基于深度学习问题模型的半潜平台垂荡运动概率预测
机器学习
2021-11-02 v1
摘要
浮式海洋平台实时运动预测是指对其随后一至两个波浪周期内的运动进行预报,这有助于提升运动补偿系统的性能并提供有用的预警信息。在本研究中,我们将一个可提前 20 至 50 秒以良好精度预测浮式半潜平台垂荡与纵荡运动的深度学习(DL)模型进行扩展,借助 dropout 技术量化其预测时间序列的不确定性。通过多次重复推理,发现预测时间序列的集合是一个高斯过程(GP)。带 dropout 的 DL 模型在内部学习了一个核,且学习过程类似于 GP 回归。向训练数据中加入噪声可帮助模型从训练数据中学习更鲁棒的特征,从而在具有较宽噪声水平范围的测试数据上取得更好表现。本研究增进了对用于预测海洋平台波浪激励运动的 DL 模型的理解。
引用
@article{arxiv.2111.00873,
title = {Probabilistic prediction of the heave motions of a semi-submersible by a deep learning problem model},
author = {Xiaoxian Guo and Xiantao Zhang and Xinliang Tian and Wenyue Lu and Xin Li},
journal= {arXiv preprint arXiv:2111.00873},
year = {2021}
}