一种基于IPSO优化ELM的内河船舶轨迹预测方法.pdf
《一种基于IPSO优化ELM的内河船舶轨迹预测方法.pdf》由会员分享,可在线阅读,更多相关《一种基于IPSO优化ELM的内河船舶轨迹预测方法.pdf(6页珍藏版)》请在咨信网上搜索。
1、第 卷第期 年月武汉理工大学学报(交通科学与工程版)J o u r n a l o fWu h a nU n i v e r s i t yo fT e c h n o l o g y(T r a n s p o r t a t i o nS c i e n c e&E n g i n e e r i n g)V o l N o A u g 一种基于I P S O优化E LM的内河船舶轨迹预测方法郑元洲,)刁士桐,)钱龙,)张远锋,)李梦希,)刘欣宇,)(武汉理工大学航运学院)武汉 )(内河航运技术湖北省重点实验室)武汉 )摘要:文中针对现有预测模型精度和计算效率不高的问题,提出一种引入深度学
2、习框架(E LM)和改进粒子群算法(I P S O)的预测模型,进行内河船舶轨迹预测采用长江武汉段实测A I S数据并从中提取一系列典型轨迹,使用E LM方法对典型轨迹进行实时预测,考虑到E LM网络的超参数难以人工取到最优,提出采用I P S O算法对网络超参数进行寻优处理,利用最优网络参数构建轨迹预测模型(I P S O E LM),并与S VM方法、L S TM方法和E LM方法进行对比实验结果表明:I P S O E LM有效提高了轨迹预测精度关键词:极限学习机;改进粒子群;内河航道;船舶轨迹预测中图法分类号:U d o i:/j i s s n 收稿日期:第一作者:郑元洲(),男,博
3、士,教授,主要研究领域为研究方向为智能航海、船舶智能控制技术通信作者:钱龙(),男,博士生,主要研究领域为计算机视觉、信号处理、智能航海基金项目:国家自然科学基金(、)引言在交通密度高,条件复杂的港口或水域,船舶航行安全是一个亟待解决的问题为了适应内河航运的智能化发展,需要为船舶智能航行系统提供轨迹预测和危险预警 S e a n等将时间设置为唯一变量值,并在一定离散时间内得到轨迹测量值 S h u a i等将设定水域划分为网格,船舶位置、速度,以及方向为关键因素计算网格状态,利用K阶马尔科夫链建立状态转移矩阵进行预测,但该方法存在对历史船舶信息利用率低的问题Q i a n等采用长短时记忆网络模
4、型,以A I S数据中的船舶经纬度以及航速信息进行模型训练和预测,利用GA对网络模型中的参数进行优化,解决了原始模型难以获得最优解的问题目前极限学习机(e x t r e m e l e a r n i n gm a c h i n e,E LM)神经网络已在手写体数字识别、入侵检测等领域已得到成功应用,但E LM神经网络的关键超参数难以确定,如初始权重、隐层偏置,以及隐含层神经元个数等,而控制模型拓扑结构的关键正是这些网络结构参数因此不同的超参数组合建立的网络模型其预测性能具有较大差异文中以E LM算法模型为技术基础研究建立了内河船舶轨迹预测算法模型考虑到目前E LM模型的关键超参数难以确定
5、,利用改进粒子群优化(i m p r o v e dp a r t i c l es w a r m o p t i m i z a t i o n,I P S O)算法,该算法模型以船舶位置、速度,以及航向作为神经网络的输入,以船舶位置作为目标输出,采用I P S O算法优化的E LM神经网络(简称I P S OE LM)模型来进行船舶航行轨迹预测船舶航迹预测模型建立船舶自动识别系统(A I S)提供的实时船舶轨迹数据,可用于监视船舶行为、检测船舶的异常航行状态设定船舶在时刻t的航行行为为y(t)l a tt,l o nt,s o gt,c o gt()式中:l a tt,l o nt,s
6、o gt和c o gt分别为船舶在t时刻的纬度、经度、速度,以及对地航向通常情况下,船舶当前行为与历史行为是确定船舶下一时刻航行行为的关键要素因此,为提高模型轨迹预测精度,本文设定模型的输入为船舶过去三个时刻的航行行为y(t)、y(t)和y(t),模型输出为下一时刻船舶的经、纬度,即Ii n p u ty(t),y(t),y(t)Oo u t p u tl a tt,l o nt()式中:模型输入Ii n p u t与输出Oo u t p u t之间的函数关系,Oo u t p u tf(Ii n p u t),其中,f()为非线性变换函数因此,对于船舶航行轨迹预测的问题,使用采集得到的A I
7、 S数据的部分样本作为训练数据集 y(t),y(t),y(t),y(t),t,l,求得输入样本Ii n p u t和目标输出样本Oo u t p u t之间非线性变换的最佳估计值,本文选取I P S O E LM网络模型对非线性变换函数f()进行拟合,利用训练数据集构建I P S O E LM模型,将测试数据集输入到I P S O E LM模型中,最终进行船舶航行轨迹的实时预测基于I P S O优化的E L M神经网络 E LM神经网络相比较于传统的前馈神经网络训练,该方法具有随机生成输入与隐含层之间的连接权重以及隐含层神经元的阈值,因此无须对网络训练结果加以调整,仅通过设定隐含层神经元的数量
8、就能够进行最优估计求解高效的学习速率和突出的泛化性能等优点使极限学习机被广泛应用于预测和分类领域E LM的学习主要分为两个阶段:第一阶段是E LM针对少量的训练样本进行初始化并输出权重;第二阶段E LM对样本进行在线学习,每当输入一个新的样本时,通过公式得出新的权重,从而实现在线学习具体权重计算步骤如下步骤设置连接输入层与输出层的权重w为ww wnwlwl nln()隐含层和输出层之间的连接权重为 mll mlm()式中:n为输入层神经元数;l为隐含层神经元数;m为输出层神经元数步骤设置隐含层神经元的偏置b为bbbbll()步骤设置隐含层神经元的激活函数为g(x),则E LM的输出T为Tlii
9、g(wixjbi)liig(wixjbi)lii mg(wixjbi)ml,j,Q()式中:wiwi,wi,wi m;xixj,xj,xn jT;Q为隐层神经元数步骤由于式()可表示为H T,其中:T 为矩阵T的转置;H为隐含层输出矩阵因此,H具体表示为Hg(wxb)g(wxb)g(wlxb)g(wxb)g(wxb)g(wlxb)g(wxQb)g(wxQb)g(wlxQb)Ql()m i nH T()式()的最小二乘解为隐含层与输出层之间的连接权值该方程组的解为HT,H为隐含层输出矩阵的M o o r e P e n r o s e广义逆 改进粒子群优化算法 传统粒子群优化算法传统粒子群算法描
10、述为:假设在一个D维搜索空间,R个粒子构成的一个种群Xx,x,xR,其中xixi,xi,xi D,设t时刻xi的特征信息见表表t时刻xi的特征信息特征信息数据集位置Xtixti,xti,xti DT速度Vtivti,vti,vti DT个体最优位置ptipti,pti,pti DT全局最优位置ptgptg,ptg,ptg DT则该粒子在t时刻的速度和位置信息更新为vt i dw vti dcrt(pti dxti d)crt(ptg dxti d)()xt i dxti dvt i d()第期郑元洲,等:一种基于I P S O优化E LM的内河船舶轨迹预测方法式中:w为惯性权重,控制粒子实现了
11、全局探测和局部开采的有效协调;c和c分别为调整飞向自身和全局最佳位置方向的步长的学习因子;r和r为均匀分布在,之间的随机数为了防止粒子的搜寻,通常把其速度和位置分别限定在Vm a x,Vm a x 和Xm a x,Xm a x 以内 改进粒子群优化算法在传统粒子群算法中,惯性权重的大小可直接影响算法的寻优能力,粒子运动轨迹取决于学习因子c、c控制的粒子个体经验和群体经验,通常情况下cc且为固定值,这些参数使得传统的P S O的全局寻优能力和收敛速度有限 文中依据P S O算法在寻优过程中具有迭代前期注重广泛搜索,迭代后期注重快速收敛的特性,利用非线性惯性权重和异步学习因子来提高算法的寻优能力将
12、w定义为wwm a x(wm a xwm i n)a r c s i nttm a x()式中:wm a x和wm i n分别为w的最大值和最小值;t为当前迭代次数;tm a x为最大迭代次数当t较小时,w接近于wm a x,并且w的减小速度也较慢,这提高了算法的全局搜索寻优性能;随着t增大,w以非线性递减,并且w减小速度迅速增加,加强了算法的局部搜素寻优性能将固定学习因子c,c改为动态的异步学习因子,其定义为cc,s t a r t(c,e n dc,s t a r t)tT()cc,s t a r t(c,e n dc,s t a r t)tT()式中:t为当前迭代次数;T为初始种群数;c
13、,s t a r t,c,e n d分别为学习因子c的初始值和最后一次迭代的值;c,s t a r t,c,e n d分别为学习因子c的初始值和最后一次迭代的值文献 表明动态的学习因子有效保证了算法中粒子的多样性和快速收敛性 改进粒子群优化算法流程利用I P S O突出的全局搜索性能对E LM网络进行优化,得到E LM网络中初始权重和隐含层偏置的最优参数组合流程如下步骤初始化参数其中涵盖种群规模,迭代次数,学习因子,以及确定的粒子位置和速度步骤初始化粒子的位置与速度随机生成种群粒子Xi,(w,b),w为E LM神经网络初始权重;b为隐含层偏置步骤确定粒子的适应度函数对粒子适应度函数的定义为f
14、i t n e s sNNn(ynyn)()式中:N为轨迹点数据总量;yn为船舶位置的网络预测值;yn为船舶位置的真实值步骤将步骤中得到的粒子Xi,对E LM神经网络的参数赋值,通过计算粒子的位置,求出相应于粒子的最优位置,并利用初始粒子的适应度值来求得个体的极值和群集的极点,并以粒子的最佳位置为最佳点步骤 在每次迭代期间,粒子的速度和位置由各个极值和整体极值按照式()式()来更新;同时,对新粒子的适应度进行了计算,并利用新群体的适应度值对粒子的极值和极点进行了更新步骤在满足I P S O算法的最后一个结束条件之后,将所获得的最佳参数组合作为网络的最后参量 I P S O E LM船舶轨迹预测
15、模型将I P S O与E LM神经网络相结合,并构建基于I P S O E LM的船舶轨迹预测模型模型具体操作流程如下步骤选择训练数据集为了得到函数f()的最佳拟合,I P S O E L M模型的输入数据由船舶位置、速度和对地航向构成,用向量u来表示输出为船舶的下一时刻位置信息:经度和纬度uil a ti,l a ti,l a til o ni,l o ni,l o nis o gi,s o gi,s o gic o gi,c o gi,c o giT,Mil a ti l o ni T()式中:l a ti、l o ni、s o gi和c o gi分别为船舶的纬度、经度、速度,以及航向步骤
16、利用I P S O优化E LM网络参数将E LM网络模型中初始权重和隐含层偏置作为优化对象,执行种群的初始化;计算初始种群中各个粒子适应度大小;计算粒子个体极值和全局极值,并找到粒子群的当前全局最优解;对种群中的每个粒子进行速度与位置更新;判断算法终止条件若不符合终止条件则回到;若符合终止条件,则 将I P S O求 出 的 最 优 参 数 作 为E LM网络模型的最终参数步骤训练I P S O E LM将训练数据集输入最优参数组合的I P S O E LM网络将目标信号武汉理工大学学报(交通科学与工程版)年第 卷与输出信号之差用误差信号e表示 I P S O E LM模型根据均方误差最小化拟
17、合误差E(eTe),最终得到最优拟合函数f()步骤预测船舶运动轨迹将船舶轨迹数据 送 入I P S O E LM模 型,利 用 最 优 拟 合 函 数f()计算得到船舶位置信息实验与结果 模型评价标准通过 均 方 误 差(MS E)和 平 均 绝 对 误 差(MA E)对模型整体性能进行评估,MS E和MA E的值越小,则说明预测经度越高MS E和MA E的计算公式为M S EPpi(Yiyi)()M A EPpi|Yiyi|()数据预处理实验数据为采集于区域为长江武汉段沌口水道至白浒山横驶区 年 月阶段A I S实时数据 A I S数据在接收过程中,由于多种因素会导致数据不全,船位、速度、航
18、向等动态要素的丢失同时A I S数据中可能会出现较大偏差的时间序列数据,在数据预处理的过程中,需要将其剔除为了尽可能的保证数据本来的样貌,将轨迹预测做到更为真实,本文只采用剔除错误数据,保留正常发讯的A I S数据根据位置坐标剔除超出水道范围的输入向量;速度数据删除速度信息为零的输入向量;A I S发讯时间间隔随船速及舵速而变,内河船舶发讯间隔为 s,为提高数据质量,定义时间间隔大于 s的数据属于不同轨迹,按轨迹进行编号,删除轨迹点少于正常数量的轨迹条实验使用数据见表表实验所用数据数据集船舶A I S地点武汉时间段 年 月 日时间间隔m i n原始数据 处理后航迹段总数 处理后A I S数据总
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 一种 基于 IPSO 优化 ELM 内河 船舶 轨迹 预测 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。