基于神经网络的舰船水平总振动频率计算方法

舰船水平总振动频率具有较强的波动性,当前线性方法无法描述舰船水平总振动频率的变化特点,导致舰船水平总振动频率计算精度低,为了提高舰船水平总振动频率的计算精度,提出了基于神经网络舰船水平总振动频率计算方法。采用BP神经网络强大的非线性学习能力对舰船水平总振动频率变化特点进行高精度的逼近,并对BP神经网络的参数优化问题进行研究,最后进行了舰船水平总振动频率计算的模拟实验,结果表明,BP神经网络解决了当前舰船水平总振动频率计算误差大的难题,获得了高精度的舰船水平总振动频率计算结果。     

BP神经网络的舰船辐射噪声识别

当前舰船辐射噪声识别方法存在识别率低,对环境鲁棒性差等缺陷,为了对复杂环境下的舰船辐射噪声识别进行准确识别,提出了BP神经网络的舰船辐射噪声识别方法。首先采集舰船辐射噪声,并提取舰船辐射噪声识别有效特征参数,然后采用BP神经网络建立舰船辐射噪声识别模型,从而实现对舰船辐射噪声信号的分类和识别,最后进行舰船辐射噪声识别的仿真测试。结果表明,相对于已有的舰船辐射噪声识别方法,BP神经网络提高了舰船辐射噪声识别率,可以对各种舰船辐射噪声信号进行准确分类。     

大数据分析下舰船维修数据挖掘算法优化分析

舰船维修数据具有重要的利用价值,当前算法无法有效对其变化特点进行准确挖掘,无法充分发挥舰船维修数据优势,为了提高舰船维修数据挖掘精度,设计了基于大数据分析下舰船维修数据挖掘算法。首先采用单一算法对舰船维修数据进行挖掘,并根据挖掘精度对各种算法进行评价。然后采用大数据分析技术中的包容性检验算法选择最佳的单一模型,并对它们结果进行组合,得到舰船维修数据挖掘结果。最后采用舰船维修价格的历史数据作为实验对象,分析本文方法的优越性。本文方法的舰船维修价格的预测精度要显著高于当前其他数据挖掘算法的精度,而且舰船维修价格预测可信度更优,降低了舰船维修价格预测误差。     

改进神经网络的舰船碰撞危险度估计

当前的一些方法在航行行为预测以及碰撞预警能力方面仍存在一些问题,因此提出一种改进神经网络的舰船碰撞危险度估计方法,实现了舰船碰撞危险度的高精度估计。首先基于改进神经网络构建改进神经网络预测模型预测舰船航行行为,以提供碰撞危险度估计的基础数据来源。对舰船碰撞风险中的安全距离模型进行制订,具体包括危险领域安全距离模型、安全会遇领域安全距离模型、舰船动界安全距离模型。通过昆兹模型构建舰船碰撞危险度计算模型,对舰船碰撞危险度进行估计。在某水域进行本文方法的性能测试,测试结果证明该方法的航行行为预测误差低于现有方法,而碰撞预警精度则高于现有方法,提供了舰船防碰撞领域的新研究方向。     

舰船维护中机械潜在故障智能预测方法

舰船机械部件是一个非线性系统,舰船机械部件出现故障概率相当高,当前故障预测方法无法描述舰船机械部件故障的不确性,因此舰船机械部件故障预测精度低,为了提高舰船机械部件故障预测精度,克服当前舰船机械部件故障预测方法的缺陷,设计了一种舰船维护中机械潜在故障智能预测方法。首先提取描述舰船机械部件故障类别的特征信息,然后采用BP神经网络对舰船机械部件故障特征信息进行学习,确定相对应的舰船机械部件故障类别,并解决BP神经网络参数确定问题,最后与其他方法进行了对比实验。结果表明,本文方法的舰船机械部件故障预测精度超过95%,远远高于对比方法的舰船机械部件故障预测精度,改善了舰船机械部件故障诊断速度,具有十分广泛的应用前景。     

基于神经网络的舰船机舱火灾温度快速预测

为了更快、高精度的对舰船机舱火灾温度进行建模和预测,提出基于神经网络的舰船机舱火灾温度快速预测方法。首先分析当前舰船机舱火灾温度的研究进展,指出当前舰船机舱火灾温度预测方法的局限性,然后收集舰船机舱火灾温度的历史数据,通过神经网络对历史数据进行学习和分析,挖掘舰船机舱火灾温度变化特点,建立舰船机舱火灾温度预测模型,并对神经网络参数优化问题进行解决,最后与其他舰船机舱火灾温度方法进行对比实验。结果表明,神经网络的舰船机舱火灾温度预测精度超过90%,远远高于其他舰船机舱火灾温度方法的预测精度,同时减少舰船机舱火灾温度预测建模时间,能够快速对舰船机舱火灾温度进行预测。     

舰船网络异常通信行为识别研究

舰船网络异常通信行为变化不仅具有规律性,同时具有随机性,当前方法无法挖掘舰船网络异常通信行为的复杂变化特点,使得舰船网络异常通信行为识别实时性和准确性差。为了获得更优的舰船网络异常通信行为识别结果,提出神经网络算法的舰船网络异常通信行为识别模型。首先描述舰船网络异常通信行为识别原理,然后将舰船网络异常通信行为识别看作问题,引入神经网络算法对其进行建模,在舰船网络异常通信行为识别建模过程中,引入粒子群算法解决神经网络参数确定的难题,最后进行舰船网络异常通信行为识别测试实验。结果表明,神经网络算法获得了准确性较高的舰船网络异常通信行为识别结果,而且由于神经网络收敛快,使得舰船网络异常通信行为识别实时性好,具有良好的推广应用价值。     

基于神经网络的船舶物流配送成本预测

高精度的船舶物流配送成本预测可以节省成本,提高船舶物流配送企业的利润,因此具有重要的研究意义。为了获得更高精度的船舶物流配送成本预测结果,提出神经网络的船舶物流配送成本预测方法。首先采集船舶物流配送成本历史数据,通过变换技术建立船舶物流配送成本预测的学习样本,然后引入BP神经网络对船舶物流配送成本学习样本进行训练,拟合船舶物流配送成本的变化特点,从而实现船舶物流配送成本预测,最后与当前经典船舶物流配送成本预测方法进行优越性测试。结果表明,BP神经网络的船舶物流配送成本不仅预测精度平均高于对比方法 5%以上,而且船舶物流配送成本预测稳定性更优,预测结果可以为船舶物流配送企业提供有用的信息。     

神经网络算法的舰船间距快速预测

间距预测是保证舰船航行安全的重要技术,传统方法存在舰船间距预测不准确,精度低等不足,为了提高舰船间距预测精度,提出基于神经网络算法的舰船间距快速预测模型。首先分析当前舰船间距预测的研究现状,找到引起舰船间距预测不足的因素,然后引入神经网络算法对舰船间距变化特点进行深入挖掘,建立舰船间距快速预测模型,最后采用VC++6.0编程程序实现舰船间距快速预测仿真实验,结果表明,神经网络算法的舰船间距预测精度超过90%,远远高于其他舰船间距预测模型,而且舰船间距预测速度快,减少了舰船间距预测的时间,具有比较明显的优越性。     

云模型的舰船维修成本建模与预测

通过对舰船维修成本的准确建模和预测,降低维修成本,提高舰船维修质量,保证舰船良好工况,提出一种基于K均值指标聚类划分和粒子群优化的云模型下舰船维修成本建模和预测方法。以舰船维修的材料开销、人工开销、舰船寿命周期折损以及配件成本等参数为约束指标,采用K均值聚类算法进行维修成本指标系数聚类划分,将成本最优问题转化为聚类中心最短问题,并以此为优化目标函数,采用粒子寻优算法进行最优解求解,通过线性插值方法进行拟合计算避免解向量陷入局部最优,实现云模型的舰船维修成本预测。仿真结果表明,采用该方法进行舰船维修成本预测的准确性较高,维修效率和质量得到提高。