關鍵詞：組合模型 長短期記憶 神經網絡 經驗模態分解 船舶運動姿態預測 

摘要：由于船舶在海上航行時的高隨機性和復雜性,單一模型預測能力有限,難以做出準確姿態預測。因此,提出一種基于經驗模態分解(EMD)和粒子群優化(PSO)的長短期記憶神經網絡(LSTM)的組合預測模型,對船舶運動姿態進行預測。首先通過EMD算法將由慣性導航系統在實時測量得到的船舶運動姿態數據進行分解,得到有限個本征模函數(IMF)。然后,利用PSO-LSTM模型學習各IMF分量的短期時序規律并進行預測,將各IMF分量的預測值相加得到最終的預測結果。基于實測數據進行仿真的結果表明,該組合預測模型分別比LSTM模型和PSO-LSTM模型在姿態角的預測中平均絕對百分比誤差分別降低了約11%和7%,有效提高了船舶運動姿態預測精度。

中國慣性技術學報雜志要求:

{1}文中插圖與表格放在相應正文之后。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}來稿必須包括標題、作者、作者單位及地址、摘要、關鍵詞、正文、參考文獻、作者簡介。

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

{4}來稿附不超過200字的中英文摘要及關鍵詞3~8個。

{5}基金項目（文章產出的資助背景）：基金項目名稱全稱及具體項目編號（或項目批準號）。

注：因版權方要求，不能公開全文，如需全文，請咨詢雜志社