船舶运动预报是船舶航行性能研究领域的重要问题,它事关船舶航行安全与作业效率。精确预报船舶未来一段时间的运动姿态,再利用运动补偿与控制技术对船舶运动进行控制,对于提高舰载机着舰的安全,改进舰船火控系统的瞄准精度,提高船船之间货物过驳等海上作业的安全和效率具有重要的意义。船舶运动预报数学模型是船舶运动预报及控制器设计的基础。在大海中航行的船舶,由于受到风、浪、流等环境的干扰以及其自身载荷的变化,其运动呈复杂的非线性和时变性,很难建立精确的船舶运动机理模型。因此,现实中船舶运动建模与预报的很多方法是从统计学理论出发,早期的有经典的时间序列分析方法,如自回归模型,自回归滑动平均模型等;近年来,随着人工智能技术的发展,神经网络、支持向量机等机器学习理论也被广泛应用于船舶运动建模与预报。神经网络可以以任意的精度逼近任意的非线性函数;小波神经网络是在小波理论的基础上提出的,由小波激活函数构成的小波神经网络,不仅拥有传统神经网络的优点,而且还拥有小波函数的优点。小波函数在时域和频域上同时拥有局部特性,尤其是拟合强非线性系统,小波神经网络通常收敛更快。针对强非线性的船舶摇荡运动,本论文分别采用自适应小波神经网络与固定网格小波神经网络对波浪中的船舶摇荡运动进行了辨识建模与预报研究。自适应小波神经网络一般采用梯度下降类训练方法,易使小波神经网络收敛于局部最优。为了避免小波神经网络收敛于局部最优,本文采用粒子群优化算法与误差反传算法相结合的神经网络训练方法,克服了仅采用误差反传算法导致的对神经网络初始位置敏感的缺点,还提高了所训练小波神经网络的鲁棒性。论文应用Mexican Hat小波激活函数构建神经网络模型,对规则波与不规则波中的船舶横摇运动进行了辨识建模与预报研究;为了预报多自由度的船舶运动,还把该建模方法扩展到多输入多输出系统,对波浪中双自由度垂荡-纵摇耦合运动进行了辨识建模研究,并通过将船舶运动的仿真数据与试验数据进行对比,验证了该建模方法的有效性。小波激活函数种类繁多,不同的小波激活函数可以构建不同的小波神经网络;针对不同的应用环境,可以采用不同的小波神经网络模型。本文利用Mortlet与Gaussian小波激活函数构建了两种自适应小波神经网络,基于不规则波中的船舶横摇运动与垂荡-纵摇耦合运动的仿真数据,采用粒子群优化算法与误差反传算法相结合的训练方法,分别建立了基于Mortlet与Gaussian小波神经网络的波浪中船舶横摇运动与垂荡-纵摇耦合运动预报模型,体现了构建小波神经网络模型的灵活性。基于粒子群优化的自适应小波神经网络模型,虽然在一定程度上可以避免神经网络陷于局部最优,但是在针对多输入多输出系统建模时,由于目标函数针对的是系统输出的整体优化效果,在训练优化过程中可能会出现不同维输出的优化结果差异较大的现象,为了避免这一现象,本文采用了基于固定网格小波神经网络的建模方法。该建模方法只要固定网格小波神经网络的训练条件一样,小波神经网络的训练结果就唯一,模型可以收敛于全局最优,而且该小波神经网络模型还可以清楚地表示不同神经网络输入变量对系统输出贡献大小的关系以及输入变量之间的耦合关系。基于波浪中船舶横摇运动和垂荡-纵摇耦合运动的数据,本文应用该建模方法对波浪中的船舶横摇运动和垂荡-纵摇耦合运动进行了在线辨识建模与预报研究。为了提高基于固定网格小波神经网络的在线建模方法在系统建模中的计算效率,本文提出了粗微调固定网格小波神经网络的在线建模方法,其中粗调可以改变神经网络模型的结构,而微调借助于Givens Rotation算法仅调整神经网络模型的参数。该建模方法既可以灵活调整模型结构,还提高了建模的计算效率。基于波浪中船舶横摇运动与垂荡-纵摇耦合运动的仿真数据和实验数据,本文应用该方法对波浪中船舶横摇运动与垂荡-纵摇耦合运动进行了辨识建模研究,针对多输入单输出与多输入多输出系统建立了波浪中船舶运动的在线预报模型。仿真结果表明,该预报模型可以较好地对船舶运动进行在线预报。本文将粒子群优化的自适应小波神经网络在线建模方法引入波浪中船舶运动的在线建模与预报中,在固定网格小波神经网络的基础上提出了一种新的粗微调固定网格小波神经网络在线建模方法,为波浪中船舶运动的在线建模与预报提供了一种有效的方法。