本发明属于船舶工程，具体涉及一种基于pso-lstm的船舶运动预测方法、电子设备及存储介质。
背景技术：
1、船舶航行中常常会受到海浪复杂环境的影响，船舶会产生横摇，纵摇，垂荡等六个自由度的运动。当遭遇恶劣天气情况时，可能会给船舶带来极大的危害。因此如果能精准的对船舶的运动进行预测，就可以提高船舶的姿态运动补偿效果。减小船舶剧烈运动带来的不确定性，提高海上工作的安全性。
2、目前船舶运动预测主要的预测方式有自回归模型，移动平均模型，自回归移动平均模型，自回归积分移动平均模型，以及神经网络模型。由于船舶运动数据具有时序性的特点，因而在使用神经网络进行船舶运动预测时常用到循环神经网络。但由于传统神经网络具有梯度消失以及梯度爆炸的缺点。
技术实现思路
1、本发明要解决的问题是船舶运动传统预测方式预测精度差，效率低的问题，提出一种基于pso-lstm的船舶运动预测方法、电子设备及存储介质。
2、为实现上述目的，本发明通过以下技术方案实现：
3、一种基于pso-lstm的船舶运动预测方法，包括如下步骤：
4、s1.构建船舶运动模型，然后通过仿真采集船舶运动数据；
5、s2.将步骤s1采集的船舶运动数据进行数据清洗，归一化处理后，对得到的数据进行划分为训练集和测试集；
6、s3.搭建lstm(长短期记忆网络，long short-term memory)网络，设置lstm网络的结构参数，然后将步骤s2得到的训练集和测试集采用窗口滑动的预测方式，输入到lstm网络中进行训练，得到训练后的lstm网络；
7、s4.对步骤s3训练后的lstm网络，采用粒子群优化算法粒子群优化算法(pso，particle swarm optimization)对网络结构中的相关超参数进行寻优，得到lstm网络相关超参数的最优值及优化后的lstm网络，然后采用步骤s2得到的测试集对优化后的lstm网络进行测试。
8、进一步的，步骤s1的具体实现方法包括如下步骤：
9、s1.1.选定某一型号的船舶得到船舶的相关参数，选择随机海浪的波倾角模型，设置波倾角的表达式为：
10、
11、其中，ξ(t)为波面随时间的变化，α(t)为波倾角随时间的变化，ξi为第i个单元波的振幅，αi为第i个单元波的最大波倾角，εi为初始相位，值在(0～2π)内均匀分布，ωi为随机海浪频率，t为时间；
12、s1.2.基于国家海洋局建议的能量谱公式，生成船舶的能量谱sξ(ω)，表达式为：
13、
14、其中，vωd为海平面上方10m处的平均风速，g为重力加速度；
15、s1.3.利用频段离散化方式可以得到对应的波倾角模型，选择不同的有义波高，进行海浪谱的计算，从而得到不同有义波高下的海浪谱，最终通过海浪谱生成不同有义波高下的海浪波形；
16、s1.4.选定船舶的航向角得到船舶的遭遇频谱sζ(ωe)，表达式为：
17、
18、其中，ωe为船舶遭遇频率，β为船舶的航向角，v为航速；
19、s1.5.利用船舶系统的传递函数得到船舶运动谱密度函数g(iω)，传递函数的表达式为：
20、
21、其中，a为修正系数，y为衰减系数，ωo为船舶固有频率，ω为波浪频率，i为虚数单位；
22、s1.6.运用频率等分法通过仿真采集船舶运动数据，每次间隔一定时间进行抽样最后叠加，得到船舶的运动值，包括船舶横摇、纵摇、垂荡三个方向的运动数据。
23、进一步的，步骤s2的具体实现方法包括如下步骤：
24、s2.1.将步骤s1采集的船舶运动数据进行数据清洗，保留采样频率为100hz对应的船舶运动数据；
25、s2.2.将步骤s2.1得到的数据输入到移动平滑滤波器中进行数据预处理；
26、s2.3.将步骤s2.2得到的船舶运动数据进行归一化处理，表达式为：
27、
28、其中，x为原始数据点，xmin为原始数据集中所有数据点的最小值，xmax原始数据集中所有数据点的最大值，x*为归一化后的数据点；
29、s2.4.按照划分比例为前70％为训练集，后30％为测试集，对步骤s3.2得到的数据进行划分为训练集和测试集。
30、进一步的，步骤s3的具体实现方法包括如下步骤：
31、s3.1.设置lstm网络的结构参数，包括批量大小、第一层隐藏层节点数、第二层隐藏层节点数、最大训练回合数、学习率；
32、s3.2.设置lstm网络的输入层、lstm层、全连接层、丢弃层、输出层，选用激活函数relu用于学习稀疏特征表示，选用激活函数sigmoid用于学习数据的概率分布，设置优化器为adam优化器；
33、s3.3.设置使用mse均方误差作为损失函数；
34、s3.4.定义一个固定长度的窗口，基于对历史信息合理保留的原则，选用的窗口大小为10，将步骤s2得到的船舶运动数据按照定义的窗口长度进行分割，得到窗口1为[t1,t2,…,t10]，用于预测t11；窗口2为[t2,t3,…,t11]，用于预测t12，直到将将步骤s2得到的船舶运动数据分割完毕，然后输入到lstm网络中进行训练，得到训练后的lstm网络。
35、进一步的，步骤s4的具体实现方法包括如下步骤：
36、s4.1.运用粒子群优化算法对lstm网络的第一层隐藏节点数、第二层隐藏节点数、最大训练回合数、学习率进行寻优，位置更新与速度更新的表达式为：
37、
38、其中，ω为惯性权重；c1为个体学习因子；c2为群体学习因子；r1,r2是介于0,1之间的随机数；i为粒子序号；k为迭代次数；d为粒子维度数；表示粒子i在第k次迭代中第d维的速度向量；表示粒子i在第k次迭代中第d维的位置向量；表示粒子i在第k次迭代中第d维的历史最优位置；表示群体在第k次迭代中第d维的历史最优位置；
39、s4.2.设置粒子数为20，设置的维度为4维，选用的惯性权重在初期为0.9，随着训练回合数的增加变为0.4；
40、s4.3.设置寻优超参数的终止条件，当满足条件时终止粒子群优化算法；
41、s4.4.运用pso优化算法对lstm网络的4个超参数进行寻优后，利用优化得到的超参数，重新训练lstm网络并用测试集测试lstm网络。
42、一种电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现所述的一种基于pso-lstm的船舶运动预测方法的步骤。
43、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种基于pso-lstm的船舶运动预测方法。
44、本发明的有益效果：
45、本发明所述的一种基于pso-lstm的船舶运动预测方法，提供了一种方式获得船舶的运动数据，并采用窗口滑动的方式进行预测，滑动窗口方法能够有效捕捉时间序列中的短期依赖关系。在窗口内的数据点通常反映了较短时间范围内的模式和趋势，这有助于模型更准确地预测未来的值。窗口滑动还可以将原始时间序列数据分割成多个小片段，每个片段包含固定数量的连续数据点。这种方法有助于简化数据处理和特征提取，使得模型可以更高效地训练和预测。滑动窗口方法允许灵活调整窗口大小，从而适应不同时间尺度的预测需求。较短的窗口可以用于捕捉高频率的短期波动，而较长的窗口则适合识别长期趋势和周期性变化。滑动窗口方法通过移动固定大小的窗口，避免了使用整个时间序列数据进行训练，这可以减少数据冗余和计算负担。此外，滑动窗口还能灵活调整窗口大小，以适应不同的时间序列特征。最后运用将lstm网络对船舶运动的预测以及pso-lstm网络对船舶运动的预测进行对比，结果显示预测效果得到有效提升。
1.一种基于pso-lstm的船舶运动预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于pso-lstm的船舶运动预测方法，其特征在于，步骤s1的具体实现方法包括如下步骤：
3.根据权利要求2所述的一种基于pso-lstm的船舶运动预测方法，其特征在于，步骤s2的具体实现方法包括如下步骤：
4.根据权利要求3所述的一种基于pso-lstm的船舶运动预测方法，其特征在于，步骤s3的具体实现方法包括如下步骤：
5.根据权利要求4所述的一种基于pso-lstm的船舶运动预测方法，其特征在于，步骤s4的具体实现方法包括如下步骤：
6.一种电子设备，其特征在于，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1-5任一项所述的一种基于pso-lstm的船舶运动预测方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-5任一项所述的一种基于pso-lstm的船舶运动预测方法。
