(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 202111515871.3 (22)申请日 2021.12.13 (71)申请人 青岛杰瑞工控技 术有限公司 地址 266071 山东省青岛市 市南区山 东路 27号东栋101室 (72)发明人 赵奎　魏立明　孙佳隆　庄肃然　 朱波　朱广文　刘鲁西　雷凯　 张玉石　徐以军　朱宁　 (74)专利代理 机构 青岛华慧泽专利代理事务所 (普通合伙) 37247 代理人 付秀颖 (51)Int.Cl. G06Q 10/04(2012.01) G06F 17/16(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种考虑多参数相关性的船舶辅助靠离泊 优化算法 (57)摘要 本发明公开了一种考虑多参数相关性的船 舶辅助靠离泊优化算法， 其特征在于， 包括以下 步骤： S1.获取数据： 从港口辅助靠离泊数据采集 系统获得港口一段时间内 的数据M(m1， m2， m3， m4， m5， m6， m7)， (m1， m2， m3， m4， m5， m6， m7)代表(风速， 风 向角， 海水波高， 波向角， 船舶排水量， 船舶离岸 距离， 船舶速度)的集合； S2.去相关性处理； S3. 构建BP神经网络模型， 并进行训练和测试， 其优 点在于， 有效改进了BP神经网路对于船舶靠离泊 速度的预测效果， 能够准确、 快速地处理收集到 的各种实时信息， 然后及时、 准确地对靠离泊状 态进行判断， 进而提高港口船舶靠离泊的安全 性、 准确性。 权利要求书3页 说明书5页 附图1页 CN 114330838 A 2022.04.12 CN 114330838 A 1.一种考虑多参数相关性的船舶辅助靠 离泊优化 算法， 其特 征在于， 包括以下步骤： S1.获取数据： 从港口辅助靠离泊数据采集系统获得港口一段时间内的数据M(m1， m2， m3， m4， m5， m6， m7)， (m1， m2， m3， m4， m5， m6， m7)代表(风速， 风向角， 海水波高， 波向角， 船舶排水 量， 船舶离岸距离， 船舶速度)的集 合； S2.去相关性处理： 步骤S1中的风速m1和波高m3、 风向角m2和波向角m4之间会存在相关 性， 会对预测模型的准确性产生 不利影响， 因此需要对获得的数据进行去相关处 理。 S3.构建BP神经网络模型， 并进行训练和测试， 从港口共获得大量组数据， 其中随机抽 取的70％数据用于S3的训练， 余下的3 0％组数据用于测试神经网络 。 2.根据权利要求1所述的一种考虑多参数相关性的船舶辅助靠离泊优化算法， 其特征 在于， 步骤S2中去相关性处 理步骤如下： S21.设置向量M＝(m1， m2， m3， m4)， 构成协方差矩阵CM 其非对角线元素 为变量ma和mb的协方差， 对角元素则为ma的方差 由实对称正定方阵的定义可知， CM是具有4个实特征值和4个线性无关且正交的特征向 量的4阶实对称正定方阵； S22.设置矩阵A， 其各列由CM的规则化特征向量所组成， 作变换ATCMA可将CM化成对角矩 阵， 对角元 素为CM的特征值， 作正交变换 M＝AL 可将向量M变成线性无关的向量L， L的协方差矩阵为对角矩阵 因 为A‑1＝AT， 上式又可以写成 L＝ATM 经过以上处理， 得到L＝(l1， l2， l3， l4)可将风速、 风向、 波高、 波浪角变成相互独立的参 数， 互相之间不会影响， l5， l6， l7＝m5， m6， m7， 由此获得处理后的数据L＝(l1， l2， l3， l4， l5， l6， l7)； S23.将所有数据进行归一 化处理， 归一化公式如下； 式中， x表示归 一化处理后的数据， lu为第u个输入数据(u＝1， 2， ...， 7)， lmin为输入数据 的最小值， lmax为输入数据的最大值， 最终得到数据X＝(x1， x2， x3， x4， x5， x6， x7)。 3.根据权利要求2所述的一种考虑多参数相关性的船舶辅助靠离泊优化算法， 其特征 在于， 步骤S3中， BP神经网络模型构建步骤如下： S31.BP神经网络由众多神经元组成， 其中第一层是输入层， 中间的都是隐藏层， 最后一 层是输出层， x1， x2， x3， x4， x5， x6为训练集自变量， x7为训练集因变量， Si＝S1、 S2、 ...、 Sp表示 净输出值， 通过激活函数f， 得到隐藏层输出Yi， 第i个神经 元的净输出值 为权　利　要　求　书 1/3 页 2 CN 114330838 A 2其中Wj为第个神经元 的权重， wji(j＝1， 2， ...， 6， i＝1， 2， ...， p)为输入层到隐藏层之 间的权值， 净输出值Si通过激活函数f处 理后， 便可以得到隐藏层的输出值Yi， 表示为 Yi＝f(Si)。 4.根据权利要求3所述的一种考虑多参数相关性的船舶辅助靠离泊优化算法， 其特征 在于， 步骤S3中， BP神经网络模型训练步骤如下： S32.训练BP神经网络存在两个过程， 一个是信号正向传播过程， 一个是误差反向传播 过程， 输入层有6个节点， 在隐藏层有p 个节点， 在输出层有1个节点， 将vi(i＝1， 2， ...， p)为 隐藏层到输出层之间的权值， 隐藏层的激活函数为f(x)， 输出层的激活函数为f2(x)， 那么 隐藏层各节点的输出 可以表示 为 输出层各节点的输出为 在误差反向传播过程中， 首先应定义误差函数， 第q组数据到网络中得到的输出数据为 用平方型误差函数来表示第q组数据的样本误差 Eq 式中， 为期望输出； 对于N组训练数据， 其总体误差为 在输出层权值的调整过程中， 应用累计误差BP算法来调整vi， 使总体误差 E减小， 即 式中η为学习率， 定为0.1。 5.根据权利要求4所述的一种考虑多参数相关性的船舶辅助靠离泊优化算法， 其特征 在于， 步骤S3中， BP神经网络模型训练步骤如下： S33.假定误差信号 为 权　利　要　求　书 2/3 页 3 CN 114330838 A 3