船舶运动自适应建模预报

《船舶运动自适应建模预报》系统介绍了基于非水动力学和水动力学的船舶运动自适应建模预报(滤波)理论和方法，主要内容包括基于Wiener滤波理论、Kalman滤波理论、智能建模理论和混沌相空间重构理论等的船舶运动自适应建模预报原理和方法，以及解决实际工程问题的推理过程和应用中的具体算法。对于每种自适应建模预报方法均有详细的理论推导和算法改进过程，并提供根据科研工作整理出的应用实例，通过应用实例分析给出各种方法的特点。《船舶运动自适应建模预报》既阐述船舶运动自适应建模原理知识，也介绍预报算法、步骤及实例，强调理论分析、建模方法、工程应用三者之间的协调发展。

前言
第1章 绪论 1
1.1 概述 1
1.2 基于时间序列分析法的船舶运动自适应建模与预报 2
1.3 混沌时间序列预测 4
1.4 基于水动力学方法的建模与预报 6
第2章 基于最小均方误差准则的AR建模与预报 8
2.1 最小均方误差准则和Wiener很优滤波器 8
2.2 基于LMS算法的自适应AR建模 10
2.2.1 LMS算法 10
2.2.2 LMS算法的梯度特性 11
2.2.3 系数向量的收敛特性 12
2.2.4 LMS算法与AR模型 14
2.3 基于LMS的改进算法 14
2.3.1 LMS-Newton算法 15
2.3.2 NLMS算法 17
2.3.3 仿射投影算法 18
2.4 基于LMS算法的船舶运动预报 21
2.4.1 基于LMS算法的自适应AR建模预报模型 21
2.4.2 仿真实例与分析 22
2.5 本章小结 29
第3章 基于LRLS算法的船舶运动自适应建模与预报 30
3.1 加权最小二乘准则及RLS算法 30
3.2 RLS算法的收敛性 34
3.2.1 参数估计的收敛性 34
3.2.2 RLS算法的均方收敛性 35
3.3 线性预报 36
3.3.1 前向预报 36
3.3.2 反向预报 38
3.3.3 变换因子 40
3.4 LRLS算法 43
3.4.1 阶数更新方程 43
3.4.2 时间递推公式 46
3.5 基于LRLS算法的船舶运动预报 47
3.5.1 基于LRLS算法的AR建模预报模型 47
3.5.2 仿真实例与分析 49
3.6 本章小结 51
第4章 基于Kalman滤波算法的船舶运动自适应建模与预报 52
4.1 线性最小方差估计和射影理论 52
4.1.1 射影理论 52
4.1.2 新息序列 55
4.2 Kalman滤波原理及状态估计 57
4.3 基于一步预报的Kalman滤波公式 63
4.4 基于Kalman滤波算法的船舶运动自适应建模 65
4.4.1 平稳输入下的自适应横向滤波器 66
4.4.2 非平稳输入下的自适应横向滤波器 68
4.5 基于Kalman滤波算法的船舶运动预报 70
4.6 本章小结 72
第5章 基于LS-SVM的船舶运动自适应建模与预报 73
5.1 SVM介绍 73
5.1.1 SVM基本原理 73
5.1.2 核函数 76
5.2 LS-SVM介绍 77
5.2.1 LS-SVM基本原理 78
5.2.2 参数和核函数参数的确定 79
5.2.3 移动时间窗 81
5.3 基于LS-SVM的船舶运动自适应建模 81
5.4 本章小结 85
第6章 基于改进周期图法的船舶运动自适应建模与预报 86
6.1 周期图法 86
6.1.1 基于周期图法的船舶运动自适应建模 86
6.1.2 周期图预报仿真与分析 89
6.2 基于改进周期图法的船舶运动自适应建模 90
6.2.1 数据交叠分段的周期图法原理 90
6.2.2 数据交叠分段和加窗函数改进周期图法原理 91
6.3 基于改进周期图法的船舶运动预报仿真与分析 95
6.3.1 数据交叠分段改进周期图法预报仿真与分析 95
6.3.2 加窗函数改进周期图法预报仿真与分析 100
6.3.3 数据交叠分段和加窗函数改进周期图法预报仿真与分析 105
6.4 本章小结 112
第7章 基于改进LSTM算法的船舶运动自适应建模与预报 113
7.1 改进的LSTM算法 113
7.1.1 LSTM神经网络模型 113
7.1.2 PSO算法 116
7.1.3 MHPSO算法 118
7.2 MHPSO算法性能分析 120
7.2.1 MHPSO算法仿真 120
7.2.2 仿真结果对比与分析 121
7.3 基于PSO-LSTM和MHPSO-LSTM的预报模型 123
7.3.1 基于PSO算法优化的LSTM神经网络模型 123
7.3.2 基于MHPSO算法优化的LSTM神经网络模型 124
7.4 三种预报模型的船舶运动预报仿真与分析 126
7.4.1 升沉运动预报分析 127
7.4.2 横摇运动预报分析 130
7.4.3 纵摇运动预报分析 132
7.5 EMD-MHPSO-LSTM组合模型 135
7.5.1 EMD方法 135
7.5.2 基于EMD-MHPSO-LSTM组合模型的船舶运动预报 136
7.6 船舶运动预报仿真与分析 138
7.6.1 升沉运动预报分析 138
7.6.2 横摇运动预报分析 140
7.6.3 纵摇运动预报分析 143
7.7 本章小结 145
第8章 基于变步长LMS算法相空间重构的船舶运动自适应建模与预报 147
8.1 混沌时间序列的相空间重构 147
8.1.1 时间序列混沌特性分析 147
8.1.2 延迟时间的确定 153
8.1.3 嵌入维数的确定 155
8.1.4 船舶运动混沌时间序列的混沌特性分析与重构 157
8.2 变步长LMS算法 164
8.3 相空间重构的AR模型 169
8.4 基于变步长LMS算法相空间重构的船舶运动预报 171
8.5 本章小结 174
第9章 基于Volterra级数模型的船舶运动自适应建模与预报 175
9.1 Volterra级数自适应预报模型 175
9.1.1 Volterra级数模型 176
9.1.2 Volterra级数模型项数的确定及预报模型 176
9.2 Volterra级数模型的非线性系统辨识 179
9.2.1 基于NLMS算法的Volterra级数核估计 179
9.2.2 基于RLS算法的Volterra级数核估计 181
9.2.3 基于Kalman滤波算法的Volterra级数核估计 183
9.3 基于自适应算法的Volterra级数模型预报 185
9.4 船舶运动组合预报 188
9.4.1 组合预报建模 188
9.4.2 组合预报模型在船舶运动预报中的应用 191
9.5 本章小结 193
第10章 基于扩展Kalman滤波算法的船舶运动自适应建模与预报 194
10.1 扩展Kalman滤波算法 194
10.1.1 Kalman滤波算法 194
10.1.2 扩展Kalman滤波及线性化 198
10.1.3 Kalman滤波器的稳定性和收敛性 200
10.2 船舶运动模型 202
10.2.1 分离型船舶运动模型 202
10.2.2 船舶运动仿真 207
10.3 基于扩展Kalman滤波算法的船舶运动模型辨识 211
10.3.1 船舶运动模型的变换 211
10.3.2 船舶运动模型参数辨识实验及分析 214
10.4 船舶运动自适应预报模型及仿真 219
10.5 本章小结 223
参考文献 225