP、 主波波向ΘP和主波波长LP； S15、 将所述波陡η、 所述波倾角γ、 所述波前幅度A、 所述频率f、 所述表面流速B、 所述海 浪有义波高HS、 所述峰值周期TP、 所述主波波 向ΘP和所述主波波长LP组成所述海浪运动特 征参数数组MCt。 3.根据权利要求2所述的一种预报舰船运动静息期的方法， 其特征在于： 步骤S1中， 通 过所述光学立体相机的反演结果实时校正所述海浪雷达图像的反演结果。 4.根据权利要求1所述的一种预报舰船运动静息期的方法， 其特征在于： 步骤S2进一步 包括以下步骤： S21、 通过陀螺仪获取舰船的角速度， 结合舰船几何物 理参数经过一次积分后得到三个 方向的转动角度： 横摇 θC、 纵摇 ψC和艏摇KC； S22、 通过加速度计获取舰船的运动加速度， 结合舰船几何物 理参数经过一次积分后得 到三个方向的平动速度： 横荡HD、 纵荡ZD和垂荡CD； S23、 得到t时刻的舰船运动参数 数组Mt， Mt＝[HD， ZD， CD， KC， ΨC， θC]； S24、 组合t时刻的所述舰船运动参数数组Mt和所述海浪运动特征参数数组MCt得到所述 舰船‑海浪联动运动特 征参数数组Xt， 其中Xt＝[Mt， MCt]， MCt＝[A， B， η， TP， ΘP， λP]； S25、 以舰船航向为0 °， 在雷达有效探测范围内将取半径为P的圆形海域划分N个圆环扇 形， 每个扇形的圆心角 αi‑1＝360°/N， 其中i＝1， 2， …， N； 舰船航行速度为Vm/s， 定义每个 圆 环半径L＝2Vm， 则周围海域波浪流场被分成P/L ×N个扇形圆环， 则与航向一致的Q0区域权权　利　要　求　书 1/3 页 2 CN 114330828 A 2重≥Q0区域左右区域 Q1， QN‑1的权重≥其余区域的权 重， 当舰船静止时， 所有权 重为1； S26、 将二维圆环区域的所述海域波浪流场权重做一维序列化处理， 得到一维权重序列 WQ＝[Q0， Q1， QN‑1， ， ， QN， ， ， ]。 5.根据权利要求4所述的一种预报舰船运动静息期的方法， 其特征在于： 步骤S21和步 骤S22中所述舰船几何物理参数包括： 长度、 型宽、 底长、 甲板进深、 总吨位、 设计时速和设计 吃水。 6.根据权利要求1所述的一种预报舰船运动静息期的方法， 其特征在于： 步骤S3 中所述 长短时记忆神经网络模 型包括N个时间步长和2个LSTM网络层； 所述LSTM网络层 包括工作单 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 制。 7.根据权利 要求6所述的一种预报舰船运动静息期的方法， 其特征在于： LSTM中的cell 通过以下四个步骤的计算， 得以更新 LSTM单元在每一时刻的状态： 步骤1.遗 忘门f通过激活函数筛 选ht‑1和xt信息， 决定从上一时刻状态中丢弃哪些信息， ft＝σ(Wf[ht‑1， xt]+bf) 其中： ft为遗忘门； σ()为激活函数， Wf为权重； bf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 值， it＝σ(Wi[ht‑1， xt]+bi)， 其中： it为输入门； Wi和Wc为权重； bi和bc为输入门和输入节点的偏置项； ht‑1为t‑1时刻 的输出； xt为t时刻输入的新的变量 值； tanh为双曲正切函数； 步骤3.更新cell状态， 把旧状态与遗忘门相乘， 丢弃掉确定需要丢弃的信息， 再加上筛 选后的新信息， 就得到当前工作单 元的状态； 其中： Ct为t时刻单 元状态； Ct‑1为t‑1时刻单元状态； 为记忆单元的输入状态； 步骤4.层处 理值经过tanh函数， 以确定最终输出值， Ot＝σ(Wo[ht‑1， xt]+bo)， ht＝Ot*tanh(Ct) 其中： Ot为输出门； Wo为权重； bo为输出门的偏置项； ht为t时刻的输出。 8.根据权利要求1所述的一种预报舰船运动静息期的方法， 其特征在于： 步骤S4中对所 述长短时记 忆神经网络模型进行训练的方法为： 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≤T)； 选 取长度为N的滑窗， 以滑窗的长度限制输入训练序列的长度， 并采用迭代法对滑窗中的样本 进行更新； 将[Xi](1≤i≤T)进行滑窗分组， 每 组N+1个数据， 前N个数据作为输入数据， 预测 第N+1个数据值 与第N+1个数据的真实值进行误差对比， 迭代调整网络参数； 定义损失函数 采用梯度 下降法进行模型优化， 当 损失函数的值＜0.0 0005， 完成训练。 9.根据权利要求1所述的一种预报舰船运动静息期的方法， 其特征在于： 步骤S5进一步权　利　要　求　书 2/3 页 3 CN 114330828 A 3