[0001] 本发明属于波浪谱估算领域，更具体地，涉及一种基于船体运动数据的波浪谱估算方法及系统。

[0002] 波浪对人类的海上活动有着巨大的影响，准确的波浪信息对于规划海洋中的经济航行非常重要，因为可以根据相关波浪的情况规划船舶航线，避免恶劣的海洋条件，从而降低风险、减少航行时间和燃料费用，提高经济效益。

[0003] 传统的估算海况的技术通常包括人工观测、波浪浮标、x波段波浪雷达、气象遥感卫星或天气预报。人工观测的优点是数据具有高持久性，不依赖于外部传感器，然而人工观察本身可能是非常主观的；浮标的优点是观测数据具有较高的可靠性和可比性，在近海岸广泛应用，但它的缺点是抗风浪能力弱、成本高且速度慢；x波段雷达的成本通常很高，需要定期校准和维护；气象遥感卫星很容易受到云层的影响，而且天气预报经常会延迟几个小时。

[0004] 因此，如何便捷(工作量小)、适用范围广(各种海况)、高精度(时空分辨率)地进行波浪谱估算，成为本领域的技术难题。

[0026] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

[0027] 本发明实施例提供的一种基于船体运动数据的波浪谱估算方法，包括如下步骤：

[0028] S1、获取船体运动数据及其运动时对应的波浪数据，并提取船体六自由度运动时序和对应二维波浪谱，构建训练集；

[0029] S2、通过训练集对生成式神经对抗网络进行训练；生成式神经对抗网络包括生成器和判别器，通过将运动时序导入生成式对抗神经网络中的生成器中得到预估二维波浪谱，将预估二维波浪谱导入生成式对抗神经网络中的判别器中，通过判别器进行判别及反馈来提高波浪谱预估精度。

[0030] S3、获取当前的船体六自由度运动时序，并将其输入训练好的生成式神经对抗网络的生成器中，得到二维波浪谱，该二维波浪谱可以用于描述波浪的强度、频率和方向等信息。

[0031] 进一步的，步骤S1和S3获取船体六自由度运动时序，包括：

[0032] 通过传感器获取船舶重心处的船体运动数据，对船体运动数据进行处理，以去除噪声和冗余信息，进而提取得到船体六自由度运动时序。

[0033] 具体的，传感器大多为惯性传感器，利用惯性传感器视频录取获取数据，通过传感器测量得到船舶重心处的9自由度(DOF)，包括浪涌速度、摇摆速度、垂荡速度、横摇速度、横摇角、俯仰角、俯仰速度、偏航角、偏航速度，后期再进行分析计算，即可得到船体运动数据。

[0034] 在现有的去噪方法中，往往效率是极其低下的。本发明优选采用中值滤波的方法去噪，用数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。如图4所示，选取的船体六自由度参数为：横荡(sway)，沿YB轴左右平动；纵荡(surge)，沿XB轴前后平动；垂荡(heave)，沿ZB轴上下平动；横摇(roll)，绕XB轴转动；纵摇(pitch)，绕YB轴转动；艏瑶(yaw)，绕ZB轴转动。

[0035] 进一步的，在生成器中：将运动时序导入与通道注意力机制结合的编码器进行编码，则在编码过程中，可通过通道注意力机制自动调整不同通道的权重，更好地提取不同通道的特征；进而将编码器输出的特征导入Transformer机制进行处理得到一维分层特征图；将处理后的一维分层特征图通过与通道注意力机制结合的解码器进行解码得到二维波浪谱。

[0036] 为了选择任务友好的特征，提出了两种注意力机制来重新权衡这些分层特征图。通道注意力机制用于利用通道中特征的潜在关系，侧重于给定输入的有意义的部分，采用通道注意力的思想进行时间序列分类。Transformer机制是一种基于自注意力机制的模型结构，可以有效地对输入序列进行建模和处理，提取全局特征，解决原网络只能提取局部特征地问题。通过采用通道注意力机制和Transformer机制的自注意机制可以提高深度卷积编码器‑解码器神经网络的性能。

[0037] 具体的，编码器由滑动拼图网络的编码部分组成，其包括两个卷积步骤，然后是最小/最大/平均池和串联步骤。解码器结构与编码器相似，其包括三个反卷积步骤，然后是两个额外的卷积步骤，内核大小较小，可实现更平滑的预测。

[0038] 在一些实施例中，编码器首先对数据批归一化(batch norm)处理后进行卷积运算(卷积核大小：1×25；Filters∈16)，将数据由1@6×1000变为16@6×40的分层特征图，再通过通道注意力机制得到赋予权重后的分层特征图，再进行卷积运算(卷积核大小：6×1；Filters∈64)，将数据由16@6×40变为64@1×40的分层特征图，通过通道注意力机制得到赋予权重后的分层特征图，最后再进行池化运算(卷积核大小：1×40；Filters∈192)，将数据由64@1×40变为192@1×1的分层特征图，再通过通道注意力机制得到赋予权重后的分层特征图。将分层特征图输入到Transformer机制中捕捉全局的特征关系，进而输入到与通道注意力机制结合的解码器中，对数据进行批归一化(batch norm)处理后进行反卷积运算(卷积核大小：16×12；Filters∈64)，将数据由192@1×1变为64@16×15的分层特征图，后续通过通道注意力机制得到赋予权重后的分层特征图，进行卷积运算(卷积核大小：2×2；
Filters∈8)，将数据由64@16×15变为8@32×30的分层特征图，再通过通道注意力机制得到赋予权重后的分层特征图，进行反卷积运算(卷积核大小：2×3；Filters∈4)，将数据由
8@32×30变为4@64×90的分层特征图，再通过通道注意力机制得到赋予权重后的分层特征图，再进行卷积运算(卷积核大小：3×3；Filters∈4)，将数据由4@64×90变为4@64×90的分层特征图，再通过通道注意力机制得到赋予权重后的分层特征图，最后再进行卷积运算(卷积核大小：2×3；Filters∈1)，将数据由4@64×90变为1@64×90的分层特征图，再通过通道注意力机制得到赋予权重后的分层特征图，最终得到1@64×90的估计二维波浪谱。

[0039] 进一步的，在判别器中：将估计二维波浪谱输入到判别器中进行对抗性训练；对抗性训练使用混合损失，它是两个损失项的加权和：第一损失项是均方误差，它鼓励估计模型预测波谱；第二个损失项是对抗网络判别器损失项，如果对抗网络能够将估计网络输出的估计二维波浪谱与实际二维波浪谱区分开来，则此损失项很大。对抗项是指在训练过程中，将估计网络的输出与真实波谱进行比较，如果两者相似，则对抗项的值较小，反之则较大；通过对抗项，可以鼓励估计网络输出与真实波谱更相似。对抗项的目的是惩罚高阶频谱功率值统计中的不匹配，例如，波谱的功率值在近区应该是平滑的，这是均方损失函数无法获得的，通过判别器进行判别并将结果反馈来提高估计波浪谱精度。

[0040] 进一步的，编码器中，两个通道C1和C2分别利用全局平均池化和全局最大池化生成特征，将两个特征均输入到一个共享的隐藏层多层感知器中，生成平均特征图和最大特征图；然后对平均特征图和最大特征图进行加权结合，生成一维分层特征图，在这一过程中采用通道注意力机制自动调整通道的权重。如图1所示，包括：

[0041] (1)通道功能C1对输入X进行全局平均池化得到一维数组，通道功能C2，对输入X进行全局最大池化得到一维数组；

[0042] (2)将得到的两个一维数组分别重塑为二维数组；

[0043] (3)将两个二维数组(特征)转发到一个共享的隐藏层多层感知器(MLP)生成平均特征图和最大特征图；

[0044] (4)由平均特征图和最大特征图的总和获取特征向量，并使用sigmoid变换计算最终的权重αCatt，重新加权的特征Xweighted将被发送到下一个卷积运算。具体为：

[0045] αCatt＝Sigmoid(MLP(Cavg)+MLP(Cmax))，

[0046] 其中，Cavg为平均特征图的权重，Cmax为最大特征图的权重，MLP表示MLP的权重(即平均特征图和最大特征图使用相同的权值向量)()，αCatt为通道注意力权重；X是原始输入，Xweighted为输出， 表示元素乘法。

[0047] 进一步的，将编码器生成的一维分层特征图输入Transformer机制进行处理，如图2所示，包括：

[0048] (1)将一维分层特征图作为输入，经过Layer Norm处理；

[0049] (2)将(1)中得到的数据，输入到Multi‑head self‑attention块中，以该输出与(1)的输入相加得到下一级的输入；

[0050] (3)再次通过Layer Norm处理；

[0051] (4)将(3)中得到的数据输入多层感知机，以该输出与(3)的输入相加得到处理后的一维分层特征图。

[0052] 以下为一个具体示例阐述本发明生成器工作的完整流程，如图3所示，包括如下步骤：

[0053] 步骤401：得到一个1@6×1000的船体六自由度运动时序。

[0054] 步骤402：将船体运动数据与1×25的卷积核(filters＝16)进行卷积运算，得到一个16@6×40的特征图谱。

[0055] 步骤403：通过C‑Attention(通道注意力机制)得到加权后的特征图谱。

[0056] 步骤404：将步骤403得到的特征图谱与6×1的卷积核(filters＝64)进行卷积运算，得到一个16@1×40的特征图谱。

[0057] 步骤405：通过C‑Attention得到加权后的特征图谱。

[0058] 步骤406：将加权后的特征图谱与1×40的卷积核进行池化操作，得到一个192@1×1的特征图谱。

[0059] 步骤407：通过C‑Attention得到加权后的特征图谱。

[0060] 步骤408：将加权后的特征图谱输入到Transformer机制中，得到全局特征图谱。

[0061] 步骤409：对全局特征图谱与16×12卷积核(filters＝64)进行反卷积运算，得到一个64@16×15的特征图谱。

[0062] 步骤410：通过C‑Attention得到加权后的特征图谱。

[0063] 步骤411：将步骤410得到的特征图谱与2×2的卷积核(filters＝4)进行卷积运算，得到一个8@32×30的特征图谱。

[0064] 步骤412：通过C‑Attention得到加权后的特征图谱。

[0065] 步骤413：将步骤412得到的特征图谱与2×3的卷积核(filters＝4)进行反卷积运算，得到一个4@64×90的特征图谱。

[0066] 步骤414：通过C‑Attention得到加权后的特征图谱。

[0067] 步骤415：将步骤414得到的特征图谱与3×3的卷积核(filters＝8)进行卷积运算，得到一个4@64×90的特征图谱。

[0068] 步骤416：通过C‑Attention得到加权后的特征图谱。

[0069] 步骤417：将步骤416得到的特征图谱与2×3的卷积核(filters＝4)进行卷积运算，得到一个1@64×90的特征图谱，

[0070] 步骤418：将1@64×90的特征图谱输出。

[0071] 本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。