深度循环神经网络在船舶操纵运动辨识中的对比研究

该文对比研究了基于长短期记忆(Long Short-Term Memory,LSTM)和基于门控循环单元(Gated Recurrent Unit,GRU)两种深度循环网络的船舶操纵辨识建模方法.相对于传统的前向网络,循环神经网络的形式更适合发掘船舶运动训练数据中的时序相关性,因而更适合应用于船舶操纵运动辨识建模.该文以KVLCC2大型油轮为研究对象,采用自由自航船模试验仿真数据作为训练数据,并在模拟数据中加入了不同强度的白噪声,使用基于LSTM和GRU的深度循环神经网络建立对噪声有良好鲁棒性的多输入多输出(MIMO)的船舶操纵运动数学模型,并对两种网络模型的预报精度进行了对比分析.结果表明,两种深度循环神经网络模型应用于船舶操纵运动预报时,均具有良好的泛化性和对噪声的鲁棒性.当噪声较大时,LSTM神经网络模型具有更好的预报性能.