基于粒子群優(yōu)化算法的小波神經(jīng)網(wǎng)絡(luò)模型船舶橫搖實時預(yù)測方法
【專利摘要】本發(fā)明公開了一種基于粒子群優(yōu)化算法的小波神經(jīng)網(wǎng)絡(luò)模型船舶橫搖實時預(yù)測方法，包括以下步驟：S1:載入實測的船舶橫搖數(shù)據(jù)信息，將橫搖數(shù)據(jù)進行歸一化處理；S2：構(gòu)建基于粒子群優(yōu)化算法的小波神經(jīng)網(wǎng)絡(luò)模型；S3：進入迭代過程，計算出最小適應(yīng)度值即最優(yōu)適應(yīng)度值；S4：判斷最優(yōu)個體適應(yīng)度函數(shù)值即誤差函數(shù)公式計算的誤差函數(shù)值是否滿足誤差設(shè)置要求，或者判斷迭代尋優(yōu)次數(shù)是否達到設(shè)置要求，如果滿足要求則執(zhí)行S5，否則返回S3繼續(xù)進行循環(huán)迭代尋優(yōu)；S5：結(jié)束粒子群優(yōu)化算法的迭代尋優(yōu)，將尋優(yōu)得到的最優(yōu)網(wǎng)絡(luò)參數(shù)賦值給小波神經(jīng)網(wǎng)絡(luò)進行仿真實驗，將采集到的船舶橫搖數(shù)據(jù)信息輸入至小波神經(jīng)網(wǎng)絡(luò)進行船舶橫搖實時預(yù)測。
【專利說明】
基于粒子群優(yōu)化算法的小波神經(jīng)網(wǎng)絡(luò)模型船舶橫搖實時預(yù)測 方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及船舶領(lǐng)域，尤其設(shè)及基于粒子群優(yōu)化算法的小波神經(jīng)網(wǎng)絡(luò)模型船舶橫 搖實時預(yù)測方法。
【背景技術(shù)】
[0002] 小波神經(jīng)網(wǎng)絡(luò)(Wavelet化Ural化twork)是基于小波分析理論構(gòu)造的有反饋的 前向神經(jīng)網(wǎng)絡(luò)，它充分結(jié)合了小波變換的時頻局域化、變焦特性和傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的自 學(xué)習(xí)能力，具有較強的逼近能力和容錯能力。小波神經(jīng)網(wǎng)絡(luò)是一種W誤差反向傳播(Back Propagation)神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)為基礎(chǔ)，把小波基函數(shù)作為隱含層節(jié)點的傳遞函數(shù)，信號 前向傳播同時誤差反向傳播的神經(jīng)網(wǎng)絡(luò)。小波函數(shù)或尺度函數(shù)作為激勵函數(shù)形成神經(jīng)元而 構(gòu)成的小波神經(jīng)網(wǎng)絡(luò)，它秉承了神經(jīng)網(wǎng)絡(luò)固有的學(xué)習(xí)能力、泛化能力、自適應(yīng)能力及非線性 映射能力，同時也保留了小波分析具有多分辨率分析的特點，而且在時頻兩域都具有表征 信號局部特征的能力。與其它方法相比，小波神經(jīng)網(wǎng)絡(luò)基函數(shù)的選擇有更大的靈活性，而且 可W在不同的尺度上對函數(shù)逼近。
[0003] 粒子群(Particle Swarm Optimization)算法的基本思想是：社會中的個體通過 社會交互，不斷修正自己關(guān)于捜索空間的知識，在社會交互的過程中，所有個體傾向于模仿 成功的同伴，最終導(dǎo)致了社會規(guī)范的涌現(xiàn)。粒子群優(yōu)化算法中，每個優(yōu)化問題的潛在解都是 捜索空間中的一只鳥，稱之為"粒子"。所有的粒子都有一個由目標(biāo)函數(shù)決定的適應(yīng)值 (Fitness Value),目標(biāo)函數(shù)一般由實際問題中被優(yōu)化的函數(shù)決定。每個粒子還有一個速度 決定它們飛翔的方向和每一步的位移。PSO算法需要初始化一群隨機粒子(隨機解），然后通 過迭代找到最優(yōu)解，在每一次迭代中，粒子通過跟蹤兩個"極值"來更新自己。第一個就是粒 子本身所找到的最優(yōu)解pbest，運個解稱為個體極值。另一個是整個種群目前找到的最優(yōu) 解，運個解稱為全局極值gbestnPSO系統(tǒng)中每個備選解被稱為一個粒子(particle),多個粒 子共存合作尋優(yōu)(近似鳥群尋找食物），每個粒子根據(jù)它自身的經(jīng)驗和相鄰粒子群的最佳經(jīng) 驗在問題空間中向更好的位置飛行，捜索最優(yōu)解。
[0004] 近年來，蓬勃發(fā)展的人工神經(jīng)網(wǎng)絡(luò)，其較強的非線性映射和自學(xué)習(xí)自適應(yīng)能力使 得其在工程計算領(lǐng)域得到了廣泛的應(yīng)用。因而人工神經(jīng)網(wǎng)絡(luò)能夠進行復(fù)雜的、非線性的、非 平穩(wěn)性的系統(tǒng)仿真預(yù)測，B巧巾經(jīng)網(wǎng)絡(luò)(Back Propagation,BP)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，是 當(dāng)今最常用的一種神經(jīng)網(wǎng)絡(luò)模型。然而，B巧巾經(jīng)網(wǎng)絡(luò)本身尚有一些缺陷：網(wǎng)絡(luò)模型參數(shù)的選 擇隨機性比較大;優(yōu)化過程可能陷入局部最優(yōu);對網(wǎng)絡(luò)參數(shù)的選擇比較敏感，訓(xùn)練的收斂速 度相對較難控制等。此外，現(xiàn)有的研究都是假設(shè)船舶在波浪中的運動是平穩(wěn)窄帶隨機過程 的條件下進行的，使用的是線性自回歸(AR)模型或線性自回歸滑動(ARMA)模型。而船舶在 波浪中的運動實際上是動態(tài)非線性過程，利用線性模型對其進行預(yù)報，效果并不理想，尤其 對于橫搖角較大時更是如，傳統(tǒng)橫搖預(yù)測方法存在丟失重要信息的缺點。

【發(fā)明內(nèi)容】

[0005] 根據(jù)現(xiàn)有技術(shù)存在的問題，本發(fā)明公開了一種基于粒子群優(yōu)化算法的小波神經(jīng)網(wǎng) 絡(luò)模型船舶橫搖實時預(yù)測方法，包括W下步驟：
[0006] Sl:載入實測的船舶橫搖數(shù)據(jù)信息，將橫搖數(shù)據(jù)進行歸一化處理；
[0007] S2:構(gòu)建基于粒子群優(yōu)化算法的小波神經(jīng)網(wǎng)絡(luò)模型:將小波神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù) 包括權(quán)值闊值、小波基函數(shù)的平移參數(shù)和伸縮參數(shù)初始化為粒子群優(yōu)化算法的粒子種群位 置；
[000引 S3:進入迭代過程，計算出最小適應(yīng)度值即最優(yōu)適應(yīng)度值；
[0009] S4:判斷最優(yōu)個體適應(yīng)度函數(shù)值即誤差函數(shù)公式計算的誤差函數(shù)值是否滿足誤差 設(shè)置要求，或者判斷迭代尋優(yōu)次數(shù)是否達到設(shè)置要求，如果滿足要求則執(zhí)行S5，否則返回S3 繼續(xù)進行循環(huán)迭代尋優(yōu)；
[0010] S5:結(jié)束粒子群優(yōu)化算法的迭代尋優(yōu)，將尋優(yōu)得到的最優(yōu)網(wǎng)絡(luò)參數(shù)賦值給小波神 經(jīng)網(wǎng)絡(luò)進行仿真實驗，將采集到的船舶橫搖數(shù)據(jù)信息輸入至小波神經(jīng)網(wǎng)絡(luò)進行船舶橫搖實 時預(yù)測。
[00川 S2中具體包括：
[0012] 小波神經(jīng)網(wǎng)路的網(wǎng)絡(luò)參數(shù)包括:輸入層與隱含層之間的權(quán)值、隱含層闊值、隱含層 與輸出層之間的權(quán)值、輸出層闊值、小波基函數(shù)的平移參數(shù)和伸縮參數(shù)，根據(jù)誤差函數(shù)公式 計算粒子初始適應(yīng)度函數(shù)值，對于每個粒子利用小波神經(jīng)網(wǎng)絡(luò)的前向計算公式計算網(wǎng)絡(luò)的 實際輸出，然后利用誤差函數(shù)即適應(yīng)度函數(shù)計算其適應(yīng)度值，排序取出最小的適應(yīng)度值；
[0013] 小波神經(jīng)網(wǎng)絡(luò)模型的誤差函數(shù)公式如下：
[0014]
C4)
[001引其中Yk為小波神經(jīng)網(wǎng)絡(luò)模型的潮軟實測數(shù)據(jù)，Ok為小波神經(jīng)網(wǎng)絡(luò)模型的仿真輸出 數(shù)據(jù)，m為輸出層節(jié)點數(shù)；
[0016] 粒子群優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)模型在每一次迭代過程中，粒子的位置和速度更新公 式如下：
[0017] vi(t+l) = to *vi(t)+ci*ri*(pi-Xi(t) )+C2*r2*(pg-Xi(t)) 巧）
[001 引 xi(t+l)=xi(t)+vi(t+l)j = l,2,...,n (6)
[0019] 其中CO為慣性權(quán)重，k為當(dāng)前迭代次數(shù)，Xi為粒子位置，Vi為粒子速度，Pi為個體極 值，Pg為群體極值，Cl和C2為非負常數(shù)，ri和K為介于0和1之間的而隨機數(shù)，為防止粒子盲目 捜索，對粒子的初始位置和速度進行限制，粒子群優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)Cl = c2 = 2.0,迭代尋優(yōu)次數(shù)為100,種群規(guī)模為20,每個粒子的初始速度限制在[-1,1]之間， 每個粒子的初始位置限制在[-3，3 ]之間。
[0020] S3中具體采用如下方式：
[0021] 在每一次迭代過程中，粒子根據(jù)更新公式(5)和(6)更新自身的速度和位置，并根 據(jù)誤差函數(shù)計算公式(4)計算新的適應(yīng)度函數(shù)值，再進行排序提取出最小適應(yīng)度值，也就是 最優(yōu)適應(yīng)度值。
[0022] 由于采用了上述技術(shù)方案，本發(fā)明結(jié)合粒子群優(yōu)化算法的全局捜索能力和小波神 經(jīng)網(wǎng)絡(luò)傳統(tǒng)的自學(xué)習(xí)、自適應(yīng)、自糾錯、多分辨率分析W及局部時頻綜合分析能力，提出了 基于粒子群優(yōu)化算的小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型，用W實時預(yù)測船舶橫搖狀態(tài)。利用粒子群優(yōu) 化算法對小波神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，與傳統(tǒng)的誤差反向傳播算法相比較，粒子群優(yōu)化的小波 神經(jīng)網(wǎng)絡(luò)預(yù)測模型的性能、迭代次數(shù)、逼近效果均W及收斂速度和擬合精度能得到顯著的 提高。且訓(xùn)練過程比較平穩(wěn)，網(wǎng)絡(luò)整體性能有較大的提高。相對于傳統(tǒng)的小波神經(jīng)網(wǎng)絡(luò)預(yù)測 模型具有較高的捜索精度和捜索效率。而且相對于傳統(tǒng)的誤差反向傳播神經(jīng)網(wǎng)絡(luò)預(yù)測模型 和線性預(yù)測模型大大降低了橫搖預(yù)測誤差（即預(yù)測橫搖數(shù)據(jù)值與船舶運動的實測橫搖數(shù)據(jù) 值之間的差值），從而說明粒子群優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型在船舶橫搖運動實時預(yù)測 方面具有較高的的預(yù)測精度。
【附圖說明】
[0023] 為了更清楚地說明本申請實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本 申請中記載的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下， 還可W根據(jù)運些附圖獲得其他的附圖。
[0024] 圖1為本發(fā)明方法的流程圖。
【具體實施方式】
[0025] 為使本發(fā)明的技術(shù)方案和優(yōu)點更加清楚，下面結(jié)合本發(fā)明實施例中的附圖，對本 發(fā)明實施例中的技術(shù)方案進行清楚完整的描述：
[0026] 如圖1所示的一種基于粒子群優(yōu)化算法的小波神經(jīng)網(wǎng)絡(luò)模型船舶橫搖實時預(yù)測方 法，包括W下步驟：
[0027] SI:載入實測的船舶橫搖數(shù)據(jù)信息，將橫搖數(shù)據(jù)進行歸一化處理。船舶橫搖實測數(shù) 據(jù)來源于船舶航行數(shù)據(jù)記錄儀(VDR)的船舶航行狀態(tài)記錄，航行記錄儀可實時記錄船舶的 各個運動狀態(tài)包括航速、航向、航程、橫搖、縱搖、首搖等時間狀態(tài)值，運里我們只提取船舶 的橫搖數(shù)據(jù)值。將橫搖數(shù)據(jù)進行歸一化處理。創(chuàng)建小波神經(jīng)網(wǎng)絡(luò)并設(shè)置粒子群優(yōu)化的小波 神經(jīng)網(wǎng)絡(luò)模型的各個網(wǎng)絡(luò)參數(shù)，迭代尋優(yōu)次數(shù)，種群規(guī)模，然后將種群粒子的速度和位置限 制在一定的范圍之內(nèi)。本步驟的作用主要是采集并提取出船舶的橫搖實測數(shù)據(jù)值，并進行 歸一化處理。然后初始化設(shè)置小波神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)W及粒子群優(yōu)化算法的各個初始參 數(shù)。
[0028] S2:構(gòu)建基于粒子群優(yōu)化算法的小波神經(jīng)網(wǎng)絡(luò)模型:將小波神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù) 包括權(quán)值闊值、小波基函數(shù)的平移參數(shù)和伸縮參數(shù)初始化為粒子群優(yōu)化算法的粒子種群位 置。本步驟的作用主要是將粒子群優(yōu)化算法引入到小波神經(jīng)網(wǎng)絡(luò)模型中代替?zhèn)鹘y(tǒng)的誤差反 向傳播算法，用于小波神經(jīng)網(wǎng)絡(luò)的各個網(wǎng)絡(luò)參數(shù)的尋優(yōu)訓(xùn)練。
[0029] 小波神經(jīng)網(wǎng)路的網(wǎng)絡(luò)參數(shù)包括:輸入層與隱含層之間的權(quán)值、隱含層闊值、隱含層 與輸出層之間的權(quán)值、輸出層闊值、小波基函數(shù)的平移參數(shù)和伸縮參數(shù)，根據(jù)誤差函數(shù)公式 計算粒子初始適應(yīng)度函數(shù)值，對于每個粒子利用小波神經(jīng)網(wǎng)絡(luò)的前向計算公式計算網(wǎng)絡(luò)的 實際輸出，然后利用誤差函數(shù)即適應(yīng)度函數(shù)計算其適應(yīng)度值，排序取出最小的適應(yīng)度值；
[0030] 小波神經(jīng)網(wǎng)絡(luò)模型的誤差函數(shù)公式如下：
[0031]
(4)
[0032] 其中化為小波神經(jīng)網(wǎng)絡(luò)模型的潮軟實測數(shù)據(jù)，Ok為小波神經(jīng)網(wǎng)絡(luò)模型的仿真輸出 數(shù)據(jù)，m為輸出層節(jié)點數(shù)；
[0033] 粒子群優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)模型在每一次迭代過程中，粒子的位置和速度更新公 式如下：
[0034] vi(t+l) = to *vi(t)+ci*ri*(pi-Xi(t) )+C2*r2*(pg-Xi(t)) 巧）
[0035] xi(t+l)=xi(t)+vi(t+l) j = l ,2, ??? ,n (6)
[0036] 其中CO為慣性權(quán)重，k為當(dāng)前迭代次數(shù)，Xi為粒子位置，Vi為粒子速度，Pi為個體極 值，Pg為群體極值，Cl和C2為非負常數(shù)，ri和K為介于0和1之間的而隨機數(shù)，為防止粒子盲目 捜索，對粒子的初始位置和速度進行限制，粒子群優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)Cl = c2 = 2.0,迭代尋優(yōu)次數(shù)為100,種群規(guī)模為20,每個粒子的初始速度限制在[-1,1]之間， 每個粒子的初始位置限制在[-3，3 ]之間。
[0037] S3:進入迭代過程，計算出最小適應(yīng)度值即最優(yōu)適應(yīng)度值。本步驟作用主要是將訓(xùn) 練數(shù)據(jù)前向傳播得到的網(wǎng)絡(luò)誤差值作為粒子群優(yōu)化算的適應(yīng)度函數(shù)值，得到種群中每個粒 子對應(yīng)的適應(yīng)度函數(shù)值，然后通過粒子的位置和速度更新公式更新粒子的位置和速度，然 后利用得到的新的粒子信息重新計算新的粒子適應(yīng)度值。排序?qū)?yōu)得到最小適應(yīng)度函數(shù) 值。
[0038] S4:判斷最優(yōu)個體適應(yīng)度函數(shù)值即誤差函數(shù)公式計算的誤差函數(shù)值是否滿足誤差 設(shè)置要求，或者判斷迭代尋優(yōu)次數(shù)是否達到設(shè)置要求，如果滿足要求則執(zhí)行S5，否則返回S3 繼續(xù)進行循環(huán)迭代尋優(yōu);本步驟作用是粒子尋優(yōu)迭代循環(huán)的終止循環(huán)條件。用于判斷迭代 循環(huán)是否達到設(shè)置要求從而決定是否終止尋優(yōu)循環(huán)。
[0039] S5:結(jié)束粒子群優(yōu)化算法的迭代尋優(yōu)，將尋優(yōu)得到的最優(yōu)網(wǎng)絡(luò)參數(shù)賦值給小波神 經(jīng)網(wǎng)絡(luò)進行仿真實驗，將采集到的船舶橫搖數(shù)據(jù)信息輸入至小波神經(jīng)網(wǎng)絡(luò)進行船舶橫搖實 時預(yù)測。本步驟的作用主要是將粒子群算法尋優(yōu)得到的小波神經(jīng)網(wǎng)絡(luò)最優(yōu)權(quán)值闊值W及小 波基函數(shù)的最優(yōu)平移和伸縮參數(shù)賦給小波神經(jīng)網(wǎng)絡(luò)模型，并使用船舶橫搖測試數(shù)據(jù)輸入新 的小波神經(jīng)網(wǎng)絡(luò)模型中，進行橫搖運動的預(yù)測仿真。
[0040] S3中具體采用如下方式：
[0041] 在每一次迭代過程中，粒子根據(jù)更新公式(5)和(6)更新自身的速度和位置，并根 據(jù)誤差函數(shù)計算公式(4)計算新的適應(yīng)度函數(shù)值，再進行排序提取出最小適應(yīng)度值，也就是 最優(yōu)適應(yīng)度值。
[0042] 小波神經(jīng)網(wǎng)絡(luò)結(jié)合了小波良好的時頻局域化性質(zhì)和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、自糾 錯能力，因而小波神經(jīng)網(wǎng)絡(luò)具有較強的逼近和容錯能力，并具有良好的收斂性和魯棒性。然 而其網(wǎng)絡(luò)收斂速度慢，捜索成功率低W及易陷入局部極小值等缺點時的傳統(tǒng)的小波神經(jīng)網(wǎng) 絡(luò)難W得到廣泛的應(yīng)用。
[0043] 本發(fā)明利用粒子群優(yōu)化算法對小波神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，與傳統(tǒng)的BP算法相比較， 小波神經(jīng)網(wǎng)絡(luò)模型的性能、迭代次數(shù)、逼近效果均W及收斂速度和擬合精度能得到顯著的 提高。且訓(xùn)練過程比較平穩(wěn)，網(wǎng)絡(luò)整體性能有較大的提高。相對于傳統(tǒng)的Wr^N預(yù)測模型具有 較高的捜索精度和捜索效率。而且具有更高的預(yù)測精度。
[0044] W上所述，僅為本發(fā)明較佳的【具體實施方式】，但本發(fā)明的保護范圍并不局限于此， 任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明掲露的技術(shù)范圍內(nèi)，根據(jù)本發(fā)明的技術(shù)方案及其 發(fā)明構(gòu)思加 W等同替換或改變，都應(yīng)涵蓋在本發(fā)明的保護范圍之內(nèi)。
【主權(quán)項】
1. 一種基于粒子群優(yōu)化算法的小波神經(jīng)網(wǎng)絡(luò)模型船舶橫搖實時預(yù)測方法，其特征在 于:包括以下步驟： Sl:載入實測的船舶橫搖數(shù)據(jù)信息，將橫搖數(shù)據(jù)進行歸一化處理； S2:構(gòu)建基于粒子群優(yōu)化算法的小波神經(jīng)網(wǎng)絡(luò)模型：將小波神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)包括 權(quán)值閾值、小波基函數(shù)的平移參數(shù)和伸縮參數(shù)初始化為粒子群優(yōu)化算法的粒子種群位置； S3:進入迭代過程，計算出最小適應(yīng)度值即最優(yōu)適應(yīng)度值； S4:判斷最優(yōu)個體適應(yīng)度函數(shù)值即誤差函數(shù)公式計算的誤差函數(shù)值是否滿足誤差設(shè)置 要求，或者判斷迭代尋優(yōu)次數(shù)是否達到設(shè)置要求，如果滿足要求則執(zhí)行S5,否則返回S3繼續(xù) 進行循環(huán)迭代尋優(yōu)； S5:結(jié)束粒子群優(yōu)化算法的迭代尋優(yōu)，將尋優(yōu)得到的最優(yōu)網(wǎng)絡(luò)參數(shù)賦值給小波神經(jīng)網(wǎng) 絡(luò)進行仿真實驗，將采集到的船舶橫搖數(shù)據(jù)信息輸入至小波神經(jīng)網(wǎng)絡(luò)進行船舶橫搖實時預(yù) 測。2. 根據(jù)權(quán)利要求1所述的基于粒子群優(yōu)化算法的小波神經(jīng)網(wǎng)絡(luò)模型船舶橫搖實時預(yù)測 方法，其特征還在于:S2中具體包括： 小波神經(jīng)網(wǎng)路的網(wǎng)絡(luò)參數(shù)包括:輸入層與隱含層之間的權(quán)值、隱含層閾值、隱含層與輸 出層之間的權(quán)值、輸出層閾值、小波基函數(shù)的平移參數(shù)和伸縮參數(shù)，根據(jù)誤差函數(shù)公式計算 粒子初始適應(yīng)度函數(shù)值，對于每個粒子利用小波神經(jīng)網(wǎng)絡(luò)的前向計算公式計算網(wǎng)絡(luò)的實際 輸出，然后利用誤差函數(shù)即適應(yīng)度函數(shù)計算其適應(yīng)度值，排序取出最小的適應(yīng)度值； 小波神經(jīng)網(wǎng)絡(luò)模型的誤差函數(shù)公式如下：(4) 其中Yk為小波神經(jīng)網(wǎng)絡(luò)模型的潮汐實測數(shù)據(jù)，Ok為小波神經(jīng)網(wǎng)絡(luò)模型的仿真輸出數(shù)據(jù)， m為輸出層節(jié)點數(shù)； 粒子群優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)模型在每一次迭代過程中，粒子的位置和速度更新公式如 下： Vi(t+1) = ω *vi(t)+ci*ri*(pi-Xi(t) )+C2*r2*(pg~Xi(t)) (5) xi(t+l) =xi(t)+vi(t+l) j = 1,2, ··· ,n (6) 其中ω為慣性權(quán)重，k為當(dāng)前迭代次數(shù)，Xi為粒子位置，Vi為粒子速度，Pi為個體極值，Pg 為群體極值，CjPc2為非負常數(shù)，為介于0和1之間的而隨機數(shù)，為防止粒子盲目搜索， 對粒子的初始位置和速度進行限制，粒子群優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)cl = c2 = 2.0,迭代尋優(yōu)次數(shù)為100,種群規(guī)模為20,每個粒子的初始速度限制在[_1，1]之間，每個粒 子的初始位置限制在[-3，3 ]之間。3. 根據(jù)權(quán)利要求2所述的基于粒子群優(yōu)化算法小波神經(jīng)網(wǎng)絡(luò)的船舶橫搖實時預(yù)測方 法，其特征還在于:S3中具體采用如下方式： 在每一次迭代過程中，粒子根據(jù)更新公式(5)和(6)更新自身的速度和位置，并根據(jù)誤 差函數(shù)計算公式(4)計算新的適應(yīng)度函數(shù)值，再進行排序提取出最小適應(yīng)度值，也就是最優(yōu) 適應(yīng)度值。
【文檔編號】G06N3/08GK106022471SQ201610317679
【公開日】2016年10月12日
【申請日】2016年5月12日
【發(fā)明人】尹建川, 張澤國, 柳成
【申請人】大連海事大學(xué)