舰船在海上航行过程中会受到海风、波浪、洋流等因素的影响产生六自由度的摇荡运动，对舰船海上作业以及舰载武器设备造成扰动。如能对该舰船摇荡运动进行预测，将为舰载稳定平台的运动补偿提供有效基础信息，从而提高补偿精度。因此，该文以舰船的摇荡为目标，研究舰船极短期摇荡的预测方法。主要研究工作如下：
　　首先，构建了双模型舰船摇荡预测模型用于舰载稳定平台，通过对舰船摇荡运动趋势做出预测，为稳定平台的运动补偿提供舰船运动预测信息，从而增强稳定平台的补偿能力。针对于舰载稳定平台补偿的高精度要求，在双模型框架中设计在线学习模型，根据航行环境调整网络参数，提高预测精度。针对舰载稳定平台的高实时要求，在双模型预测框架中构建离线预测，利用在线学习的训练好的网络参数，快速对未来舰船摇荡的趋势做出预测。
　　其次，从舰船摇荡运动的频率特性出发，提出多尺度LSTM(Long Short-Term Memory Networks,LSTM)预测算法。该方法首先对舰船摇荡信号进行多尺度分析，将摇荡运动信号分解为不同频率的尺度分量；然后，针对于不同尺度分量的特性建立长短期记忆网络模型集合，利用多个LSTM模型对不同尺度分量进行信号的学习与预测；最后，通过对不同尺度信号预测的集成完成舰船摇荡运动的整体预测。实验结果表明，在处理频率构成复杂的舰船摇荡运动问题时，多尺度LSTM预测算法相比于LSTM模型具有更好的预测能力，进一步提高了舰船摇荡运动的预测精度。
　　最后，针对于LSTM对非平稳性较高的舰船摇荡数据学习不足，造成预测偏差较大的问题，该文提出了经验模态分解(Empirical Mode Decomposition,EMD)和长短期记忆网络(EMD-LSTM)组合预测算法。该方法结合了EMD的非平稳性处理能力和LSTM的时序信号学习能力，将非平稳的舰船摇荡数据分解为多个平稳分量，再利用LSTM学习各平稳分量的波动特性，最后将各分量预测结果重构。实验结果表明，与LSTM相比，基于EMD-LSTM组合预测算法在处理非平稳的舰船摇荡运动数据中，表现出较好的预测性能。因此，该算法对舰船摇荡运动极短期预测是行之有效的，为提高舰船极短期摇荡运动的预测精度提供了一种参考方法。