GA-BP神经网络模型在集装箱船纵摇角度预测中的应用.pdf

第44卷第2 期2023年6 月D0I:10.13340/j.jsmu.2023.02.009上海海事大学学报Journal of Shanghai Maritime UniversityVol.44No.2Jun.2023文章编号：16 7 2-9 49 8(2 0 2 3)0 2-0 0 52-0 5GA-BP神经网络模型在集装箱船纵摇角度预测中的应用张婷1.2,2 b,，王志明2 m,2b,，王培良2 a,2bh（1.山东交通职业学院航海学院，山东潍坊2 6 12 0 6；2.上海海事大学a.商船学院；b.航运仿真技术教育部工程研究中心，上海2 0 130 6)摘要：为研究集装箱船航行过程中的纵摇角度预测问题，采用遗传算法（genetic algorithm，G A）对反向传播（backpropagation，BP)神经网络的初始权值和阈值进行优化，并对比分析优化效果。以集装箱船实际航行数据为基础，划分数据集，确定神经网络结构，并初始化GA参数；GA以适应度值为指标，选代搜索最优适应度值，确定BP神经网络参数；使用具有最优初始权值和阈值的BP神经网络进行纵摇角度预测，并结合均方误差（mean square error，M SE）和平均绝对百分比误差（m e a n a b s o l u t e p e r c e n t a g e e r r o r，M A PE）对预测结果进行对比分析。结果表明：所提模型具有较高的预测能力，预测结果的MSE和MPAE分别为0.7 192 和0.0 0 8 2,预测结果较为准确。关键词：遗传算法（GA)；反向传播神经网络；船舶纵摇预测；集装箱船中图分类号：U674.13*1；U 6 6 1.32*1文献标志码：AApplication of GA-BP neural network modelin pitch angle prediction of container shipsZHANG Tinggl,2a,2b,WANG Zhiming?g2a,2b,WANG Peiliang,2a,2b(1.Navigation college,Shandong Transport Vocational College,Weifang 261206,Shandong,China;2.a.Merchant Marine College;b.Engineering Research Center of Shipping Simulation of Ministryof Education,Shanghai Maritime University,Shanghai 201306,China)Abstract:In order to study the issue of predicting the pitch angle during the navigation of containerships,the genetic algorithm（G A)i s u s e d t o o p t i m i z e t h e i n i t i a l w e i g h t s a n d t h r e s h o l d s o f t h e b a c kpropagation(BP)neural network,and the optimization effects are compared.Based on the actualnavigation data of container ships,the data set is divided,the neural network structure is determined,and the GA parameters are initialized.The GA uses the fitness value as an indicator,and throughiterative search the optimal fitness value is obtained to determine the BP neural network parameters.TheBP neural network with optimal initial weights and thresholds is used for pitch angle prediction,and theprediction results are compared and analyzed by the mean square error(MSE)and the mean absolute收稿日期：2 0 2 2-0 1-2 4修回日期：2 0 2 2-0 3-19基金项目：国家自然科学基金（5190 9155）；潍坊市软科学研究计划（2 0 2 1RKX125）作者简介：张婷（198 7 一），女，山东聊城人，硕士研究生，研究方向为航海技术、智能交通，（E-mail)titi-；王志明（196 4一），男，安徽安庆人，教授，研究方向为海事安全技术，（E-mail）z mw a n g s h mt u.e d u.c nhttp:/hyxb 第2 期percentage error(MAPE).The results show that,the model proposed is of higher prediction ability,theMSE and MPAE of the prediction results are 0.719 2 and 0.008 2,respectively,and the predictionresults are more accurate.Key words:genetic algorithm(GA);back propagation neural network;ship pitch prediction;containership0引 言在风、浪、流等环境因素的综合作用下，船舶的纵摇运动具有随机性，可能对船舶航行安全构成严重威胁。因此,判定甚至预测船舶的纵摇运动,将提升船舶的航行安全性，具有极高的理论研究和实际应用意义2 3目前，常用的船舶纵摇运动预测算法分为时间序列法、前波法、Kalman滤波法和人工神经网络方法等4-5。与其他预测方法相比，神经网络方法能够自适应样本数据，并且具有对非线性信息的学习和处理能力，在实际工程预测中得到了广泛应用。文献6 为获得船舶姿态的高精度预报值,提出了基于改进神经网络的方法；文献7 分析了利用反向传播（backpropagation，BP）神经网络对船舶横向运动姿态进行短期精准预报的可行性；文献8 提出深层循环神经网络（deeprecurrentneural network，DRNN)模型,研究船舶横摇姿态的预测。上述研究使用神经网络时，其初始连接权值和阈值的设置均基于专家经验法，初始值并非最优值。基于上述研究，本文使用BP神经网络进行集装箱船纵摇角度预测时，采用遗传算法（geneticalgorithm，G A）对其初始权值和阈值进行优化，提升网络的收敛和搜索能力。仿真结果表明,GA-BP神经网络模型能准确预测集装箱船纵摇角度。1理论与方法1.1BP神经网络(1)网络拓扑构建。BP神经网络为多层前馈式结构,其特性是信号由输人层经隐藏层处理前向传递至输出层。当输出层的值无法满足期望时，误差反向传播，同时修正各层之间的连接权值和阈值，使神经网络输出值不断逼近期望值。9 BP神经网络的拓扑结构见图1。图1中Xi,X，,X,为BP神经网络的输入值;Yi,Y2，,Ym 为BP神经网络输出的预测值;n和分别为输人层和输出层的节点数量；输人层第i个节点与隐藏层第j个节点之间的连接权值为wi；隐藏层第j个节点与输出层第k个节张婷，等：GA-BP神经网络模型在集装箱船纵摇角度预测中的应用式中,c为0,10 内的常数。XX2：X输入层隐藏层输出层图1BP神经网络的拓扑结构(2)神经网络训练。在以BP神经网络为基础预测船舶纵摇运动时，要先训练网络，使其具有联想记忆和预测能力。首先，计算隐藏层值和输出层预测值。隐藏层第j个节点的值H,的计算式为H,=f(w,x,-,)，j =1,2,l (2)式中：f（）为隐藏层激励函数，一般选用f（x）=+e-i,为随藏层第 个节点的阈值。输出层第h1个节点预测值Y的计算式为Y=H,wx-br，h k =1,2,m式中,b为输出层第k个节点预测值的阈值。在获得预测值后，可计算输出层第k个节点的预测误差e：eh=T,-Yk,k=1,2,m式中：T,为输出层第k个节点的实际期望值。若误差不在可接受范围内，则依据误差对上述公式中的连接权值和阈值进行更新，公式如下：mw,=w,+nH,(1-H,)X,wxe:=1wjk=wjk+nHjeka,=+nH(1-H,)wxe:Lbk=bh+ek式中，为学习速率。基于上述公式反复迭代训练BP神经网络，得到满足条件的模型。神经网络的初http:/53点之间的连接权值为Wi；隐藏层节点数量l可参考式(1)进行选择：l=/(m+n)+c：mk=1hyxb (1)YY2：Ym(3)(4)(5)54始连接权值和阈值的选择大多基于专家经验法，如果参数值选取不当，易陷入局部极小值，导致网络预测能力下降,预测精度降低。因此,本文引人 GA对BP神经网络的初始权值和阈值等参数进行全局寻优，提高算法预测的精度和收敛速度。1.2GAGA利用染色体种群的多样性提高最优解的搜索能力,具有良好的全局寻优能力10 。因此,将BP神经网络的初始连接权值和阈值进行染色体编码，依据适应度值的变化趋势寻找染色体最优值，即最优的初始权值和阈值，从而提升神经网络的预测能力11-12 。该算法主要过程如下：（1)初始值编码。染色体的编码方式有二进制法、实数法等，本文采用实数编码。由神经网络权值和阈值编码构建的每个染色体，能够对应于某个确定的BP神经网络。(2)适应度值确定。在算法迭代过程中,评判染色体优劣的重要指标是适应度值。以训练数据为基础,对每个染色体代表的神经网络进行训练，得到神经网络输出层所有节点预测值的误差的绝对值之和,用于计算适应度值F：F=8(IT,-Y1)式中,8 为系数。(3)选择操作。选择操作指以一定概率选择染色体,构建新的种群。每个染色体被选择的概率与式(6)的适应度值有关。本文采用轮盘赌法,第u个染色体被选择的概率为82F-1Pu=Z(s.Fil)u=式中：N为种群规模;8 2 为系数;F，为第u个染色体的适应度值。(4)交叉操作。交叉操作指以一定概率选择两个染色体进行基因交换，产生新的优秀染色体。染色体，、,选择在第r位基因进行交叉,操作方法如下：9sr=0s,(1-83)+Pr83Lp.m=$.(1-83)+.r83式中：8 3为0,1 内的随机数;Psru分别为染色体svP,的第t位基因对应的值。(5)变异操作。变异操作指以一定概率选择某个染色体，在该染色体的某个位置进行变异产生新的优秀染色体。选择染色体。在第d位基因进行变异,操作如下：http:/上海海事大学学报Ped+(Ped-Pmax)f(G),84 0.5Pcd=led+(min-cd)f(G),840.5式中：max和Pmin分别为?ea的上界和下界;8 4和8 5均为0,1 内的随机数;G为当前迭代次数;Gmax为最大选代次数。经过上述5个步骤后，可以从种群中搜寻到最佳的染色体,并将染色体基因对应的值作为BP神经网络的权值和值进行预测。1.3算法流程利用GA-BP神经网络进行预测的流程如下：GA输入数据初始值编码数据预处理适应度值确定选择操作交叉操作变异操作计算适应度值(6)N是否达到最大Y选代次数图2 GA-BP神经网络预测流程2 算 例2.1数据预处理,u=1,2,.,N(7)(8)hyxb 第44卷(9)(10)BP神经网络确定网络拓扑结构权值、闵值初始化获得最优