申请/专利权人：青岛哈尔滨工程大学创新发展中心;哈尔滨工程大学

申请日：2024-03-15

公开（公告）日：2024-05-31

公开（公告）号：CN117893575B

主分类号：G06T7/246

分类号：G06T7/246;G06V10/44;G06V10/774;G06V10/80;G06V10/82;G06N3/042;G06N3/0442;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.05.31#授权;2024.05.03#实质审查的生效;2024.04.16#公开

摘要：本发明属于船舶与海洋工程技术领域，公开了图神经网络融入自注意力机制的船舶运动预报方法及系统。该方法采用图卷积神经网络和门控循环神经网络结合的预报模型，以及采用自注意力机制基于输入的船舶六自由度运动片段计算六自由度运动耦合权重矩阵，并构造船舶六自由度运动图数据，实现船舶运动耦合关系表征；然后采用GCN结合GRU模型，基于构造的船舶六自由度运动图数据进行特征提取，实现船舶运动极短期预报。本发明提出的预报方法优于现有的常用的船舶运动极短期预报模型。

主权项：1.一种图神经网络融入自注意力机制的船舶运动预报方法，其特征在于，该方法基于船舶六自由度运动数据构造的图数据，将图卷积GCN神经网络和门控循环GRU神经网络结合，构建船舶运动极短期预报模型，对船舶进行单自由度运动预报，具体包括以下步骤：S1，采用自注意力机制，基于输入的船舶六自由度运动序列片段，计算六自由度运动序列之间的耦合权重矩阵，并基于耦合权重矩阵将船舶六自由度运动数据构造为图数据；其中，图数据中的节点数据为船舶六自由度运动幅值，图数据中的邻接矩阵为计算出的耦合权重矩阵，实现基于船舶运动多序列数据的耦合关系表示；S2，采用GCN模型对所述图数据进行特征提取，根据邻接矩阵对节点数据进行融合，对被预报的单自由度运动数据进行特征重构；S3，采用GRU模型对GCN特征重构的单自由度运动数据进行时序特征提取和学习，完成对单自由度运动的预报；在步骤S1中，所述采用自注意力机制，基于输入的船舶六自由度运动序列片段，计算六自由度运动序列之间的耦合权重矩阵，并基于耦合权重矩阵将船舶六自由度运动数据构造为图数据包括：S101，得到的船舶六自由度运动数据，表达式为： 其中，D为6行T列矩阵，第1至6行依次表示船舶纵荡、横荡、垂荡、横摇、纵摇和艏摇运动数据，T表示船舶六自由度运动数据的时间步总数；设置训练集数据时间步总数为t，将船舶六自由度运动数据分割为训练集数据Dtr和测试集数据Dte，表达式分别为： S102，采用滑动窗口法分割得到船舶运动极短期预报模型的训练集输入矩阵Intr＝[D1，D2…Dt-b-p+1]，船舶运动极短期预报模型的测试集输入矩阵Inte＝[Dt，Dt+1…DT-b-p+1]，其中，Dk表示一个输入片段，计算公式为： 式中，k表示输入片段的起始时间步，同时分割得到训练集输出矩阵Outtr＝[Db+1，Db+2…Dt-p+1]和测试集输出矩阵Outte＝[Dt+b，Dt+b+1…DT-p+1]，Dj表示一个输出片段，Dj＝[dnj，dnj+1…dnj+p-1]1×p，j表示输出片段的起始时间步；其中t为训练集数据时间步总数，b为输入长度，p为输出长度，n为预报自由度编号，n＝1，2，3，4，5，6，其中1至6依次表示船舶纵荡、横荡、垂荡、横摇、纵摇和艏摇运动；在步骤S2中，所述采用GCN模型对所述图数据进行特征提取包括：对于船舶运动极短期预报模型的训练集输入矩阵Intr＝[Db1，D2…Dt-b-p+1]，其中，t为训练集数据时间步总数，b为输入长度，p为输出长度，针对Intr中的每个输入片段Dk，表达式为： 式中，k表示输入片段的起始时间步，采用GRU模型分别提取六自由度运动特征，取GRU提取的最后一个隐藏状态参数表示实数域，即所有实数的集合；在步骤S2中，所述根据邻接矩阵对节点数据进行融合包括：基于隐藏状态参数R计算自注意力机制中的查询矩阵Q和键矩阵K，与输入片段Dk对应的船舶六自由度运动耦合权重矩阵A的计算公式为： 其中，d为查询矩阵Q和键矩阵K的隐藏维度，查询矩阵Q和键矩阵K的计算公式分别为：Q＝RWQK＝RWK式中，WQ和WK分别为自注意力机制中两个具有可学习参数的线性投影矩阵，R为GRU模型提取的最后一个隐藏状态参数；基于图数据结构，将输入片段Dk与其对应的船舶六自由度运动耦合权重矩阵A结合，将输入片段构造为船舶六自由度运动图数据G。

全文数据：

权利要求：

百度查询： 青岛哈尔滨工程大学创新发展中心;哈尔滨工程大学 图神经网络融入自注意力机制的船舶运动预报方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD