(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111274866.8 (22)申请日 2021.10.2 9 (71)申请人 中国船舶重 工集团公司第七一五研 究所 地址 311499 浙江省杭州市西湖区留下街 道屏峰715号 申请人 杭州瑞利海 洋装备有限公司 (72)发明人 李新天　边宇舰　王文浩　杨飞　 何志强　 (74)专利代理 机构 杭州九洲专利事务所有限公 司 33101 代理人 陈继亮 (51)Int.Cl. G06F 30/27(2020.01) G06N 20/10(2019.01) (54)发明名称 一种浮标运动特性的数据驱动建模与预测 方法 (57)摘要 本发明提供了一种浮标运动特性的数据驱 动建模与预测方法， 包括以下步骤： (1)确定预测 模型的输入和输出变量， 收集 建模样本集S＝{X, Y}； (2)建立浮标运动特性的局部LSSVR模型， 包 括： (2.1)自动将样本集S分成2个样本子集， 即正 常工况的S1和和极端工况的S2； (2.2)每个样本 子集单独进行学习训练， 建立浮标运动特性的局 部LSSVR预测模型LSSVR1和LSSVR2； (3)自动为每 个新的测试样本， 选择合适的局部LSSVR预测模 型。 本发明的有益效果为： 本发明提出的数据驱 动建模与预测方法， 可基于有限建模样本， 实现 复杂频变海洋环境中浮标运动特性的建模和预 测。 相比机理模型建模过程的复杂性、 仿真建模 过程对设计者经验水平的依 赖性， 该方法提供了 一种工程上容 易实施的方法。 权利要求书2页 说明书5页 附图7页 CN 114117888 A 2022.03.01 CN 114117888 A 1.一种浮标运动特性的数据驱动建模与预测方法， 其特 征在于： 包括 步骤如下： (1) 、 确定预测模型的输入和输出变量 ， 收集建模样本集S ； 其中 (2)、 建立 浮标运动特性的局部LS SVR预测模型， 包括 (2.1)、 将 样本集S分成2个样本 子集， 即正常工况的S1和极端工况的S2； (2.2)、 样本子集S1单独进行学习训练， 建立浮标运动特性的局部LSSVR预测模型 LSSVR1； 样本子集S2单独进行 学习训练， 建立 浮标运动特性的局部LS SVR预测模型LS SVR2； (3)、 为每 个新的测试样本xt， t＝1,…,T， 选择合 适的局部LS SVR预测模型。 2.根据权利要求1所述的浮标运动特性的数据驱动建模与 预测方法， 其特征在于： 步骤 (2)具体包括： (2.1)将样本集S分成2个样本 子集， 即正常工况的S1和极端工况的S2， 其中 以第i个输入变量 表示输入变量的个数， 利用下述公式 式中Δxo,l和 分别表示xi,l的残差和均值， 权重系数λ≥0， 代表均方差； 如果Δxi,l≥λ σl,则 分至样本子集S2， 对应极端工况模型的建模样 本； 否则,si分至S1， 对应正常工况模型的建模样本； (2.2)每个样本子集单独进行学习训练， 建立浮标运动特性的局部LSSVR预测模型 LSSVR1和LSSVR2； 以建立LSSVR1为例， 根据LS SVR定义， 第i个输入变量xi的输出yi表示为： yi＝f(w,c,xi)+ei＝wTφ(xi)+c+ei,i＝1,··          (2) 式中， f表示待求模型， φ是非线性函数， w和c分别表示权值向量和偏置， ei表示相应的 噪声项； 其求解模型为： 式中,e＝[e1,…,eN]T表示误差向量； ||w||2/2为正则化项， γ>0为惩罚系数； 采用拉格 朗日乘子法求 解式(3)的等式约束优化问题， 得到如下线性方程组： 式中， b＝[b1,…,bN]T是拉格朗日乘子， 1＝[1, …,1]T∈RN为全1向量， G＝(K+I/γ)‑1， I ∈RN×N为单位阵， K是一个核矩阵， 其元素 对一 个新的测试样本xt， 其输出yt的预测值权　利　要　求　书 1/2 页 2 CN 114117888 A 2式中， 是输出样本的核矩阵。 3.根据权利要求2所述的浮标运动特性的数据驱动建模与 预测方法， 其特征在于： 采用 快速留一交叉验证法在线求取合 适的LSSVR模型参数对[γ, σ ]， 即 当 取得最小值时， 获取最合适的[γ, σ]， 式中， Gii是G的第i行第i列个元素,z＝G1＝ [z1,…,zN]T， o＝‑1TG1。 4.根据权利要求1所述的浮标运动特性的数据驱动建模与 预测方法， 其特征在于： 自动 为每个新的测试样本xt， t＝1,…,T,选择合 适的局部LS SVR预测模型； 利用下述公式 如果Δxt,l≥λ σl， 则xt用LSSVR2预测； 否则,xt用LSSVR1预测。权　利　要　求　书 2/2 页 3 CN 114117888 A 3