1.基于麻雀搜索算法优化的GRU的船舶运动姿态的预测方法，其特征在于，包括如下步骤：S1：收集船舶运动姿态的历史数据，对收集到的数据进行归一化处理，得到处理后的建模数据；

S2：初始化麻雀搜索算法的参数及GRU网络的结构；

S3：通过麻雀搜索算法搜索最优参数；

S4：将得到的最优参数对GRU网络的连接权值进行赋值，利用步骤S1的建模数据进行GRU网络预测模型的训练；

S5：根据监测到的船舶运动姿态数据，利用训练好的GRU网络预测模型进行船舶运动姿态的预测；

所述步骤S3具体包括如下步骤：

A1：对适应度进行排序，找到当前最佳适应度个体和最差适应度个体；

A2：更新适应度靠前麻雀位置：

其中，t表示当前迭代，j＝1，2，…，d， 表示迭代t次时第i只麻雀的适应值，itermax代表最大迭代次数，α∈(0,1]是一个随机数，R2∈[0,1)表示警戒值，ST∈[0.5,1.0]表示安全阈值，Q是一个服从正态分布的随机数，L代表一个1*d的全一矩阵；

A3：更新适应度靠后麻雀位置；

其中，Xp表示被发现者占据的最佳位置，Xworst表示当前最差位置，L代表一个1*d的一行+ T T ‑1多维矩阵，矩阵中每个元素随机分配1或‑1，A＝A(AA) ；

A4：随机更新部分麻雀位置：

其中，Xbest表示当前全局最优位置；β即步长控制参数，是均值为0，方差为1的随机数的正态分布；K∈[‑1,1]是一个随机数；fi是当前麻雀的适应度值；fg和fw分别是当前全局最优值和最差值，ε是最小的常数，避免零除误差；

A5：得到当前更新后的位置；

A6：如果新位置优于旧位置，更新旧位置；

A7：重复进行步骤A4到步骤A6；

A8：达到最大迭代次数输出最佳适应度值；

GRU网络的前项传播算法如下所示：

zt＝σ{Wz[ht‑1,xt]}

rt＝σ{Wr[Ht‑1,xt]}

2.根据权利要求1所述的基于麻雀搜索算法优化的GRU的船舶运动姿态的预测方法，其特征在于，所述步骤S1中建模数据的获取公式为：其中，x为收集到的数据，x'为建模数据，也就是所需训练样本数据，max(x)和min(x)分别为数据集中的最大值和最小值。

3.根据权利要求1所述的基于麻雀搜索算法优化的GRU的船舶运动姿态的预测方法，其特征在于，所述步骤S2具体为：麻雀搜索算法的参数初始化：设定麻雀搜索算法的参数包括种群规模、层数、迭代次数、和速度取值的限定范围；

GRU网络的结构初始化：确定网络输入层、输出层以及隐含层的层数。

4.根据权利要求1所述的基于麻雀搜索算法优化的GRU的船舶运动姿态的预测方法，其特征在于，所述步骤S4具体包括：将得到的最佳适应度值赋值给GRU网络，利用归一化处理后的数据训练GRU网络，达到最大迭代次数后，输出预测值，完成GRU网络预测模型的训练。

5.根据权利要求1或2所述的基于麻雀搜索算法优化的GRU的船舶运动姿态的预测方法，其特征在于，所述步骤S1中收集到的数据包括横摇、纵摇、升沉、横荡、纵荡和垂荡数据。