本發(fā)明涉及冰區(qū)航行，具體而言，尤其涉及一種冰區(qū)航行船舶環(huán)境響應(yīng)的快速預(yù)報方法。

背景技術(shù)：

1、船舶在海上姿態(tài)的實時預(yù)報對于大風(fēng)浪中的船舶轉(zhuǎn)向、飛行器的在甲板的起降、水下航行器的收放、海上過駁、收放電纜及其他海上施工作業(yè)中都起著重要的作用。但是船舶在海上航行時，受到風(fēng)、浪、流等環(huán)境要素的影響，船舶的搖蕩運動具有非線性、動態(tài)時變等復(fù)雜特性，增加了其預(yù)報的難度。

2、目前，對于船舶在冰區(qū)航行過程中的運動響應(yīng)采用的是數(shù)值模擬的方法。該方法由于計算量大導(dǎo)致難以實時應(yīng)用，無法適用于冰區(qū)船舶風(fēng)險的在線評估以及航線在線調(diào)整等應(yīng)用場景。此外，目前的預(yù)報方法存在通用的環(huán)境預(yù)報周期長，實時應(yīng)用困難等問題。還存在環(huán)境要素預(yù)報存在不確定性強而導(dǎo)致環(huán)境要素預(yù)測精度較差等問題。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明的目的在于提出一種冰區(qū)航行船舶環(huán)境響應(yīng)的快速預(yù)報方法，以解決現(xiàn)有冰區(qū)航行船舶環(huán)境響應(yīng)預(yù)報精度差的技術(shù)問題。

2、本發(fā)明采用的技術(shù)手段如下：

3、一種冰區(qū)航行船舶環(huán)境響應(yīng)的快速預(yù)報方法，包括如下步驟：

4、s1、建立船舶在海上對存在冰、風(fēng)、浪的環(huán)境干擾下的運動響應(yīng)和船舶結(jié)構(gòu)響應(yīng)數(shù)學(xué)模型；

5、s2、建立船舶航行海域冰情及海況預(yù)報模型，采用引入注意力機制的時空生成對抗神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)觀測數(shù)據(jù)與高分辨率模式預(yù)報數(shù)據(jù)的同化融合，進(jìn)行外界冰風(fēng)浪流場的動態(tài)更新預(yù)報，獲得船舶所經(jīng)過海域的初始海洋環(huán)境預(yù)報結(jié)果；

6、s3、根據(jù)實時測量的冰情與風(fēng)、浪、流信息以及船舶運動與結(jié)構(gòu)響應(yīng)信息，對船舶冰區(qū)航行的環(huán)境運動及結(jié)構(gòu)響應(yīng)數(shù)據(jù)庫進(jìn)行豐富或者根據(jù)風(fēng)浪流要素的實測信息及船舶結(jié)構(gòu)響應(yīng)的冰載荷反演信息進(jìn)行船舶航行海域冰情及海況預(yù)報模型數(shù)據(jù)庫的更新，獲得實時海洋環(huán)境預(yù)報結(jié)果；

7、s4、根據(jù)船舶的計劃航線與實時海洋環(huán)境預(yù)報結(jié)果，在24h之內(nèi)按小時對船舶航線區(qū)域進(jìn)行冰區(qū)環(huán)境要素的精細(xì)化實時預(yù)報，在預(yù)報過程中采用多層次分解與預(yù)測，將預(yù)測分解成不同的時間尺度進(jìn)行預(yù)報，將不同的預(yù)報進(jìn)行求和以得到最終的預(yù)報結(jié)果；

8、s5、根據(jù)船舶計劃航線所經(jīng)過的海域，通過運動響應(yīng)和結(jié)構(gòu)響應(yīng)數(shù)學(xué)模型計算船舶經(jīng)過該海域冰區(qū)以及風(fēng)場和浪場的運動響應(yīng)和結(jié)構(gòu)響應(yīng)；運動響應(yīng)和結(jié)構(gòu)響應(yīng)數(shù)學(xué)模型的輸入包括船舶要素信息、環(huán)境要素信息和動態(tài)要素信息，運動響應(yīng)和結(jié)構(gòu)響應(yīng)數(shù)學(xué)模型的輸出為船舶在設(shè)定的冰、風(fēng)、浪影響下的航速、運動姿態(tài)和結(jié)構(gòu)響應(yīng)；

9、s6、基于上述船舶在冰、風(fēng)、浪影響下的航速、運動姿態(tài)等運動響應(yīng)和結(jié)構(gòu)響應(yīng)，結(jié)合最終的預(yù)報結(jié)果，綜合進(jìn)行船舶在冰區(qū)航行的響應(yīng)預(yù)報。

10、進(jìn)一步地，s1具體包括如下步驟：

11、s11、設(shè)定訓(xùn)練模型的輸入和訓(xùn)練模型的輸出；所述訓(xùn)練模型的輸入包括船舶要素信息、環(huán)境要素信息和動態(tài)要素信息；所述訓(xùn)練模型的輸出包括船舶在冰、風(fēng)、浪影響下的航速、運動姿態(tài)和結(jié)構(gòu)響應(yīng)；

12、s12、基于模型輸入和模型輸出，通過船舶在冰中的運動和結(jié)構(gòu)響應(yīng)進(jìn)行數(shù)值模擬的方法建立模型輸入-輸出訓(xùn)練樣本，計算特定的船舶對于環(huán)境要素在船舶航速、運動姿態(tài)和結(jié)構(gòu)上的響應(yīng)；設(shè)樣本集中有m個樣本，輸入向量x有n個自變量，輸入x為m×n維矩陣，輸出向量y有l(wèi)個因變量，輸出y為m×l維矩陣；

13、s13、根據(jù)s12所得樣本的各項輸入與輸出數(shù)據(jù)，離線訓(xùn)練神經(jīng)網(wǎng)絡(luò)使得神經(jīng)網(wǎng)絡(luò)精確逼近輸入-輸出映射，建立船舶航行的運動和結(jié)構(gòu)響應(yīng)模型的神經(jīng)網(wǎng)絡(luò)映射模型。

14、進(jìn)一步地，所述船舶要素信息包括船舶主尺度、結(jié)構(gòu)參數(shù)及艏柱傾角的船體參數(shù)、上層建筑布置、船舶冰級的參數(shù)、船舶吃水及吃水差、螺旋槳尺度；所述環(huán)境要素信息包括冰、風(fēng)、浪的水文氣象環(huán)境要素；所述動態(tài)要素信息包括船舶與環(huán)境要素的相對位置和運動關(guān)系、螺旋槳轉(zhuǎn)速、舵角。

15、進(jìn)一步地，s13具體包括如下步驟：

16、s131、按照均勻分布取樣方法，從輸入和輸出樣本集x和y中生成隨機數(shù)實施取樣，在第2步抽取第一組數(shù)據(jù)x1和y1，第二步抽取第二組數(shù)據(jù)x2和y2，以此類推，在第k步抽取數(shù)據(jù)xk和yk，構(gòu)造訓(xùn)練樣本集u∈rk×n和v∈rk×l；

17、s132、利用輸入和輸出訓(xùn)練樣本集u和v構(gòu)造徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，利用偏最小二乘法進(jìn)行隱層響應(yīng)矩陣和輸出的回歸計算：

18、在rbf網(wǎng)絡(luò)中，用高斯函數(shù)作為徑向基函數(shù)，向量uj(j＝1,…,k)成為隱節(jié)點中心；經(jīng)過徑向基函數(shù)計算得到隱層響應(yīng)矩陣a∈rk×k，其中第i行第j列的元素為：

19、

20、其中，ui為第i個樣本，在此||·||表示歐氏距離，cj和σj分別是第j個基函數(shù)的中心和寬度；

21、s133、在隱層響應(yīng)矩陣a與輸出矩陣v之間進(jìn)行pls主成分提取和回歸運算；

22、提取主成分t后，將a與v分別投射到主成分矩陣上，得到：

23、v＝tr+f＝awr+f

24、其中，t為a的主成分矩陣，為k×nt維矩陣；w為a的轉(zhuǎn)換矩陣，為k×nt維矩陣；r為nt×l維的回歸系數(shù)矩陣；f為k×l維的殘差矩陣；

25、得到泛化模型：

26、

27、其中ap1和w1分別為k×k維和k×nt維矩陣，r1為nt×l維矩陣，將得到的網(wǎng)絡(luò)對集合u中的樣本進(jìn)行泛化，設(shè)立精度閾值用于確定主成分提取次數(shù)nt，在泛化的均方根誤差的變化小于設(shè)定的精度變化閾值e1時停止提取主成分：

28、

29、s134、將得到的網(wǎng)絡(luò)對整個數(shù)據(jù)集x中訓(xùn)練數(shù)據(jù)進(jìn)行泛化，計算對于整個數(shù)據(jù)集的泛化誤差：

30、

31、其中：

32、

33、s135、如果rmseo大于設(shè)定的精度閾值e2，則重復(fù)步驟s231～s234；

34、s136、如果rmseo小于設(shè)定的精度閾值e2，則結(jié)束；

35、s137、得到的主成分個數(shù)nt和循環(huán)步數(shù)k即為最終所得徑向基函數(shù)網(wǎng)絡(luò)的主成分提取次數(shù)和隱節(jié)點數(shù)目，集合u中的向量即為所得徑向基函數(shù)網(wǎng)絡(luò)的隱節(jié)點。

36、進(jìn)一步地，s2具體包括：

37、根據(jù)船舶計劃航線所經(jīng)海域選定冰區(qū)、風(fēng)場、浪場和流場的覆蓋范圍，選取高分辨率冰區(qū)冰情和水文氣象環(huán)境預(yù)報模式，結(jié)合船舶實測視頻和圖像信息進(jìn)行辨識得到的冰情信息以及實時觀測的水文氣象環(huán)境數(shù)據(jù)信息進(jìn)行數(shù)據(jù)同化，采用引入注意力機制的時空生成對抗神經(jīng)網(wǎng)絡(luò)實現(xiàn)觀測數(shù)據(jù)與高分辨率模式預(yù)報數(shù)據(jù)的同化融合，提高航行區(qū)域的水文氣象預(yù)報精準(zhǔn)度；

38、采用主成分分析法，對氣象場數(shù)據(jù)進(jìn)行降維去噪處理，去除冗余噪聲信號，保留氣象場主要成分特征向量，對經(jīng)降維去噪處理的主要特征向量重建為氣象場數(shù)據(jù)，構(gòu)建基于深度可分離卷積的海洋環(huán)境預(yù)報模型；其中深度可分離卷積模塊用以提高預(yù)測效率和性能，同時降低模型的計算量和硬件內(nèi)存需求，其中主成分分析法通過降低數(shù)據(jù)維度和冗余噪聲效應(yīng)，以高效過濾外界氣象要素的演化特征，提高預(yù)報精度；

39、采用主成分分析法，通過經(jīng)驗正交分解理論對外界風(fēng)浪流和海冰覆蓋區(qū)域數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗和重建處理，主成分分析法通過降低數(shù)據(jù)維度和冗余噪聲效應(yīng)，以高效過濾氣象要素得演化特征，提高預(yù)報精度；

40、主成分分析方法的計算公式如下：

41、

42、其中，meterolotym,t表示t時刻，相應(yīng)風(fēng)浪流以及冰層覆蓋張量場，pc為主成分變量，eof為對應(yīng)的空間特征向量,t表示在t時刻船舶航經(jīng)海域的外界冰、風(fēng)、浪預(yù)報場信息,n＝1,…k，代表主成分pc的數(shù)量，m表示張量的數(shù)量；

43、采用深度可分離2d?cnn層，搭建深度編碼解碼器，模型中的2d卷積核用于挖掘外界氣象環(huán)境場張量因子之間的耦合交互特征；其中解碼器模塊導(dǎo)出高維度語義信息，編碼器部分提取具有低階非線性信息的張量序列的高維特征圖；綜合解碼編碼器組建基于以深度可分離卷積為架構(gòu)的時空生成對抗網(wǎng)絡(luò)模型生成器；

44、創(chuàng)建船舶所經(jīng)海區(qū)冰場、風(fēng)場、浪場和流場的基于深度可分離模塊為架構(gòu)的深度生成對抗神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)預(yù)報模型，模型以深度可分離卷積為骨架，采用引入注意力機制的時空生成對抗神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)觀測數(shù)據(jù)與高分辨率模式預(yù)報數(shù)據(jù)的同化融合，進(jìn)行外界冰況風(fēng)浪流場的動態(tài)更新預(yù)報，獲得船舶所經(jīng)過海域的海洋環(huán)境預(yù)報結(jié)果；

45、其中，所述時空生成對抗網(wǎng)絡(luò)模型包括生成器g(z)和判別器d(x)兩個模塊，其中生成器和判別器模塊均采用深度可分離卷積骨架搭建，生成器模塊g(z)同化融合觀測數(shù)據(jù)和經(jīng)主成分分析法降維去噪后重建的模式預(yù)報場多模態(tài)數(shù)據(jù)，其中z表示觀測點信息和氣象場；生成器模塊g生成的氣象場映射以及再分析數(shù)據(jù)中解碼的真實映射被反饋輸入到判別器d中，判別器d的輸入為生成氣象場數(shù)據(jù)和降維去噪后重建的再分析氣象場數(shù)據(jù)；d的輸出為標(biāo)量，用以判別輸出映射是否來自真實輸入映射的概率；時空生成對抗網(wǎng)絡(luò)模型訓(xùn)練的停止標(biāo)準(zhǔn)為鑒別器無法區(qū)分生成的氣象場預(yù)報映射是否符合真實映射；

46、時空生成對抗網(wǎng)絡(luò)模型的損失函數(shù)如下：

47、

48、其中，ld為判別器損失，lg為生成器損失函數(shù)。

49、進(jìn)一步地，外界海洋氣象環(huán)境場預(yù)報模型參數(shù)基于以下最小化和最大化公式進(jìn)行訓(xùn)練和更新：

50、

51、其中，pdata(x)為再分析氣象場映射數(shù)據(jù)分布，pz(z)為模型輸入觀測和經(jīng)主成分分析法降維去噪后重建的數(shù)值模擬氣象場數(shù)據(jù)分布，e表示期望算子；

52、時空生成對抗神經(jīng)網(wǎng)絡(luò)模型輸入多模態(tài)氣象因子的經(jīng)主成分分析法降維去噪后重建的時間序列序貫張量的特征數(shù)量為c，h為模型輸入張量的高度，w為模型輸入張量的寬度，代表模型的輸入張量，注意力機制模塊采用dot-product進(jìn)一步計算輸入張量的三個矩陣k、q和v，獲取三個相對應(yīng)的映射權(quán)重特征矩陣值；

53、其中，k和q特征矩陣的維度應(yīng)當(dāng)保持一致，迭代運算中的第i個詢問特征值和第j個關(guān)鍵特征值之間的相似度由正則函數(shù)計算獲取；

54、設(shè)船載儀器實測外界冰況，風(fēng)，流和浪氣象要素分別為sice,swind,scurrent,swave，經(jīng)主成分分析法降維去噪后重建的era5高分辨數(shù)值模式預(yù)報冰況，風(fēng)，流和浪二維場要素分別為pca-eraice,pca-erawind,pca-eracurrent,pca-erawave,動態(tài)更新的船舶航行海域海況預(yù)報模型：

55、pice,t＝stgan(sice,t,pcaeraice,t)

56、pwind,t＝stgan(swind,t,pca-erawind,t)

57、pcurrent,t＝stgan(scurren,t,pca-eracurrent,t)

58、pwave,t＝stgan(swave,t,pca-erawave,t)

59、其中，stgan為時空生成對抗神經(jīng)網(wǎng)絡(luò)模型，p*,t表示在t時刻船舶航經(jīng)海域的外界冰況風(fēng)流浪預(yù)報場信息。

60、進(jìn)一步地，s4具體包括如下步驟：

61、利用經(jīng)驗?zāi)B(tài)分解方法進(jìn)行海冰厚度變量時間序列的分解：

62、i＝imf1+imf2+…+imfj+…+imfn+r

63、對于每一個分量imfj均利用神經(jīng)網(wǎng)絡(luò)對其進(jìn)行辨識和預(yù)報；

64、具體的，對于imfj進(jìn)行q-步超前預(yù)報，而預(yù)測模型輸入階次利用lipschitz商值法確定為p，則q-步超前預(yù)報的結(jié)構(gòu)為p-輸入-1-輸出，而神經(jīng)網(wǎng)絡(luò)辨識過程輸入輸出為：

65、

66、其中，pj是對第j個imf分量神經(jīng)網(wǎng)絡(luò)輸入的個數(shù)，由lipschitz商值法根據(jù)數(shù)據(jù)確定，以增加方法的自適應(yīng)性；

67、在預(yù)測過程中的輸入和輸出分別為：

68、

69、通過計算lipschitz系數(shù)方法對每個分量進(jìn)行時間序列預(yù)報的階次確定，確定輸入輸出階次后，利用變結(jié)構(gòu)的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)進(jìn)行每個分量的時間序列預(yù)報。

70、進(jìn)一步地，建立變結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)預(yù)報模型的步驟如下：

71、s41、建立滑動數(shù)據(jù)窗口

72、為反映最新的船舶運動狀態(tài)，建立滑動數(shù)據(jù)窗口對船舶運動進(jìn)行狀態(tài)觀測，利用實時更新的輸入輸出數(shù)據(jù)動態(tài)調(diào)整基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的擬合模型；

73、所述滑動窗口為一個固定寬度的先進(jìn)先出的數(shù)據(jù)樣本序列，當(dāng)接收到一組新的輸入-輸出數(shù)據(jù)后，將新數(shù)據(jù)組加入滑動窗口，最早的一組數(shù)據(jù)則移出滑動窗口，將t時刻的滑動窗口wsd表示為：

74、wsd＝[(pt-l+1,qt-l+1),l,(pt,qt)]

75、其中，l為滑動窗口的寬度；

76、對滑動窗口進(jìn)行實時調(diào)整，以反映船舶的最新運動和結(jié)構(gòu)的響應(yīng)情況，采用基于時間序列分割的滑動窗口調(diào)整方法，即對寬度為l的滑動窗口輸入進(jìn)行時間序列分割，從最早的數(shù)據(jù)點至變異點組成自適應(yīng)寬度的滑動數(shù)據(jù)窗口，并保持窗口寬度不小于設(shè)定的最小寬度lmin；

77、對于由l個數(shù)據(jù)輸入構(gòu)成的滑動窗口內(nèi)時間序列x(t)，分別計算每個數(shù)據(jù)點之前數(shù)據(jù)的平均值μ1(i)和及標(biāo)準(zhǔn)偏差s1(i)，以及之后數(shù)據(jù)的平均值μ2(i)和標(biāo)準(zhǔn)偏差s2(i),則i點的合并偏差sd(i)為：

78、

79、其中，l1，l2分別為i點之前數(shù)據(jù)和之后數(shù)據(jù)部分的點數(shù)，用t檢驗值t(i)表示i點之前與之后兩部分?jǐn)?shù)據(jù)的均值的差異：

80、

81、對序列x(t)中的每一個數(shù)據(jù)重復(fù)上述計算，得到與x(t)數(shù)據(jù)值相對應(yīng)的統(tǒng)計檢驗值序列t(t)，并計算t(t)中最大值tmax的統(tǒng)計顯著性p(tmax)：

82、p(tmax)＝prob(t≤tmax)

83、其中，p(tmax)表示在隨機過程中取到t值小于等于tmax的概率，一般情況下p(tmax)可近似表示為：

84、

85、由蒙特卡洛模擬得到η和δ的值，l是滑動窗口寬度即x(t)的長度，v＝l-2，ix(a,b)為不完全β函數(shù)，設(shè)定p0閾值，如果p(tmax)≥p0，將x(t)被分割成的兩段子序列存在差異的子序列，則該點為變異點；

86、由變異點與滑動窗口內(nèi)最先的數(shù)據(jù)點組成新的滑動數(shù)據(jù)窗口la，如果滑動數(shù)據(jù)窗口寬度la小于設(shè)定的最小寬度lmin(la<lmin)，則滑動數(shù)據(jù)窗口為lmin；

87、利用滑動窗口內(nèi)的輸入-輸出數(shù)據(jù)組，即分別用輸入矩陣p與對應(yīng)的輸出向量q來表示映射關(guān)系的實時動態(tài)：

88、

89、q＝[qt-l+1l?qt]

90、式中，np為輸入矩陣的維數(shù)；

91、分別用輸入矩陣p與對應(yīng)的輸出q作為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的輸入和輸出，對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和動態(tài)調(diào)整；

92、s42、在每一步接收到新數(shù)據(jù)樣本后，更新滑動數(shù)據(jù)窗口，將最新的樣本加入窗口，而將最早的樣本從窗口中刪除，直接將新數(shù)據(jù)樣本加入隱層作為一個新的隱節(jié)點；

93、s43、計算隱層的響應(yīng)矩陣φ，其中：

94、

95、其中，cj為第j個隱節(jié)點的中心，pi為第i個樣本，||·||表示歐氏距離，σ為基函數(shù)寬度；m為隱節(jié)點的數(shù)目，將φ中的向量利用gram-schmidt法則進(jìn)行正交分解φ＝wa，得到w＝[w1,l,wm]；

96、計算誤差下降率：

97、

98、標(biāo)準(zhǔn)化誤差下降率：

99、

100、s44、選擇對輸出貢獻(xiàn)的和小于設(shè)定值的那些隱節(jié)點，直至所選擇隱節(jié)點標(biāo)準(zhǔn)化誤差下降率的和選擇k1,...,ks構(gòu)成預(yù)備刪除隱節(jié)點集合

101、取在過去連續(xù)ms步被選中的隱節(jié)點集合的交集i并刪除在i中的隱節(jié)點：

102、

103、s45、在每一步隱節(jié)點確定后，利用最小二乘法更新隱層至輸出層的連接權(quán)值：

104、θ＝φ+y＝(φtφ)-1φty

105、對于余值的神經(jīng)網(wǎng)絡(luò)預(yù)報值由對每個分量的預(yù)測值重組得到：

106、

107、從而得到可以進(jìn)行在線預(yù)報的神經(jīng)網(wǎng)絡(luò)。

108、本發(fā)明還提供了一種存儲介質(zhì)，所述存儲介質(zhì)包括存儲的程序，其中，所述程序運行時，執(zhí)行上述任一項冰區(qū)航行船舶環(huán)境響應(yīng)的快速預(yù)報方法。

109、本發(fā)明還提供了一種電子裝置，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述處理器通過所述計算機程序運行執(zhí)行上述任一項冰區(qū)航行船舶環(huán)境響應(yīng)的快速預(yù)報方法。

110、較現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點：

111、本發(fā)明利用離線建立的神經(jīng)網(wǎng)絡(luò)擬合模型計算船舶對環(huán)境的運動響應(yīng)和結(jié)構(gòu)響應(yīng)以增加船舶響應(yīng)計算的快速性；在船舶冰區(qū)航行的風(fēng)險時綜合考慮船舶運動的運動響應(yīng)和結(jié)構(gòu)響應(yīng)；在神經(jīng)網(wǎng)絡(luò)的建立中，利用偏最小二乘法解決輸入維數(shù)過高的情況，通過逐步增加網(wǎng)絡(luò)節(jié)點的方式選擇簡潔的網(wǎng)絡(luò)結(jié)構(gòu)，提高所得到神經(jīng)網(wǎng)絡(luò)的泛化能力。對于風(fēng)場、浪場和流場進(jìn)行差異化處理。

112、在船舶冰區(qū)航行中，冰載荷不僅對船舶運動姿態(tài)有很大影響，而且對船舶結(jié)構(gòu)也造成了很大的威脅，所以本專利將環(huán)境響應(yīng)分為運動響應(yīng)和結(jié)構(gòu)響應(yīng)。針對船舶在冰區(qū)航行時突發(fā)狀況多的情況，如船舶轉(zhuǎn)向和變速多、與冰塊發(fā)生相互作用情況多等狀況，船舶運動狀態(tài)和結(jié)構(gòu)載荷會相應(yīng)出現(xiàn)劇烈變化。這種情況下，需要對滑動窗口進(jìn)行實時調(diào)整，以反映船舶的最新運動和結(jié)構(gòu)的響應(yīng)情況。本發(fā)明采用一種基于時間序列分割的滑動窗口調(diào)整方法。

113、船舶對冰的結(jié)構(gòu)響應(yīng)和運動響應(yīng)有其獨特的難度。船舶對風(fēng)浪和冰的運動及結(jié)構(gòu)響應(yīng)是由風(fēng)浪載荷和冰載荷造成的。但是冰的載荷跟波浪和風(fēng)載荷不同，波浪和風(fēng)要素可以進(jìn)行直接測量從而計算風(fēng)浪載荷，但是冰載荷暫時無法直接測量，因此本發(fā)明根據(jù)船舶實測的結(jié)構(gòu)響應(yīng)實測數(shù)據(jù)進(jìn)行反演冰載荷。

114、本發(fā)明利用環(huán)境預(yù)報信息進(jìn)行多時間尺度的響應(yīng)預(yù)報。在每間隔24小時進(jìn)行外界冰、風(fēng)、浪、流等冰區(qū)環(huán)境信息的動態(tài)更新預(yù)報的基礎(chǔ)上，在24小時之內(nèi)利用基于滑動窗口的神經(jīng)網(wǎng)絡(luò)進(jìn)行多尺度分解與預(yù)報，可以辨識和提取環(huán)境要素的長期、中期和短期變化信息，對環(huán)境要素進(jìn)行精確預(yù)報。

115、在冰區(qū)水文氣象預(yù)測方法中，相對于傳統(tǒng)的生成對抗模型，本發(fā)明引入了雙注意力機制模塊，將包含多個氣象因子的高維特征信息映射到編碼解碼器的多維特征矩陣。并將生成對抗模型的基本骨架替換成二維卷積神經(jīng)網(wǎng)絡(luò)模塊，用于直接輸入二維冰區(qū)環(huán)境要素場信息。采用2d深度cnn層，搭建生成對抗模型的深度編碼解碼器。2d卷積核用于挖掘各個氣象因子之間的深層耦合交互影響特征；該方法深度卷積塊可以提供一種提高預(yù)測效率和性能的方法，同時降低其計算和內(nèi)存需求，可以更好地進(jìn)行特征提取和聚合。編碼器部分提取具有低階非線性信息的張量序列的高維特征圖，而解碼器模塊導(dǎo)出高維度語義信息；提高數(shù)據(jù)融合場要素的預(yù)報精度。