本发明设计涉及船舶运动位置预测，尤其涉及一种基于igwo-lstm混合动力学模型的无人船运动位置预测方法。
背景技术：
1、随着无人技术的不断发展，无人船在海洋科学研究中扮演着重要角色。它能够高效、安全、低成本地执行勘测、生态监测、水质监测等任务。但无人船常常在复杂多变的水域环境下执行航行任务，受限于体积，风力、波浪等不确定性因素的干扰常常使得无人船的航行偏离期望路线，给远端控制带来突发和不必要的麻烦。因此基于传感器采集信号的无人船位置预测十分重要。
2、船舶运动位置预测，通常围绕处理时间序列数据的模型展开，其中每个输入通道包含按固定时间间隔采样的数据。一般有两种方法可用于处理时间序列预测模型：(1)采用基于船舶受力和速度移动的动态运动学模型的预测器；(2)基于采样数据来学习船舶的行为的数据预测器。
3、首先基于模型的预测一般采用各种滤波器来估计船舶的运动状态或对船舶运动进行建模，从而获取短期内船舶位置的预测模型。
4、而基于数据的预测器，通常将某个采样输入向量与某个输出状态向量相关联，过程与船舶的物理特性无关，一般采用支持向量机(svm)、神经网络和ar模型等及其变体进行。
5、传统的预测方法有基于模型的预测和基于数据的预测。基于模型的预测是根据船舶动力学建模方程，来预测船舶的运动。但由于数学模型无法准确描述风浪等不缺定因素，使得预测的无人船位置往往与实际位置有一定的偏差。而数据驱动预测器一般采用神经网络，依赖于对数据的分析，以识别潜在的模式和关联。这种方法无法解释船舶运动背后的原因和机制，只是简单地根据历史数据的统计规律进行预测。故在面对新的环境或情况时，数据驱动预测器可能无法适应或产生准确的预测结果。
技术实现思路
1、针对现有技术中的不足，本发明提供了一种无人船运动位置预测方法，以解决现有技术中预测方法使用单一，无法根据实际情况准确预测运动位置的技术问题。
2、本发明提供了一种无人船运动位置预测方法，包括如下步骤：
3、步骤1：构建无人船航行的动力学模型，根据无人船初始状态信息，通过无人船航行的动力学模型预测一个完整时间序列内的无人船预测位置信息；
4、步骤2：获取与步骤1同一完整时间序列内的无人船实际位置信息，将无人船实际位置信息与对应时刻的无人船预测位置信息做差；
5、步骤3：将无人船的状态信息作为lstm神经网络的输入，所述步骤2中获取的差值作为lstm神经网络的输出，对lstm神经网络进行训练；
6、步骤4：获取无人船真实的初始状态，通过无人船航行的动力学模型预测预测一个完整时间序列内每个时刻的无人船预测位置信息；通过lstm神经网络获取同一个完整时间序列内每个时刻的无人船预测位置偏差信息，将每个时刻的无人船预测位置信息与无人船预测位置偏差信息相加，获得最终的完整时间序列内的无人船位置预测结果。
7、进一步地，所述步骤3中，通过灰狼算法对lstm神经网络的超参数进行优化。
8、进一步地，所述灰狼算法为优化后的灰狼算法，优化方法为：在α狼、β狼和δ狼的搜索过程中增加扰动因子，具体公式如下：
9、x11＝(xα-a1·dα)·αf
10、x22＝(xβ-a2·dβ)·β1
11、x33＝(xδ-a3·dδ)·αc
12、式中，x11、x22、x33分别为α、β、δ狼的搜索活动范围；xα、xβ、xδ为α、β、δ狼的位置；d为灰狼和目标的距离；a为系数向量；αf为α狼位置更新的扰动因子，使α狼的探索范围从大到小过度；β1为β狼位置更新的扰动因子，用于控制β狼搜索范围比例，为[0,1]内的随机数；αc为δ狼位置更新的扰动因子，使δ狼在指定范围内搜索，探索范围呈线性下降，在找到目标后进行小步搜索。
13、进一步地，所述灰狼和目标的距离d表示如下：
14、d＝|c·xp(t)-x(t)|
15、式中，t为当前迭代次数；xp(t)为当前搜索目标位置；x(t)表示当前搜索狼个体位置向量；c为系数向量，取值范围为[0,2]。
16、进一步地，所述系数向量a表示如下：
17、a＝2ar—a
18、式中，r为[0,1]之间的随机向量；a为系数，在迭代过程中从2线性递减至0。
19、进一步地，所述扰动因子αf与αc的获取公式为：
20、af＝step·exp(-30t/t)
21、ac＝step[(t-t)/t]
22、
23、式中，step为灰狼在搜索活动范围内移动的最大步长；和分别为灰狼运动空间内每个纬度平均值的最大值和最小值；t是灰狼种群最大迭代次数；t是当前迭代次数。
24、进一步地，所述扰动因子β1为0.5。
25、进一步地，所述ω狼的位置更新公式为：
26、
27、式中，x1、x2、x3分别为未添加扰动因子α狼、β狼和δ狼搜索活动范围：
28、x1＝xα—a1·dα
29、x2＝xβ—a2·dβ
30、x3＝xδ—a3·dδ
31、本发明的有益效果：
32、本发明使用lstm长短期记忆神经网络预测补偿了未建模不确定因素导致的无人船运动模型预测误差，同时避免了单一使用数据驱动预测时，脱离无人船运动机制原理，导致不同环境适应性差的问题，保证了对无人船位置与航迹预测的准确度，对无人船遥控作业、自动控制具有良好的辅助效果，提升无人船执行航行任务的效率，保障人员设备安全。
33、本发明采用动力学模型预测与实际的误差作为lstm神经网络的监督训练目标，使用神经网络补偿动力学模型中未建模因素的影响。同时将时间序列位置误差作为神经网络输出，与动力学模型预测的结果相加得到最终的位置预测，在所测试的海况下进行20s预测时，相比于单一的无人船动力学模型位置预测提升74％-42％，相比采用同一lstm长短期记忆网络的预测提升8％-46％。
34、本发明采用igwo算法优化寻找超参数组合，解决了lstm神经网络在训练时的超参数组合调节困难的问题。本发明使用的优化后的灰狼算法是一种自动化的优化方法，减少了人工调参的工作量，同时可以更全面地搜索超参数空间，找到更优的超参数组合，从而提升神经网络模型的性能，缩短调参时间。
1.一种无人船运动位置预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的无人船运动位置预测方法，其特征在于，所述步骤3中，通过灰狼算法对lstm神经网络的超参数进行优化。
3.如权利要求2所述的无人船运动位置预测方法，其特征在于，所述灰狼算法为优化后的灰狼算法，优化方法为：在α狼、β狼和δ狼的搜索过程中增加扰动因子，具体公式如下：x11＝(xα-a1·dα)·αf
4.如权利要求3所述的无人船运动位置预测方法，其特征在于，所述灰狼和目标的距离d表示如下：
5.如权利要求3或4所述的无人船运动位置预测方法，其特征在于，所述系数向量a表示如下：
6.如权利要求3所述的无人船运动位置预测方法，其特征在于，所述扰动因子αf与αc的获取公式为：
7.如权利要求3所述的无人船运动位置预测方法，其特征在于，所述扰动因子β1为0.5。
8.如权利要求3所述的无人船运动位置预测方法，其特征在于，所述ω狼的位置更新公式为：
