期刊信息
刊名：渔业现代化
曾用名：渔业机械仪器
主办：中国水产科学研究院渔业机械仪器研究所
ISSN：1007-9580
CN：31-1737/S
语言：中文;
周期：双月
影响因子：1.288
被引频次：21332
数据库收录：
JST 日本科学技术振兴机构数据库(日)(2022) CSCD 中国科学引文数据库来源期刊(2021-2022年度)(扩展版) WJCI 科技期刊世界影响力指数报告（2021）来源期刊 北京大学《中文核心期刊要目总览》来源期刊： 1992年(第一版),1996年(第二版),2008年版,2011年版,2014年版期刊分类：农业科技
期刊热词：
水产和渔业
曾用名：渔业机械仪器
主办：中国水产科学研究院渔业机械仪器研究所
ISSN：1007-9580
CN：31-1737/S
语言：中文;
周期：双月
影响因子：1.288
被引频次：21332
数据库收录：
JST 日本科学技术振兴机构数据库(日)(2022) CSCD 中国科学引文数据库来源期刊(2021-2022年度)(扩展版) WJCI 科技期刊世界影响力指数报告（2021）来源期刊 北京大学《中文核心期刊要目总览》来源期刊： 1992年(第一版),1996年(第二版),2008年版,2011年版,2014年版期刊分类：农业科技
期刊热词：
水产和渔业
基于VMD-Optuna-BiLSTM神经网络的锚泊渔船运动响应预
【作者】网站采编
【关键词】
【摘要】:研究背景与问题 在海洋经济和航运安全中，锚泊渔船的运动响应预测至关重要。由于锚泊渔船运动响应的复杂性和多变性，如非线性、非平稳性以及多尺度耦合性，传统的单一神经网络研究背景与问题
在海洋经济和航运安全中，锚泊渔船的运动响应预测至关重要。由于锚泊渔船运动响应的复杂性和多变性，如非线性、非平稳性以及多尺度耦合性，传统的单一神经网络方法在预测锚泊渔船运动响应时，常常面临着预测精度不足和超参数寻优效率低等问题。这些挑战限制了锚泊渔船运动响应预测技术的实际应用和准确性。
研究方法
为了解决上述问题，本研究提出了一种融合变分模态分解（VMD）和Optuna超参数优化的双向长短期记忆（BiLSTM）神经网络预测方法（VMD-Optuna-BiLSTM）。该方法首先采用VMD对锚泊渔船的运动数据进行预处理，提取出具有物理意义的特征；接着，将提取的特征输入到BiLSTM网络中进行预测；最后，利用Optuna自动搜索最优超参数，提高网络的泛化能力和预测精度。
核心结果
通过在真实数据集上的实验，结果表明，VMD-Optuna-BiLSTM方法相较于传统的单一神经网络方法在预测精度上有了显著提高。此外，VMD在特征提取方面起到了关键作用，有效地减少了数据维度，降低了模型复杂性。Optuna超参数优化进一步提高了模型的泛化能力和预测性能。实验结果还表明，VMD-Optuna-BiLSTM方法在锚泊渔船运动响应预测方面具有较高的鲁棒性和准确性。
结论与意义
本文提出的VMD-Optuna-BiLSTM方法在锚泊渔船运动响应预测方面具有良好的性能。该方法融合了多种先进技术，能够有效提高锚泊渔船运动响应预测的精度和效率。研究成果可为海洋经济和航运安全领域提供有力支持，有助于推动锚泊渔船运动响应预测技术的实际应用和发展。
文章来源：《渔业现代化》 网址: http://www.yyxdh.cn/qikandaodu/2026/1027/331.html