基于VMD-LSSVM的水下滑翔机深平均流预测

摘要

水下滑翔机是海洋立体观测网络的重要组成部分.本文以天津大学“海燕-L”水下滑翔机为平台,针对其航行过程中易受到海流等因素影响发生航向偏离的问题,提出基于变分模态分解(variational mode decomposition,VMD)和最小二乘支持向量机(least squares support vector machine,LSSVM)方法的深平均流(depth-averaged current velocity,DACV)预测模型,从而指导水下滑翔机进行有效航向修正或局部路径规划.首先,根据水下滑翔机运动原理,针对水下滑翔机剖面运动理论出水位置与实际出水位置的偏离现象,结合岸基操作与控制条件以及水下滑翔机的通信方式,建立了短数据精简深平均流计算模型;其次,对得到的深平均流数据按照时间顺序进行序列构造,得到了实时性多剖面深平均流历史序列,并利用VMD将其分解为若干分量序列;最后,基于LSSVM对深平均流数据进行预测,得到了未来深平均流预测数据.海试结果表明,在以4个剖面数据作为输入的情况下,VMDLSSVM的预测结果在经度、纬度方向的流速均方根误差分别为0.0257、0.0205,相关系数分别为0.9484、0.9737,优于LSSVM、经验模态分解(empirical mode decomposition,EMD)的LSSVM(EMD-LSSVM)、长短期记忆神经网络(long short-term memory,LSTM)、EMD-LSTM及VMD-LSTM预测性能,更好地预测深平均流的数值并追踪其变化趋势,证明所提方法的有效性.