基于GP算法的函数逼近研究及在船舶初步设计中的应用

将基于遗传编程的函数逼近方法作为数据挖掘工具应用于船舶初步设计的参数估算中。针对学习样本不足的情况，提出利用扩充数据集避免过拟合的方法。通过应用该算法于散货船主尺度估算和船中横剖面系数的估算，对本方法的有效性进行验证。     

基于改进神经网络方法的船舶姿态高精度预报研究

针对船舶姿态预报精度的难题,结合船舶姿态变化特点,提出基于改进神经网络方法的船舶姿态高精度预报模型,首先对船舶姿态的数据进行采集,并对船舶姿态数据进行去噪处理,然后采用神经网络对船舶姿态变化特点进行高精度逼近,并对神经网络存在的一些缺陷进行相应的改进,最后进行船舶姿态预报的仿真实验。实验结果表明,改进神经网络提高了船舶姿态预报精度,克服了当前其它船舶姿态预报模型存在误差大的弊端,船舶姿态效果优势十分明显。     

神经网络方法在舰船姿态运动预报中的应用研究

将神经网络应用于舰船姿态运动预报中,利用带有延迟反馈的回归神经网络的暂态、学习效率高、动态映射等优点,提出多输入单输出简化的对角回归神经网络,并给出舰船姿态运动预报模型。在此基础上进行算法收敛性的说明。最后采集15个样本,通过分析样本的平均误差、均方误差和相对误差来说明本文所此采用的算法对舰船纵摇姿态的预报结果有效。为提高预报精度需要将船舶受到的外界干扰融合到模型中,从而可得到理想的预报效果。     

基于经验知识的船舶螺旋桨水动力样本扩充方法及其在预报代理模型中的应用

近几年来,越来越多学者致力于采用机器学习进行船舶螺旋桨性能预报,但代理模型的预报效果往往受训练样本的数量和质量影响较大。目前船舶螺旋桨性能数据数量少且质量也不高,即数据对应参数分布较为集中,严重不均匀,这些问题都会影响代理模型预报的准确率与可靠性。为了解决这一实际困难,本文提出一种基于经验知识的样本扩充方法,并以船舶螺旋桨水动力性能的代理模型预报为例进行应用验证。结果表明：本文使用的样本扩充方法可以快速生成数据样本,可以一定程度上改善预报代理模型的可靠性,提升预报精度。     

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。     

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。     

基于改进神经网络的船舶姿态准确预报技术

为了有效解决当前船舶姿态预测准确性问题,结合当前船舶姿态数据特征,改进传统神经网络并以此为基础建立新型船舶姿态预报技术。重构神经网络格式特征区,添加脉冲输出和神经网络数据放大和衰减参数量,构建耦合神经网络作为主要计算网络,结合达尔文进化算法和传统遗传算法特征,构建交叉概率算法,顶替传统经验算法获取放大衰减真实值,通过PC端数据传输和样本导入,实现船舶姿态准确预测。仿真实验数据表明,改进后的神经网络船舶姿态预报技术对于船舶横纵斜度的预测均提高30%以上,达到了提高船舶姿态预测准确度的目标。     

基于人工神经网络的船舶操纵性能预报方法

本文以单桨肥大型船回转性能为例,探讨应用改进的ＢＰ神经网络建立船舶操纵性预报数学模型的方法。研究结果表明,只要选择适当的学习样本、网络结构和学习算法,该数学模型的预报精度在工程上可以接受。     

基于计算兴波云图的舰船航速智能识别方法

数据挖掘是船舶领域中的研究热点,针对船舶领域流场分析问题,基于波形图的航速判断误差较大,提出一种人工智能解决方法。由于可利用的数据集较少且图像噪声较多,采用数据增广扩充数据。通过图像处理降噪与生成对抗网络增加仿造样本,结合深度神经网络迁移学习的方式进行模型融合并分类,分别通过原始样本实验测试、数据扩增实验测试和迁移学习实验测试并比较,得出该方法预测结果接近实际航速,在样本丰富的情况下可以实际应用。     

二阶灰色神经网络在船舶横摇预报中的应用

为了提高船舶的耐波性和适航性、对船舶横摇进行有效准确预报,提出了将灰色系统理论和神经网络进行有机结合的二阶灰色神经网络预报模型。介绍了二阶灰色预报模型,采用神经网络映射的办法构建灰色神经网络预报模型,并介绍了神经网络学习机制。另外,以某舰船横摇运动时间序列预报为例对模型进行仿真验证,有效改善了二阶灰色模型较大的预报偏差。仿真结果表明,GNNM(2,1)模型能准确预报船舶横摇运动,具有更高的预报精度和更好的数据稳定性。