基于支持向量回归机的船舶操纵运动在线辨识建模

采用滚动时间窗的方法实现支持向量机的在线辨识。以船舶操纵运动响应模型为研究对象,并由10°/10°和15°/15°仿真Z形试验数据构造支持向量机参数辨识所需的训练样本对,应用支持向量机进行船舶操纵运动在线辨识建模,回归操纵运动响应模型中的操纵性指数,并利用建立的响应模型进行Z形试验的数值模拟。将Z形试验数值模拟结果同仿真Z形试验数据进行比较,结果表明,在线式支持向量回归机是一种进行船舶操纵运动在线辨识建模的有效方法。     

小波去噪在船舶操纵运动建模中的应用

通过向20°/20°Z形试验仿真数据中添加随机噪声,得到含噪声的试验数据;随后,应用最小二乘支持向量回归机(Least Square-Support Vector Regression,LS-SVR)对经过小波去噪的试验数据和含噪声的试验数据进行分析,辨识了船舶操纵运动二阶线性响应模型中的操纵性指数。将由去噪试验数据和含噪试验数据得到的20°/20°Z形试验预报结果同20°/20°Z形试验仿真数据进行对比,验证了小波去噪在对含噪声的Z形试验数据进行去噪处理的有效性。     

基于支持向量回归机和粒子群算法的船舶操纵运动模型辨识

基于仿真的Z形试验数据,应用支持向量回归机对船舶操纵运动响应模型进行了机理建模,从核函数结构中得到了模型中的操纵性指数,并利用建立的响应模型进行了Z形试验的运动预报,同时引入粒子群算法对惩罚因子C值进行寻优,以减少惩罚因子C值选择的任意性对船舶操纵运动模型辨识精度产生的不利影响。通过将运动预报结果同仿真试验数据进行比较,验证了文中方法的有效性。     

支持向量回归机不敏感因子ε对运动建模的影响

通过对仿真Z形试验数据的分析,应用具有不同不敏感因子ε的ε-支持向量回归机(Support Vector Regression,SVR)辨识了船舶操纵运动二阶线性响应模型中的K,T等操纵性指数,并利用回归得到的响应模型进行了Z形试验的数值模拟。通过比较采用不同不敏感因子ε所得首向角和转艏角速度的预报结果,表明可以通过调节不敏感因子ε值来控制样本输入中支持向量的个数与ε-SVR的回归精度。     

应用支持向量机的船舶操纵运动响应模型辨识

建模是评估船舶操纵性和可控性的重要前提.基于自由自航船模试验的系统辨识方法是求取船舶操纵运动数学模型中的水动力系数的有效手段之一.文中提出了一种使用支持向量回归估计的船舶操纵运动响应模型辨识方法,该方法通过训练自由自航试验数据样本得到参数回归模型.辨识和仿真结果验证了文中所提出的方法的有效性.     

基于支持向量机的船舶操纵运动在线建模

支持向量机算法以结构风险最小化为准则,具有良好的泛化性,是一种先进的人工智能算法。文章根据最小二乘支持向量机对其增量式算法进行推导,并应用该算法对船舶操纵运动进行在线建模。通过仿真试验对粘性力和舵力水动力导数进行在线辨识,通过自航模试验对操纵性K、T指数进行在线辨识,并利用K、T指数对自航模的转首角速度进行了预报,所得结果都同试验值非常接近,证明了增量式最小二乘支持向量机应用于船舶操纵运动在线建模的有效性。     

基于LS-SVM的船舶操纵运动在线建模

基于最小二乘支持向量机(LS-SVM)和积分型辨识样本结构开展了船舶操纵运动的在线建模.以整体型Abkow-itz模型为辨识对象,大阪号油轮作为具体研究对象.在操纵运动仿真时,采用40个粘性类水动力导数的Abkowitz模型,但是在参数辨识时,采用了仅具有20个粘性类水动力导数的简化模型.为了对建模方法的有效性进行检验,将辨识得到的水动力导数与其原始值进行了比较,同时也针对辨识模型和原始模型的操纵运动仿真进行了比较.辨识结果表明,使用简化模型进行船舶操纵运动的在线建模是合适的,具有较好的预报效果和较高的精度.     

基于ν-支持向量机的波浪中船舶操纵运动辨识建模

本文采用系统辨识方法对船舶在波浪中的三自由度操纵运动进行黑箱建模。以KCS船为研究对象，建模所需的数据由规则波中的船模回转试验获得。分别利用原始数据及经低通滤波处理后的数据，应用ν-支持向量机进行黑箱建模。进一步地，利用所建立的模型进行运动预报，并将预报结果与真实的试验值进行比较，对所提出的建模方法进行验证。结果表明，ν-支持向量机是一种可进行波浪中的船舶操纵运动辨识建模的有效方法。     

基于岭回归方法的船舶操纵运动建模

基于自航模试验的系统辨识方法是一种有效的船舶操纵运动建模方法.通过对舵角和转艏角速度试验数据的分析,用岭回归方法确定了船舶操纵运动数学模型中的模型参数,进行了操纵运动预报仿真并同自航模试验数据对比,数值仿真结果验证了方法的有效性.     

基于改进LSSVM的船舶操纵运动模型在线参数辨识方法

为实现船舶操纵性的在线预报及自适应运动控制,针对Nomoto二阶非线性运动模型参数辨识问题,将最小二乘支持向量机(least squares support vector machines,LSSVM)与多新息方法相结合,提出一种新的多新息在线LSSVM辨识建模方法。试验结果表明,使用所提出的算法辨识的模型进行预报的拟合误差可达到4.76%以下,能准确拟合船舶操纵运动模型。     

基于AFSA优化的支持向量机柴油机性能预测模型

电控高压共轨技术的采用使得船用柴油机性能及排放具有了更大的优化空间，但同时柴油机控制参数增多使得柴油机性能的预测变得更为复杂。为了建立精确的柴油机性能预测模型，利用回归支持向量机，通过对实验数据的学习以获得预测模型。支持向量机的预测精度会因其参数的选择出现一定的差异，所以需要对支持向量机参数选择进行研究和优化。以某型船用高速大功率电控高压共轨柴油机为研究对象，建立支持向量机预测模型，分析其预测性能受参数选择的影响，并利用人工鱼群算法对其进行优化。结果表明，基于人工鱼群算法优化的回归支持向量机能够建立精度较高的柴油机性能预测模型，且人工鱼群算法具有很好的寻优性能。     

果蝇算法在基于LSSVM智能水下机器人操纵运动模型辨识中的应用

基于水下机器人的Z型仿真试验,应用支持向量机对水下机器人的操纵运动模型进行辨识,从核函数结构中得到水动力系数,并建立水下机器人的预报模型,引入果蝇算法对惩罚因子C进行寻优,以减少基于经验而选择的参数对辨识精度产生的影响。通过预报与仿真比较,验证了该方法的有效性。     

Derivation of wave spectrum using data driven methods

The current techniques of derivation of a wave spectrum from given values of design wave parameters, like significant wave height and average wave period, are fraught with considerable uncertainties. This leaves scope for alternative approaches. The reported work proposes potential applications of two recent data driven methods, namely support vector regression (SVR) and model tree (MT), to obtain the wave spectra. In the present study the above tools were used to estimate wave spectra at two locations: no. 44008 maintained by National Data Buoy Centre (NDBC) in the Gulf of Maine, USA and ‘DS5’ monitored by National Institute of Ocean Technology (NIOT) in Bay of Bengal, India. The choice of these two locations facilitated the comparison of model performances in different geographical areas. The SVR and MT models were developed in order to estimate the wave surface spectral density over a wide range of wave frequencies out of average wave parameters of significant wave height and average zero-cross wave period. The models were trained and tested using randomly selected sea states. Both MT and SVR were able to derive the spectral shapes satisfactorily as reflected in high values of the correlation coefficients and low values of root mean square error and mean square error.     

基于AR-EMD方法的扩展非平稳船舶运动极短期预报AR模型

准确的极短期预报技术能够提高对船舶摇荡运动敏感的海洋特种作业安全性和效率。自回归（auto-regressive,AR）预报模型由于其自适应性强、计算效率高而被广泛应用于船舶运动的极短期预报研究。但该模型基于平稳随机假设,因而在非平稳船舶运动的极短期预报中存在困难。针对非平稳船舶运动极短期预报,文章提出一种基于AR-EMD方法的扩展AR模型,称为EMD-AR预报模型。其中,AR-EMD方法是指在经验模态分解（empirical mode decomposition,EMD）的过程中,采用AR预报的方法处理端点效应问题。 EMD-AR预报模型将非平稳信号分解成若干平稳的固有模态函数分量及余项,然后对各个分量分别用AR模型预报,得到最终的预报结果,以此克服非平稳性对AR预报模型的影响。研究基于船舶试验数据将EMD-AR模型与线性AR模型、非线性支持向量机回归（support vector regression,SVR）预报模型进行对比分析,结果表明,AR-EMD方法能够有效处理船舶运动非平稳性对AR预报模型的影响,提高该模型的预报精度,且EMD-AR模型预报性能较线性AR模型和非线性SVR模型更优。     

船舶MEMS微惯导网络精度技术研究

为了减少误差积累,提高导航精度,通过船舶上的CAN总线网络,利用高精度主惯导系统对低精度的MEMS微惯导系统进行在线修正。根据微惯导网络系统姿态角的误差模型,将惯导系统的角速率输出值作为量测信息设计卡尔曼滤波器,对姿态角修正算法进行了仿真运算,估计出了MEMS微惯导系统姿态角误差。     

Prediction of seasonal maximum wave height for unevenly spaced time series by Black Widow Optimization algorithm

The present study aimed to predict the maximum seasonal wave height by new integrative data driven methods. For this purpose, two data-driven techniques, that are, the Adaptive Neuro-Fuzzy Inference System (ANFIS) and the Support Vector Regression (SVR), were applied, and a BWO algorithm was used as an integrated method (ANFIS-BWO and SVR-BWO). In addition, the Particle Swarm Optimization (PSO) algorithm was used as a method integrated with SVR and ANFIS (SVR-PSO and ANFIS-PSO) to compare the performance of the newly developed methods (ANFIS-BWO and SVR-BWO). The wave data were collected in different seasons by a buoy station deployed in the southern Baltic Sea by the Institute of Hydro-Engineering of the Polish Academy of Sciences. Seasonal simulations were performed to investigate the effect of seasons on the maximum wave height. The wave data constituted an unevenly spaced time series. The maximum wave height was modeled using the maximum wave height period (T_max), the significant wave height (H_s), the significant wave period (T_s), and time steps (Δt). The results showed that the application of BWO and PSO algorithms increased the accuracy of ANFIS and SVR by about 18.45%. Moreover, the results show that PSO increased the accuracy of ANFIS and SVR by about 17.98% and 21.59%, respectively. The results of different runs indicated that the BWO is more stable to reach the global solution than PSO. The results also show that show that SVR-BWO is the most accurate model.     

碰撞载荷作用下加筋板架动响应分析研究

研究碰撞载荷作用下加筋板架的动态响应对于深入理解船舶碰撞力学机理和开展船舶耐撞性结构设计具有重要的指导意义。基于最近国外加筋板架碰撞模型系列试验结果，应用数值仿真的方法对其中5种典型加筋板架进行计算分析，得到不同加强筋情形下板架的动态响应特征，并从损伤变形模态及变形大小、应变三个方面与模型试验结果进行对比分析，结果表明两者具有很好的一致性，同时证明了本文碰撞数值仿真方法的有效性。