《Engineering Applications of Artificial Intelligence》:Complex frequency-domain feature learning network for phase-resolved wave and ship motion prediction
编辑推荐:
海洋波浪及波浪诱导船舶运动的精确相位分辨预测,对海洋态势感知、航行安全与自主决策至关重要。研究人员提出了一种端到端的复频域特征学习网络(CFL-Net)。具体而言,设计了扩展傅里叶变换模块与复频谱注意力模块,用于表征与提取频谱特征;同时引入复数神经建模策略与复
海洋波浪及波浪诱导船舶运动的精确相位分辨预测,对海洋态势感知、航行安全与自主决策至关重要。研究人员提出了一种端到端的复频域特征学习网络(CFL-Net)。具体而言,设计了扩展傅里叶变换模块与复频谱注意力模块,用于表征与提取频谱特征;同时引入复数神经建模策略与复值损失函数,使网络相较于实值神经网络能够更有效地学习嵌入在复频谱中的耦合关系。这有助于缓解传统时域预测模型在高海况下的性能退化问题,并增强对频域特征的学习能力。研究人员利用波浪水槽实验数据集验证了CFL-Net的预测性能。结果表明,与基线模型相比,CFL-Net在波浪预测与船舶运动预测任务中均实现了更高的预测精度,可实现60 s超前预测,预测误差低于10%,决定系数高于0.85,相位同步指数高于0.79。此外,消融研究与频谱敏感性分析明确了各网络组件的贡献及对输入数据频谱特征的敏感性,提升了CFL-Net的可解释性。上述结果证明,CFL-Net为长时域相位分辨波浪与船舶运动预测提供了一种前景广阔且具有可解释性的框架。
该研究针对海洋工程数字化与自主化发展背景下,海洋信息物理系统(MCPS)与海上自主水面船舶(MASS)对高精度环境感知与运动控制的迫切需求展开。当前相位分辨预测方法主要分为水动力预测与智能预测两类:前者依赖流体动力学方程,虽物理机制明确但计算资源消耗大且实时性差;后者多采用实值时序模型,以时域特征提取为主,频域信息仅作为辅助融合模块,难以充分捕捉复频谱中幅值与相位的耦合演化规律,导致在高海况下预测性能下降。为解决上述问题,研究人员提出了一种面向固定点波面升高与船舶运动相位分辨预测的复频域特征学习网络(CFL-Net),将特征表示与学习过程整体迁移至复频域,突破了传统时域主导的建模范式限制。论文发表于《Engineering Applications of Artificial Intelligence》。
关键技术方法方面,研究人员构建了端到端复频域学习框架,设计扩展傅里叶变换模块实现时频转换,引入复频谱注意力模块强化关键谱成分提取;采用复数神经网络(CVNN)建模策略,直接处理复频谱的实部与虚部耦合关系,并设计复值损失函数优化训练过程。实验依托哈尔滨工程大学拖曳水池不规则波与船舶运动测量数据集,采用两参数谱模拟真实海浪随机特性,对比模型涵盖LSTM、TCN及近期时频融合架构。
研究结果部分分为多个板块。在模型架构设计中,CFL-Net由输入层、扩展傅里叶变换模块、复频谱注意力模块、复数全连接层与输出层构成,通过复值运算保持频谱完整性。实验验证环节选取五类基线模型进行对比,结果显示CFL-Net在60 s超前预测任务中,波浪预测均方根误差较最优基线降低18.7%,船舶横摇运动预测相位同步指数提升至0.82,显著优于传统时域模型。消融研究证实,移除复频谱注意力模块会导致高频成分预测偏差增加23%,而复值损失函数可使相位误差降低12.4%。频谱敏感性分析表明,当输入数据频谱复杂度(以谱峰个数衡量)从1增至3时,CFL-Net预测精度波动幅度仅为实值模型的54%,证明其更强的频谱适应性。
讨论与结论部分指出,CFL-Net通过将特征学习过程完全置于复频域,有效解决了实值网络分离处理频谱实部与虚部导致的耦合关系丢失问题。研究人员强调,该框架在保持物理可解释性的同时,将长时域预测的稳定性提升至新的水平,其60 s预测能力可满足实际航行中避碰决策与减摇控制的时间窗口需求。未来研究可进一步探索多船型泛化能力与极端海况下的鲁棒性优化。该研究得到国家自然科学基金(52401419、52471361)资助,所有作者声明无利益冲突。