堤岸工程加固基础沉降位移预测

根据地下工程沉降位移时间序列的非线性性质,基于相空间延迟坐标重构理论和支持向量机的非线性映射能力,能充分利用时间序列信息,揭示加固基础变形系统的非线性性质,预测加固基础沉降变形的演化趋势。通过在珠江黄埔港地基加固静荷载检测位移模型预测研究表明,基于相空间重构和改进的v-支持向量回归机（v-SVR）的时间序列预测方法具有很高的预测精度,并为基础加固工程沉降位移预测预报系统的构建提供了一种有效的方法。     

基于相空间重构与LSSVM的交通流量预测

针对仅利用欧氏距离不能准确反映相空间中相点间的相似性大小,提出一种改进预测模型,该模型同时考虑相点间的欧氏距离和相似性来选取邻近点。在对交通流量时间序列进行相空间重构后,运用最小二乘支持向量机分别对不同方法得到的邻近点进行训练,并对未来时段的交通流量进行了多步预测。实际案例的预测结果表明,改进方法比一般方法具有更好的适应能力和预测精度。     

舰船水下辐射噪声非线性特性研究

以相空间重构理论为基础，利用延时法对水下噪声时间序列信号进行了相空间重构；在重构的相空间中分析了舰船辐射噪声的非线性特性，利用相似序列重复度这一参数，绘制了舰船辐射噪声RPT曲线并分析了其非线性特性；通过对实测数据的计算表明，在重构相空间中辐射噪声具有不同于高斯白噪声和确定性信号的几何特性，不同类型目标具有可分性，能为水声目标识别提供一种新的思路。     

基于混沌理论与RBF神经网络的船舶运动极短期预报研究

文章基于混沌动力系统相空间重构理论,利用关联维数法和最大Lyapunov指数法,对船舶运动时间序列的混沌特性进行了判定。并利用RBF神经网络较强的非线性映射功能,结合相空间重构理论建立了船舶运动极短期直接多步预报模型。实例预报结果表明,所建立的预报模型应用于船舶运动极短期预报取得了令人满意的预报精度,预报时间可达10 s。     

混沌理论和神经网络相结合的舰船摇荡运动极短期预报

舰船摇荡运动具有混沌特性,因而可以应用混沌理论对其进行预报.介绍了混沌时间序列预测原理;建立了基于混沌理论相空间重构技术的RBF神经网络模型,并将其用于舰船摇荡运动预报;通过对某实船纵摇时历的预报计算,证明了采用混沌和神经网络相结合的预报方法,能有效提高预报精度和延长预报时长.     

舰船轴带发电系统电力动态负荷自动测试方法

现有的舰船轴带发电系统电力动态负荷自动测试方法均存在着测试精准度较低、测试时间过长的难题,为了解决上述问题,提出舰船轴带发电系统电力动态负荷自动测试方法研究。依据混沌理论对电力动态负荷时间序列相空间进行重构,以此为基础,根据支持向量机理论构建电力动态负荷自动测试模型,以模型为工具,采用小波分解对电力动态负荷时间序列进行分解,通过模型得到电力动态负荷自动测试结果,实现了电力动态负荷的自动测试。通过实验得到,与现有的电力动态负荷自动测试方法相比较,提出的电力动态负荷自动测试方法极大地提升了测试精准度,缩短了测试时间,充分说明提出的电力动态负荷自动测试方法具备更好的测试效果。     

基于NeuralProphet-LSTM组合模型的港口货物吞吐量预测

为进一步提高货物吞吐量预测准确性,提出基于NeuralProphet时间序列模型与长短期记忆(LSTM)神经网络的组合预测模型。首先利用NeuralProphet模型对港口货物吞吐量数据进行训练得到预测值并计算残差序列,然后对残差数据建立LSTM神经网络模型进行预报修正,重构得到最终的预测值。以上海港、厦门港的月度货物吞吐量数据为样本展开试验,结果表明,该模型能够有效地解决数据异常波动造成的预测结果误差大、预测效果不稳定等问题;相比于传统单一模型与LSTM-支持向量机(SVM)、Bi-LSTM等组合模型,NeuralProphet-LSTM模型预测精度更高,可帮助港航企业及时调整规划决策与经营策略。     

混沌海杂波背景下的基于对偶约束最小二乘支持向量机的信号检测技术

海杂波对雷达信号检测造成极大的干扰,如何从海杂波噪声中提取出目标信号是信号处理领域的难题。针对这一难题,本文以混沌理论为理论依据,分析海杂波的动力学特性,对海杂波进行相空间重构。结合对偶约束最小二乘支持向量机理论,建立信号检测模型,对混沌海杂波背景下的信号进行预测,并从预测误差中提取出目标信号。     

基于船期表的一种集装箱码头闸口交通需求智能预判方法

通过集装箱码头闸口交通需求源于船期表具有季节性和非线性特点的系统分析，提出基于每条班线船期表来预测其对码头闸口产生交通需求的思想，采用季节性时间序列方法处理集港车辆到达码头闸口随时间的数量分布，建立处理后的时间序列数据与预测交通量之间非线性关系的人工神经网络模型。在天津港集装箱码头闸口进行具体例子应用，证明了该方法优于传统非线性预测方法、概率分布拟合方法和季节性线性时间序列预测方法，显示其可行性。     

舰船辐射噪声的非线性和确定性检验

为提取舰船目标辐射噪声非线性和混沌特征,实现对舰船目标的自动识别,首先需要对舰船辐射噪声时进行非线性检验和确定性检验。运用替代数据方法,选择合理的检验统计量,根据实验数据与替代数据之间峭度和自相关两个量的差异性,分析得出舰船辐射噪声信号有非线性成分。另外,对舰船辐射噪声时间序列作相空间重构,根据递归图中出现规则图案,定性分析出舰船辐射噪声信号具有确定性成分存在。该结论为下一步提取舰船辐射噪声非线性混沌特征奠定了理论基础。     

试验海区水文参数时间序列的多周期重构预测方法

针对水文参数时间序列的预测问题,在多尺度影响因素分析的基础上,提出了一种新的基于多周期重构的预测方法。首先利用小波变换和滑动平均计算对原始时间序列进行若干周期的分解;对分解序列分别进行自回归积分滑动平均(Autoregressive Integrated Moving Average,ARIMA)建模,由模型进行递推预测;再将预测结果反向重构实现对原始序列未来值的预测。运用此方法,对烟台海区某海洋浮标站的温度测量数据进行了分析。分析结果表明,此方法相比直接在原始序列上进行ARIMA建模与预测,预测准确度得到提升,可用于对试验海区水文参数序列的处理,为试验决策提供支撑。     

基于LSTM-PSO-SVM的船用LNG双燃料发动机故障预测

针对船用LNG双燃料发动机设备复杂,故障预测效率低、准确度差的问题,提出一种长短期记忆网络与改进粒子群优化算法优化支持向量机融合的预测模型。利用LSTM模型时间序列变化的能力对设备未来的运行状态进行预测,然后采用非线性自适应惯性权重改进PSO算法对SVM参数进行寻优,以提高其寻优能力和收敛速度;改进的LSTM-PSO-SVM融合模型可实现对设备故障状态的快速、准确预测。通过对某船用LNG双燃料发动机的故障预测仿真,结果表明上述模型具有更高的故障识别准确率和更快的识别速度,能够准确预测船用LNG双燃料发动机潜在故障。     

基于SVM的电子装备故障预测方法研究

探讨了支持向量机时间序列预测模型的应用。将支持向量机时间序列预测技术应用于电子装备故障预测中,对某型电子装备的数据传输插件板进行了故障预报,通过实验证明了该方法的有效性和实用性。     

基于时间窗口选择和SVR的船舶交通事故率预测

为提高对船舶交通事故率的预测精度,建立基于时间窗口选择和支持向量回归的船舶交通事故率预测模型,该预测模型考虑船舶交通事故的发生具有随机不确定性,以及海事规则生效等导致的船舶交通事故率的变动趋势。在构造船舶交通事故率不确定时间序列的基础上,采用滑动窗口技术对置信区间比较集中的不确定时间序列点进行聚类并分段,选择最接近当前时间的区段作为统计时间窗口,并利用支持向量回归模型对船舶交通事故率进行预测。以英国籍船舶交通事故数据为例,对预测模型进行实例分析。通过与指数平滑法和自回归移动平均模型预测结果的对比验证预测模型的有效性,为船舶交通安全管理者的决策提供指导。     

时间序列分析法船舶港口建筑工程成本估计

针对当前船舶港口建筑工程成本估计精度低的问题,提出时间序列分析法的船舶港口建筑工程成本估计方法。首先采集大量船舶港口建筑工程成本历史数据,将它们组成一组时间序列数据,然后引入小波变换对船舶港口建筑工程成本时间序列数据进行分解,得到趋势部分和细节部分,使得变化特点比较明显,最后采用RBF神经网络对船舶港口建筑工程成本时间序列的趋势部分进行建模,采用支持向量机对船舶港口建筑工程成本时间序列的细节部分进行建模,并根据预测结果重构得到船舶港口建筑工程成本估计结果。实例研究结果表明,时间序列分析法的船舶港口建筑工程成本估计效率高,可以高精度对船舶港口建筑工程成本进行估计。     

船舶轴系滑油中磨损铁屑含量预测方法

为有效解决船舶轴系滑油中的磨损铁屑含量预测与评价方面的问题,提出一种组合预测方法。为降低测量噪声对预测的影响,利用小波变换对测量序列进行降噪,选择Daubechies 4(Db4)作为小波基,结合软阈值函数对时间序列进行分解和重构,同时利用基于平滑度和均方根误差的复合指标确定最优的分解层数。采用非线性自回归神经网络(Nonlinear Auto-Regressive Neural Network,NARNN)进行预测分析,实现对变化趋势的预测和对保养时间的评估。以某船轴系滑油中的磨损铁屑含量历史数据为样本进行试验,结果表明该方法是有效的。     

基于支持向量机的船舶航向广义预测控制

船舶的动态性能具有大惯性、大时滞、非线性等特点,经采用基于结构风险最小化原则的神经网络--支持向量机,能充分发挥其可以任意逼近非线性模型的良好特性来对船舶进行辨识,并以此作为广义预测控制算法中的预测模型,加以相应的预测控制算法达到航向保持的目的.仿真结果表明:支持向量机学习速度快,在小样本情况下具有良好的非线性建模和泛化能力;基于支持向量机的广义预测控制算法具有很好的控制性能.     

基于LSTM的舰船运动姿态短期预测

舰船的六自由度运动状态形成复杂的非线性过程,运动姿态会受到耦合作用、不定周期、噪声信号以及混沌特性等因素的干扰,因此很难得到精确的预测结果。为了提升舰船运动姿态的预测精度,利用舰船时间序列的特点,建立了基于长短期记忆单元(LSTM)模型,对其进行了舰船姿态预测仿真,将结果与时间序列分析法的结果进行对比。实例分析表明:基于LSTM模型的预测方法具有精确度高、易实现的特点。这为舰船运动短期预测提供了一个新的思路和方法。     

基于LSTM的舰船运动姿态短期预测

舰船的六自由度运动状态形成复杂的非线性过程,运动姿态会受到耦合作用、不定周期、噪声信号以及混沌特性等因素的干扰,因此很难得到精确的预测结果.为了提升舰船运动姿态的预测精度,利用舰船时间序列的特点,建立了基于长短期记忆单元(LSTM)模型,对其进行了舰船姿态预测仿真,将结果与时间序列分析法的结果进行对比.实例分析表明:基于LSTM模型的预测方法具有精确度高、易实现的特点.这为舰船运动短期预测提供了一个新的思路和方法.     

基于关联维数的转子-轴承耦合故障诊断研究

提出了一种将关联维数理论应用于转子-轴承不平衡耦合故障诊断的新方法,重点讨论转子系统转速对系统平衡的影响,对滚动轴承支承下的耦合系统的动力学方程仿真计算获取的非线性时间序列进行相空间重构,并计算出关联维数,比较了不同故障状态下的关联维数特征,发现了耦合故障下关联维数的变化规律,并以此作为耦合故障识别的重要特征.仿真试验验证了分析结果,表明了文中所述方法良好的性能.