一种新的曲面修改方法在船型优化中的应用

为实现基于CFD的船体型线自动优化,船体型线的参数化建模及修改起着至关重要的作用。论文提出了一种新的组合函数修改船体曲面的方法,该方法充分利用了融合函数及全局变换函数两类船体曲面修改方法的优点,实现了船体曲面的大范围变形,并保证了船体曲面的光顺性。将该方法与CFD技术及优化算法成功结合,直接应用于1300TEU集装箱船的型线优化设计,最终获得给定约束条件下的优化型线。结果表明,论文所提出的组合函数修改船体曲面的方法是可行的,具有一定的工程应用价值。     

基于机器学习的三维频域格林函数递推预报与应用

频域自由面格林函数法在船体水动力的求解中具有重要应用价值,求解的关键在于自由面格林函数本身及其偏导数的计算。论文分析了自由面格林函数与其偏导数之间的关系,提出了基于机器学习的格林函数及其偏导数的递推预报方法,称为脉动源递推预报方法。研究了在不同参数设置下用该方法预报格林函数的精度和效率,并将其应用于S175船的水动力计算。计算得到的自由面格林函数的精度在10^-3～10^-6;计算效率优于数值方法,与解析方法相当;水动力计算结果准确,计算方法具有实用价值。     

基于预测函数算法的船舶动力定位系统控制

在系统分析和研究船舶动力定位的基础上,提出了一种基于预测函数控制的船舶动力定位方法,设计了预测函数控制器。在船舶动力定位部分,介绍船舶动力定位系统数学模型的选取,在预测函数控制部分,具体的探讨了预测函数控制方法的原理以及具体的算法。最后采用工程数据,对该算法进行了仿真验证,结果表示,预测函数控制方法能对船舶进行有效的定位。     

高阶CMAC神经网络及其在水下机器人运动控制中的应用

对高阶ＣＭＡＣ神经网络的结构和工作原理进行了研究,提出了中间层作用函数地址的计算方法,给出了计算高阶基函数的不同方法,利用高阶ＭＣＡＣ神经网络对水下机器人模糊深度控制器进行了学习,仿真结果显示了不同高阶基函数ＭＣＡＣ网络的不同建模能力,证明了中间层作用函数地址的计算方法正确。     

迭代法中的分形

介绍了复平面上Ｎｅｗｔｏｎ迭代函数的Ｊｕｌｉａ集的定义，借助计算机迭代制图及理论方法讨论了复平面４次复多项式ｆ（ｚ）＝ｚ＾４－１的Ｎｅｗｔｏｎ迭代函数的Ｊｕｌｉａ集及Ｊｕｌｉａ集的分形结构，给出了其Ｊｕｌｉａ集的分形图形，最后指出ｎ次复多项式的Ｎｅｗｔｏｎ迭代函数的Ｊｕｌｉａ集具有“链”形的分形结构，一些特殊的复多项式对应的Ｊｕｌｉａ集存在一些不规则点。     

基于二维高斯样条函数的水下重力被动定位

目前利用水下地理信息对惯导误差进行校正多以各类匹配算法为核心,对此论文提出一种基于二维高斯样条函数的水下重力被动定位新模式.文章首先介绍了一种利用二维高斯样条函数逼近的连续局部重力场模型,随后在该模型的基础上将实测重力表示为连续的解析形式,最后以实测重力作为包含目标位置信息的量测值,并结合扩展卡尔曼滤波算法对目标位置进行最优估计.这种方法无需使用常用的匹配算法,因而也就摆脱了匹配算法的诸多限制.以分辨率为2＆#39;＆#215;2＆#39;的某区域重力异常数据为背景场进行仿真,最终的仿真结果表明：经高斯样条函数逼近的局部重力场模型平均误差小于0.19mGal,水下平均经、纬定位误差分别小于0.59和0.74海里.     

时域Green函数及其导数的数值计算

精确而又快速地求取时域Green函数及其空间导数是应用时域法求解船舶水动力学问题的关键。本文探讨了这些函数的算法,导出了相应的简化算式,并提出了一种为克服这些函数插值的困难所能采用的方法。验算表明,该算法是有效的。     

基于二维高斯样条函数的水下地磁被动定位

目前利用水下地磁信息对惯导误差进行校正多以各类匹配算法为核心,对此论文提出一种基于二维高斯样条函数的水下地磁被动定位新模式。文章首先介绍了一种利用二维高斯样条函数逼近的连续局部地磁场模型,随后在该模型的基础上将实测地磁表示为连续的解析形式,最后以实测地磁作为包含目标位置信息的量测值,并结合扩展卡尔曼滤波算法对目标位置进行最优估计。这种方法无需使用常用的匹配算法,因而也就摆脱了匹配算法的诸多限制。以分辨率为2′×2′的某区域地磁异常数据为背景场进行仿真,最终的仿真结果表明：经高斯样条函数逼近的局部地磁场模型平均误差小于0．26nT ,水下平均经、纬定位误差分别小于0．96和0．33海里。     

流函数法在 UUV 航路规划中的应用及改进

UUV相关技术的发展越来越多地受到广泛重视,其航路规划算法研究日益成为相关研究领域的重要课题。论文介绍了一种起源于流体力学的算法———流函数法,可有效应用于UUV的局部航路规划。针对UUV在实际应用中由于自身机动性、探测性能约束而产生的问题,提出了改进流函数法,能够更有效地规划航路。     

基于模板库的自动图像对象分割方法研究

针对现实世界中外观不一,而形态上有模式可循的对象,提出了一种基于模板库的自动对象分割方法。采用模板描述对象形态,构建模板库作为对象的先验知识,将未知的匹配模板视为隐变量,采用由按位编码方式组成的复合模板与图像特征进行匹配确定隐变量的取值空间;然后,对隐变量求积分得到图像中对象的边缘概率。最后,求解边缘概率所对应的能量函数,实现基于模板库的自动对象分割。实验结果验证了论文方法的正确性和有效性。