送审稿
专家1意见
将物理信息神经网络（PINN）应用于船舶运动控制是当前的研究热点。文章尝试解决纯数据驱动模型（如标准LSTM）泛化差、不可解释的问题，选题具有较好的工程应用前景和学术价值。文中提出的基于指数滑动平均（EMA）的自适应权重分配策略（针对 Loss 函数中的物理项和数据项），在船舶运动建模的具体应用中具有一定的工程创新性，能解决训练难收敛的问题。但存在理论构建上的一些问题，文中提到的的“非参数辨识”创新点并未明确指出实现路径，此外没有与标准 LSTM、SVM、EKF 或传统最小二乘法进行对比。无法证明引入物理约束后，性能到底提升了多少。其他修改意见如下：
1、补充数据集的参考文献引用
2、增加对比实验(至少对比标准LSTM)
3、标题PINN、LSTM建议改为中文名称
4、制图避免使用英文表述
5、建议公式(9）和(10)统一使用中心差分法
6、公式(22)定义的物理损失函数残差项完全由二阶Nomoto方程构成，没有项用来表示非参数残差（未建模动态），建议增加。强迫LSTM完全满足公式(22)，在理论上将模型限制为参数化的Nomoto模型，这样做是否只是用深度学习的方法做了一次传统的参数估计。
7、列出辨识出的参数值并分析其准确性
8、优化文字表述，不要过分刻意点出公共安全
9、字体规范、参考文献重复部分剔除、补充数据集参考文献
专家2意见
本文针对船舶操纵运动响应模型系统辨识问题，提出了融合先验物理信息与LSTM网络的PI-LSTM方法，选题具有一定创新性和工程应用价值。
1、建议作者在引言和结束语中进一步凝练本文的创新点，重点突出与现有PINN方法、传统LSTM方法以及已有船舶操纵系统辨识研究相比，本文方法的具体改进之处和核心优势。
2、建议对PI-LSTM模型结构和损失函数设计作进一步说明，建议写得更清楚一些，以增强论文的可读性。
3、文章采用了缩尺船模真实环境实验数据进行验证。建议作者进一步补充数据集划分方式和训练集与测试集比例等细节，以便读者更好理解模型训练和验证过程。
4、建议在结果分析部分适当增加与其他方法的对比。
5、建议作者对全文语言表述、图表编号及参考文献格式再做统一检查。例如文中个别英文表述、图号连续性、参考文献重复引用等细节仍可进一步规范。
专家3意见
论文针对船舶操纵运动模型系统辨识问题，提出一种物理信息与数据双驱动的物理信息深度学习（PI-LSTM）船舶操纵运动系统辨识方法，并开展缩尺船模进行真实环境实验验证方法的适用性。具有一定的创新性和实用性。建议修改以下问题：
1.论文参考文献不规范不完整，如文献3、文献5、多数外文文献缺少页码，请检查修改。
2.文章模型性能评估部分，两个“图9”，导致文中插图序号有误，请检查修改。
3.文章第二部分“基本原理”介绍及插图，建议增加参考文献。
