基于LightGBM算法的潮位预报修正研究

潮汐预报在数学上属于回归预测，是人工智能算法的经典应用领域之一。文章以上海米市渡站点为例，提出了采用LightGBM算法修正调和分析T＿TIDE模型预报潮位的方法。以T＿TIDE模型的预报误差序列作为LightGBM算法的输入层参数，训练得到的LightGBM模型可有效预测T＿TIDE模型后续的短期(48 h内)预报误差，从而对T＿TIDE模型的潮位预报结果进行短期修正。米市渡站测试结果表明，构建的LightGBM模型能将T＿TIDE模型的24 h和48 h预报均方根误差分别降低至0.10 m和0.12 m,相应的±0.30 m合格率都提升至95%以上。但是，LightGBM算法在台风期间对T＿TIDE模型的预报结果存在误修正，台风期间的潮位预报修正有待进一步研究。     

基于小波网的船舶运动极短期建模预报

本文结合小波分析和神经网络的优点，建立了应用于船舶运动极限期模预报的小波神经网络的结构及算法，给出了该算法的一步及多步预报模型，并进行了仿真，仿真结果说明该算法是可行的。     

一种新型的船舶横摇运动实时预报方法

本文在阐述强化学习的基本原理，方法的基础上，提出了一种强化学习的TD算法与BP算法相结合的BPTD方法，并将基用于对角回归神经网络的在线训练，最后以在船舶横摇运动时预报技术上的应用为例，说明这种算法有很强的实时多步预报能力。     

基于投影寻踪学习的大型船舶运动极短期预报

本文结合投影和神经网络的优点,建立了应用于大型船舶运动的极短期预报我多维投影寻踪学习网络（ＰＰＬＮ）结构及算法,并将该算法所取得的预报结果与年历顺归预报法和周期图预报法的结果进行了比较,预报结果说明了该算法的可行性。     

一种改进的船舶极短期运动预报精度分析方法

针对目前船舶极短期运动预报中以真实值与各理论预报算法的均方差最小来确定最优预报算法可能导致真正的最优算法被排除的情况,采用波形匹配和仿射变换提出一种改进的精度分析方法,用于船舶极短期运动预报的最优算法确定。该方法首先识别预报信号的周期和波数等关键波形参数,通过仿射变换为一个与真实信号同周期同相位的新信号,进而计算船舶运动时间序列间真实值与新信号的均方差,从而确定船舶极短期运动预报的最优算法。实际应用表明,该方法可以更合理地确定船舶极短期运动预报的最优算法。     

船舶上层建筑整体纵向固有频率特性预报算法研究

为了提高船舶上层建筑整体纵向固有频率特性预报的精度,提出一种样本筛选与变权重的船舶上层建筑整体纵向固有频率特性组合预报算法。首先根据样本之间的相似性,选择与待预报点相关的船舶上层建筑整体纵向固有频率特性数据,然后根据采用多个算法从不同角度对船舶上层建筑整体纵向固有频率特性进行预报,最后采用证据理论对单一算法的权值进行估计,加权得到船舶上层建筑整体纵向固有频率特性预报结果,测试结果表明,本文算法的船舶上层建筑整体纵向固有频率特性预报精度高,克服了单一算法或者传组合算法的弊端,降低了船舶上层建筑整体纵向固有频率特性预报误差。     

基于改进神经网络算法的舰船操纵性能预报系统

针对传统舰船操纵性能预报系统预报精度低、稳定性差、效率慢等弊端,设计一种新的基于改进神经网络的舰船操纵性能预报系统。对标准神经网络算法容易陷入局部最优解的不足进行改进,用共轭梯度法取代原梯度下降算法,介绍了改进后的神经网络算法。通过矩阵方式对舰船操纵稳定性的构成进行描述,利用改进的神经网络算法设计舰船操纵稳定性预报系统。实验结果表明,所设计系统预报精度高、稳定性强、效率快,能有效完成舰船操纵稳定性的预报。     

基于格型递归最小二乘算法的船舶运动极短期预报

在最小二乘方法(RLS,recursive least square)的基础上,提出利用格型递归最小二乘(LRLS,lattice recursive least square)算法对AR模型参数进行自适应估计.该算法为模块式的多极格型结构,降低了一般RLS算法的计算复杂度.利用实测的动态数据结合AIC准则建立自适应AR预报模型,并将该模型应用于船舶运动预报中,仿真结果表明,相对于最小二乘算法,基于LRLS算法的AR预报模型可有效提高船舶运动预报精度.     

基于BP神经网络与L-M算法的潜艇声纳自噪声预报

L-M（Levenberg-Marquart）算法与BP（Back-Propagation）神经网络相结合，使神经网络在多样本、大变量输入的情况下，具有更快的收敛速度和更高的逼近精度。将BP神经网络与L-M算法相结合应用于潜艇声纳自噪声预报；分析了影响潜艇声纳自噪声的各种声源参数；利用潜艇声纳实测数据进行网络训练，训练好的神经网络可以对潜艇声纳自噪声进行精确预报。     

基于回声状态网络的船舶摇荡连续预报方法研究

回声状态网络(ESNS)是一种新型递归神经网络,可通过对有限的已知样本进行训练,建立非线性模型来预报未知样本。该算法在解决非线性问题时具有一定优势。无需知道海浪的先验信息和船舶航行姿态的状态方程,仅利用实测的船舶横摇、纵摇历史数据,寻求规律即可进行实测摇荡数据的极短期预报。仿真结果表明,该算法在预报15 s以内可达到较高的预报精度,通过预报窗口的平移,可以进行连续在线预报。