为提高船舶横摇运动预报的精度以及实时性,提出一种利用混沌理论和最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)在线训练算法的实时在线预报方法。针对预报模型的固定核参数不能适应横摇运动的动态变化而进行自动...为提高船舶横摇运动预报的精度以及实时性,提出一种利用混沌理论和最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)在线训练算法的实时在线预报方法。针对预报模型的固定核参数不能适应横摇运动的动态变化而进行自动调节这一问题,设计一种基于LSSVM的变参数在线建模方法。利用三个LSSVM并行建模,将整个预报过程分为初始阶段和若干个预报阶段,并在每个阶段末选出下一个预报阶段的预报LSSVM,同时根据启发式规则为另两个LSSVM设定核参数,它们作为下一阶段的比较LSSVM。对某船横摇运动时间序列进行预报,仿真结果表明,所提变参数LSSVM在线预报方法平均相对均方误差为6.85%,相比于固定参数预报方法具有更好的适应性。展开更多
基金National Natural Science Foundation of China (Grant No.51079033)
文摘为提高船舶横摇运动预报的精度以及实时性,提出一种利用混沌理论和最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)在线训练算法的实时在线预报方法。针对预报模型的固定核参数不能适应横摇运动的动态变化而进行自动调节这一问题,设计一种基于LSSVM的变参数在线建模方法。利用三个LSSVM并行建模,将整个预报过程分为初始阶段和若干个预报阶段,并在每个阶段末选出下一个预报阶段的预报LSSVM,同时根据启发式规则为另两个LSSVM设定核参数,它们作为下一阶段的比较LSSVM。对某船横摇运动时间序列进行预报,仿真结果表明,所提变参数LSSVM在线预报方法平均相对均方误差为6.85%,相比于固定参数预报方法具有更好的适应性。
