基于WCBI-SAT架构的船舶操纵非参数动态建模：融合BiLSTM-CNN与自适应优化的智能预测方法

为解决船舶运动建模中传统方法参数漂移、实时性不足及环境适应性差等问题，研究人员提出了一种新型非参数动态框架WCBI-SAT，集成双向长短期记忆网络(BiLSTM)、卷积神经网络(CNN)与自注意力机制，通过改进白鲨优化算法(IWSO)实现超参数自动调优，并结合增量学习策略提升模型动态适应性。实验验证其在Z形操纵、回转操纵等场景下预测精度显著优于传统方法，为智能航海系统提供了实时、高精度的运动预测解决方案。

　　

在智能航运与绿色船舶技术快速发展的背景下，船舶运动精确预测成为提升能效与安全性的核心挑战。传统建模方法如Abkowitz模型和MMG模型虽广泛应用，但存在计算复杂度高、环境适应性差等问题；而基于深度学习的非参数方法虽能规避参数漂移，却面临超参数调优困难、时序特征捕捉不充分等瓶颈。针对这些问题，大连海事大学的研究团队在《Ocean Engineering》发表论文，提出WCBI-SAT架构，通过多模态神经网络融合与智能优化算法，实现了船舶运动的高精度动态建模。

研究采用滑动均值滤波预处理数据，结合CNN提取空间特征、BiLSTM捕获双向时序依赖，并引入自注意力机制强化关键信息聚焦。超参数通过混沌映射改进的白鲨优化算法(IWSO)自动调优，增量学习策略则利用KVLCC2、MMG和Esso Osaka船模数据实现模型在线更新。

Formulations of ship maneuvering motion
通过建立惯性坐标系O₀
-x₀
y₀
z₀
与船体坐标系O-xyz，量化了船舶横荡速度v、艏摇角速度r等6自由度运动参数，为模型输入输出提供数学基础。

Methodology
WCBI-SAT框架创新性地整合了CNN的局部特征提取能力、BiLSTM的双向时序建模优势及自注意力机制的全局权重分配，辅以IWSO算法优化学习率等12项超参数，较传统LSTM-SAT模型误差降低34%。

Case study
在KVLCC2船模Z形操纵试验中，WCBI-SAT对艏摇角预测的均方根误差(RMSE)仅为0.12°，显著优于MMG模型的0.28°；Esso Osaka数据的在线更新实验显示，增量学习使模型在自由航行场景下的战术直径预测误差持续下降至1.2%。

Conclusion
该研究突破了传统模型对小型漂移角假设的局限，首次将操纵性指标（如首/次超越角）纳入深度学习评价体系，证实WCBI-SAT在复杂海况下的泛化能力。其工程价值体现在三方面：1）为自主船舶提供实时运动预测框架；2）通过能耗优化助力航运减排；3）增量学习机制为边缘计算部署提供可能。未来研究可扩展至多船协同运动建模与极端海况适应性提升。