關(guān)鍵詞：組合模型 長短期記憶 神經(jīng)網(wǎng)絡(luò) 經(jīng)驗(yàn)?zāi)B(tài)分解 船舶運(yùn)動(dòng)姿態(tài)預(yù)測 

摘要：由于船舶在海上航行時(shí)的高隨機(jī)性和復(fù)雜性,單一模型預(yù)測能力有限,難以做出準(zhǔn)確姿態(tài)預(yù)測。因此,提出一種基于經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)和粒子群優(yōu)化(PSO)的長短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)的組合預(yù)測模型,對船舶運(yùn)動(dòng)姿態(tài)進(jìn)行預(yù)測。首先通過EMD算法將由慣性導(dǎo)航系統(tǒng)在實(shí)時(shí)測量得到的船舶運(yùn)動(dòng)姿態(tài)數(shù)據(jù)進(jìn)行分解,得到有限個(gè)本征模函數(shù)(IMF)。然后,利用PSO-LSTM模型學(xué)習(xí)各IMF分量的短期時(shí)序規(guī)律并進(jìn)行預(yù)測,將各IMF分量的預(yù)測值相加得到最終的預(yù)測結(jié)果。基于實(shí)測數(shù)據(jù)進(jìn)行仿真的結(jié)果表明,該組合預(yù)測模型分別比LSTM模型和PSO-LSTM模型在姿態(tài)角的預(yù)測中平均絕對百分比誤差分別降低了約11%和7%,有效提高了船舶運(yùn)動(dòng)姿態(tài)預(yù)測精度。

中國慣性技術(shù)學(xué)報(bào)雜志要求:

{1}文中插圖與表格放在相應(yīng)正文之后。表須為三線表，表的序號及表題置于表格上方，表注放在表格的下方。插圖應(yīng)為黑白色，其序號、圖題及注釋居中放在圖的下方。

{2}來稿必須包括標(biāo)題、作者、作者單位及地址、摘要、關(guān)鍵詞、正文、參考文獻(xiàn)、作者簡介。

{3}文中一級標(biāo)題、二級標(biāo)題、三級標(biāo)題、四級標(biāo)題的序號用“一、……”“（一）……”“1．……”“（1）……”標(biāo)示。

{4}來稿附不超過200字的中英文摘要及關(guān)鍵詞3~8個(gè)。

{5}基金項(xiàng)目（文章產(chǎn)出的資助背景）：基金項(xiàng)目名稱全稱及具體項(xiàng)目編號（或項(xiàng)目批準(zhǔn)號）。

注：因版權(quán)方要求，不能公開全文，如需全文，請咨詢雜志社