1.一种船体运动位姿极短期实时预报方法，其特征在于，其包括以下步骤：S1、在满足香农采样定理的条件下，以较大采样周期采集船体运动位姿数据；

S2、利用采集的船体运动位姿时间序列数据建立AR模型：xt＝φ1xt‑1+φ2xt‑2+…+φpxt‑p+εt    (1)其中，xt表示当前时刻的位姿值；p表示AR模型的阶数，即为自变量的个数；εt表示误差；

φ表示模型系数；

S3、采用贝叶斯信息BIC准则确定AR模型的阶数p：2

BIC(p)＝lge+(p+1)(lgN)/N    (3)2

其中，N表示样本个数；e表示均方差且 表示位姿预报值；

S4、采用限定记忆的递推最小二乘算法进行AR模型参数Φ的在线更新；

S41、当数据窗口内有n个数据时，基于贝叶斯信息BIC准则确定的AR模型阶数p，组成训练集的样本输入矩阵X为：T

X＝[Θ1 Θ2…Θn‑p]    (4)T

其中，Θn‑p表示单个的输入样本且Θn‑p＝[xn‑p xn‑p+1…xn‑1]，对应的样本输出Y为：T

Y＝[xp+1 xp+2…xn]Txn]    (5)；

S42、固定估计参数所用数据的窗口长度，每采到一组新数据获得新的样本输入矩阵为：对应新的样本输出矩阵 为：

S43、采用限定记忆的递推最小二乘算法进行AR模型参数Φ的在线更新：其中， 表示采集新数据后使用限定记忆法得到的AR模型参数Φ的估计值； 表示增益系数；Pn+1表示协方差矩阵； 为采集新数据后使用递推最小二乘算法得到的AR模型参数Φ估计值；

S5、采用滚动预报的方式进行船体运动位姿多步预报：根据船体运动位姿的历史数据预报下一时刻数据，再组合历史数据预报下下时刻数据，直至预报时长；

S6、将预报所得的数据与一定时长的历史数据组合在一起，建立RBF神经网络模型进行拟合插值，获取船体运动位姿极短期预报数据；

其中所述RBF神经网络模型隐藏层的径向基函数采用高斯核函数：其中，||X‑Ci||表示向量范数，即X和Ci两个向量之间的距离；Ci表示第i个高斯核函数的中心，在输入样本中均匀选取；σi表示第i个高斯核函数的宽度系数；

所述RBF神经网络模型输出层是将隐藏层的输出值进行加权求和：f(X)＝ΨW+b    (11)

其中，Ψ表示RBF神经网络模型隐藏层的输出值；W表示加权值；b表示偏置项；采用批处理最小二乘算法进行所述RBF神经网络模型输出层参数的在线估计。

2.根据权利要求1所述的船体运动位姿极短期实时预报方法，其特征在于，所述步骤S1具体包括以下步骤：S11、基于香农采样定理，在最大采样周期和系统控制周期之间选择若干个采样周期，从中选择预报性能最佳的作为最终采样周期；

S12、分别对船体6个自由度的运动位姿进行数据采集，将采集到的时间序列数据记为{xi,i＝1～n}，其中i表示时间。

3.根据权利要求1所述的船体运动位姿极短期实时预报方法，其特征在于，所述步骤S2中所述AR模型的AR模型参数Φ为：T

Φ＝[φ1  φ2…φp]    (2)。

4.根据权利要求1所述的船体运动位姿极短期实时预报方法，其特征在于，所述步骤S5具体包括以下步骤：S51、根据船体运动位姿的历史数据预报出下一时刻的船体运动位姿数据；

S52、将预报所得的船体运动位姿与历史数据组合在一起进行下下时刻的船体运动位姿预报，直到满足对预报时长的要求；

S53、获得当前时刻后第l时刻的船体运动位姿的预报值 为：其中，l为需要预报的步数。

5.根据权利要求1所述的船体运动位姿极短期实时预报方法，其特征在于，所述限定记忆为每采集到一组新数据，便舍弃一组旧数据，保证当前的模型参数是根据最新的一段船体运动位姿数据估计得到。

6.根据权利要求1所述的船体运动位姿极短期实时预报方法，其特征在于，所述步骤S5中预报的相邻时刻的间隔与采样周期相等，所述步骤S6中极短期船体运动位姿预报数据的周期与系统控制周期一致，所述采样周期大于所述系统控制周期。

7.根据权利要求1所述的船体运动位姿极短期实时预报方法，其特征在于，所述步骤S3采用网格搜索算法以BIC(p)为目标值进行寻优。