融合半监督学习与波浪浮标类比法的混合式波浪谱估计增强方法研究

本研究针对船舶航行安全中的海况精确估计难题，创新性地结合半监督学习与波浪浮标类比法，提出"两步法"估计波浪参数。通过t-SNE降维与图半监督学习精准识别主波向，结合改进的暴力搜索算法迭代计算波谱参数，验证表明该方法在有限数据下仍保持稳健性能，为智能船舶导航提供了高精度的波浪环境感知新范式。

　　

海浪的狂暴与温驯时刻牵动着航海安全神经。据世界航运理事会报告，集装箱损失多源于参数横摇等动态稳定性问题，而传统浮标观测存在50km网格分辨率局限，波浪雷达又受制于信号转换误差和高昂成本。将船舶本身作为"巨型浮标"的波浪类比法虽能利用运动响应反演波谱，却面临奇异矩阵、高频衰减等固有缺陷。深度学习虽展现潜力，但其数据饥渴特性与泛化风险制约了实际应用。

针对这些瓶颈，研究人员开发了融合半监督学习的混合式波浪谱估计方法。该研究通过三维势流软件WASIM模拟291米LNG船在不同海况下的运动响应，创新性地将波谱解耦为方向与能量参数分步求解。首先利用t-SNE将高维运动特征降维可视化，通过最近邻图半监督学习在0-360°范围内聚类识别主波向；继而采用改进的暴力搜索算法迭代优化波浪高度、周期等参数，突破传统固定扩展系数的限制。

新波浪估计：两步法
基于运动响应谱R_xy(ω_e)与传递函数Χ(ω_e,β)的积分关系，建立波谱能量重构方程。特征分析发现船舶横摇(φ)、纵摇(θ)等运动模式在波向变化时呈现规律性聚类特征。

模拟设置与验证
采用DNV开发的WASIM软件，以15/19节航速下的传递函数为基准，验证不同浪向下运动响应谱的敏感性。结果显示特征值在波向变化时形成可分性良好的环形分布。

波向估计
t-SNE将28维特征压缩至2维后，结合标记样本的半监督传播，在有限数据下实现±7.5°的波向估计精度，显著优于纯监督学习方法。

结论
该方法通过运动响应谱特征解耦估计，突破传统波浪浮标类比法的参数耦合困境。特别在涌浪主导的海况下，改进的暴力搜索算法使波高估计误差控制在12%以内，为船舶智能避浪系统提供了可靠的环境感知模块。研究证实响应谱蕴含的指纹特征可有效表征复杂海况，未来结合实时流数据处理有望进一步提升动态环境下的估计时效性。论文发表于《Ocean Engineering》，为海洋工程领域提供了机器学习和传统流体力学交叉创新的典范。