本技术涉及船舶，尤其是一种基于机器学习的两船波浪力快速预报方法。
背景技术：
1、舰船在远海航行和进行海上作业时会不断地消耗其所储备的食品、淡水、燃油及武器弹药等各种物资，因此为了保证舰船，尤其是自给力相对来说较弱的中小型舰船能够正常作业，必须要迅速地补充好所消耗的物资。目前，海上补给作为舰船在海上进行远海作战、护航、巡逻所必须采取的重要后勤保障手段，能够给舰船装备具有战备完好性提供有效保障。
2、船舶航行补给方式主要横向补给、纵向补给和垂向补给这三种。各种补给方式都具备各自的优势和应用范围，其中横向补给由于具有效率高、品种多等优势，在补给方式中占主导地位。采用横向补给方式时，接收船和补给船在横向上保持一定的相对距离并行航行，在保持同速、同向航行过程中，物资通过跨接于两船之间的补给装置进行传递。
3、船舶横向补给时，由于波浪作用，会使船体产生摇荡运动，与此同时还会在水面形成辐射波，入射波在遭遇船舶之后会产生衍射波，此时，各船的辐射波及衍射波传递到相邻的船体后都会产生新的激励作用，这种新的激励必然对船体的摇荡运动产生影响，与此同时还会形成新的衍射，从而导致船体间的波浪干扰。由于这种波浪干扰的存在，可能会使各船的波浪载荷和运动响应更加剧烈，从而导致补给困难或失败，甚至还可能引起船体之间发生碰撞，导致不必要的事故以及人员伤亡发生。
4、因此对两船靠近时的波浪力进行快速预报在船舶海上横向补给研究中具有极大的意义，目前求解波浪中近距离船体间水动力干扰的方法主要有：切片法、势流和粘性流相结合的混合方法、三维势流方法、三维势流时域法等方法，静水中的两船并行主要采用cfd方法。大部分基于经验公式的预报方法主要聚焦于某几个因素对于船间波浪力的影响，具有一定的局限性，预报准确率和精度不高。cdf方法的预报精度较高，但是对计算资源的依赖性强，时间成本高，难以快速响应。
技术实现思路
1、本技术针对上述问题及技术需求，提出了一种基于机器学习的两船波浪力快速预报方法，本技术的技术方案如下：
2、一种基于机器学习的两船波浪力快速预报方法，该两船波浪力快速预报方法包括：
3、获取两船横向补给场景下的多组样本数据，每组样本数据包括两船横向补给场景的航行工况参数以及两船波浪力数据；
4、分离得到每组样本数据中的两船波浪力数据的符号标签和数值特征量；
5、以每组样本数据的航行工况参数作为输入、对应的两船波浪力数据的符号标签作为输出，基于机器学习分类模型训练得到符号标签预报模型；
6、以每组样本数据的航行工况参数作为输入、对应的两船波浪力数据的数值特征量作为输出，基于机器学习回归模型训练得到数值预报模型；
7、将待预报的两船横向补给场景下的航行工况参数分别输入训练得到的符号标签预报模型和数值预报模型，根据符号标签预报模型输出的符号标签预报结果以及数值预报模型输出的数值特征量预报结果，得到待预报场景的两船波浪力预报结果。
8、其进一步的技术方案为，分离得到每组样本数据中的两船波浪力数据的符号标签和数值特征量，包括：
9、当样本数据中的两船波浪力数据为正值时，确定样本数据的符号标签为正值标签；当样本数据中的两船波浪力数据为负值时，确定样本数据的符号标签为负值标签；
10、基于样本数据中的两船波浪力数据的绝对值得到两船波浪力数据的数值特征量。
11、其进一步的技术方案为，基于样本数据中的两船波浪力数据的绝对值得到两船波浪力数据的数值特征量，包括：对样本数据中的两船波浪力数据的绝对值进行对数处理，得到两船波浪力数据的数值特征量；
12、则得到待预报场景的两船波浪力预报结果包括确定两船波浪力预报结果为其中，当符号标签预报结果为正值标签时x1＝1，当符号标签预报结果为负值标签时x1＝-1，x2是数值特征量预报结果。
13、其进一步的技术方案为，每组样本数据中的两船波浪力数据包括两船一阶波浪力数据和两船二阶波浪力数据，得到的待预报场景的两船波浪力预报结果包括两船一阶波浪力预报结果和两船二阶波浪力预报结果；
14、两船波浪力快速预报方法还包括：
15、根据输出的两船一阶波浪力预报结果得到频域中的一阶波浪力波浪频率响应曲线，将频域中的响应传递函数写成实部和虚部的形式，再通过脉冲响应函数法进行转化，输出时域中的一阶波浪力时历曲线。
16、其进一步的技术方案为，航行工况参数包括两船运动参数和波浪参数，两船运动参数包括两船间横向间距、两船间纵向间距、两船各自的艏向角、两船各自的航速，波浪参数包括波浪浪向和波浪频率；其中，两船间横向间距是两船沿着船宽方向的间距，两船间纵向间距是两船沿着船长方向的间距。
17、其进一步的技术方案为，获取两船横向补给场景下的多组样本数据，包括：
18、利用cfd方法计算在两船横向补给场景的不同航行工况参数下的两船波浪力数据，并保留波浪频率位于预定中频频段内的航行工况参数及对应的两船波浪力数据作为样本数据。
19、其进一步的技术方案为，基于机器学习分类模型训练得到符号标签预报模型包括：
20、分别使用多种不同机器学习分类模型利用样本数据进行模型训练得到多个候选标签预报模型，使用的机器学习分类模型包括贝叶斯分类、决策树分类、梯度提升树、支持向量机以及k-最近邻；
21、采取k-fold交叉验证方法进行验证，并以分类正确率最高的候选标签预报模型作为训练得到的符号标签预报模型。
22、其进一步的技术方案为，基于机器学习回归模型训练得到数值预报模型，包括：
23、分别使用多种不同机器学习回归模型利用样本数据进行模型训练得到多个候选数值预报模型，使用的机器学习回归模型包括线性回归、梯度回归决策树、随机森林、支持向量回归以及自适应增强；
24、采取k-fold交叉验证方法进行验证，并以平均绝对误差最小的候选数值预报模型作为训练得到的数值预报模型。
25、其进一步的技术方案为，在利用梯度回归决策树、随机森林、支持向量回归以及自适应增强分别训练得到候选数值预报模型时，通过随机搜索的参数搜索方式找到负均方误差最少的模型参数。
26、其进一步的技术方案为，确定的符号标签预报模型基于梯度提升树训练得到，确定的数值预报模型基于随机森林训练得到。
27、本技术的有益技术效果是：
28、本技术公开了一种基于机器学习的两船波浪力快速预报方法，该方法根据两船波浪力数据的数据特点，分离得到两船波浪力数据的符号标签和数值特征量，然后针对符号标签和数值特征量的不同预报需求分别基于分类模型和回归模型进行模型训练，利用训练得到的符号标签预报模型和数值预报模型就能基于航行工况参数快速得到两船波浪力预报结果，该方法的预报精度较高且响应速度快，具有较好的预报效率，可以对两船靠近时的波浪力进行快速预报，在船舶海上横向补给研究中具有极大的意义。
29、该方法针对两船波浪力符号多变且数量级差异性大的特点，通过分离符号标签，以及对绝对值的对数处理提取数值特征量，可以更好的表征两船波浪力的数据特征以服务于模型训练和预报，有利于减小预报误差。
30、该方法在进行模型训练时，考虑了对两船波浪力有影响的各种两船运动参数和波浪参数，可以更全面综合的考虑各种因素对两船波浪力的影响，有利于提高预报精度和准确度。
1.一种基于机器学习的两船波浪力快速预报方法，其特征在于，所述两船波浪力快速预报方法包括：
2.根据权利要求1所述的两船波浪力快速预报方法，其特征在于，所述分离得到每组样本数据中的两船波浪力数据的符号标签和数值特征量，包括：
3.根据权利要求2所述的两船波浪力快速预报方法，其特征在于，所述基于所述样本数据中的两船波浪力数据的绝对值得到两船波浪力数据的数值特征量，包括：对所述样本数据中的两船波浪力数据的绝对值进行对数处理，得到两船波浪力数据的数值特征量；
4.根据权利要求1所述的两船波浪力快速预报方法，其特征在于，每组样本数据中的两船波浪力数据包括两船一阶波浪力数据和两船二阶波浪力数据，得到的所述待预报场景的两船波浪力预报结果包括两船一阶波浪力预报结果和两船二阶波浪力预报结果；
5.根据权利要求1所述的两船波浪力快速预报方法，其特征在于，
6.根据权利要求5所述的两船波浪力快速预报方法，其特征在于，所述获取两船横向补给场景下的多组样本数据，包括：
7.根据权利要求1所述的两船波浪力快速预报方法，其特征在于，所述基于机器学习分类模型训练得到符号标签预报模型包括：
8.根据权利要求1所述的两船波浪力快速预报方法，其特征在于，所述基于机器学习回归模型训练得到数值预报模型，包括：
9.根据权利要求8所述的两船波浪力快速预报方法，其特征在于，在利用梯度回归决策树、随机森林、支持向量回归以及自适应增强分别训练得到候选数值预报模型时，通过随机搜索的参数搜索方式找到负均方误差最少的模型参数。
10.根据权利要求7或8所述的两船波浪力快速预报方法，其特征在于，确定的符号标签预报模型基于梯度提升树训练得到，确定的数值预报模型基于随机森林训练得到。
