应用人工神经网络理论的船舶运动包络顶报方法

本文首先介绍了人工神经网络理论的基本内容以及前馈网络反向传播的训练方法，然后应用单隐含层网络作出船舶运动包络的实时预报。文中就一船舶的海上实测运动数据进行了实例计算。结果表明，本文方法的预报结果明显好于其它模型的自适应预报结果。     

船舶在随浪中的运动与横甩预报

本文在水平的随船坐标系下，建立了船舶在波浪中的六自由度操纵运动方程。进行船舶在波浪中的回转运动和Z形操纵运动模型试验，验证数学模型的正确性。通过不同波浪和航速条件下船舶Z形操纵运动的模拟计算，预报船舶在随浪中的横甩，预报结果与试验结果比较一致。     

基于小波滤波和LSTM神经网络的船舶运动极短期预报研究

为了提高船舶运动极短期预报精度及预报时间长度,本文采用小波多分辨率分析方法,将含有噪声的船舶运动信号进行了多尺度小波变换,通过采用阈值函数法对各尺度下细节信号的小波系数进行处理,对小波分解层数、小波基函数、阈值处理方法进行了深入研究,并通过模型试验数据对滤波效果进行了验证分析,实现了船舶运动信号的小波滤波.进一步针对船舶运动的非线性特性,基于深度神经网络的非线性映射能力,建立了基于LSTM网络的多步直接映射船舶运动极短期预报模型,并采用滤波后的船舶运动数据进行了不同工况下的预报分析.结果表明,不同时间长度的预报与试验结果幅值和相位吻合较好,验证了所建立的极短期预报模型的可行性.     

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。     

水面舰船迎浪航行时大幅运动预报的切片算法

将预报船舶运动和波浪载荷的切片理论加以扩展，应用于有限深水中船舶迎浪航行时大幅纵向运动和波浪载荷的时域求解。预报结果体现出考虑了湿表面及化后引起的船舶运动和受力的非线性性质。本计算方法简便、实用，适用于船舶纵向大幅运动预报。     

运用操纵响应线性方程预报船舶运动规律

船舶在弱机动情况下的变速运动是一种基本的运动，本文对该状态下的船舶运动情况进行分析，运用船舶操纵性理论和数学知识推导出在该状况下预报船舶运动规律的方法——运用船舶操纵响应线性方程预报船舶运动规律。     

基于IPESN的船舶升沉运动预报方法

船舶在复杂海况下的升沉运动具有很强的随机性与非线性特征,为提高船舶升沉运动的预报精度,提出基于内在可塑性回声状态网络(IPESN)的船舶升沉运动预报方法.将具有内在可塑性的神经元引入回声状态网络(ESN)的储备池结构,以提高网络对动态系统的映射能力;采用岭回归的方法对IPESN输出连接权值进行学习,以提高网络的泛化能力.将IPESN应用于3级、4级和5级海况下的船舶升沉运动极短期预报,并将结果与传统ESN和径向基函数网络(RBFN)进行对比.结果 表明,IPESN的平均绝对误差分别为0.0028、0.0039和0.0095;均方根误差分别为0.0035、0.0049和0.0117,优于经典ESN与RBFN的预报精度,验证了改进方法的有效性.     

一种基于改进回声状态网络的船舶摇荡预报

回声状态网络在船舶摇荡运动姿态的预报中得到了广泛的应用,由于远洋风浪环境的复杂性,使得船舶摇荡的非线性程度进一步增加,因此传统回声状态网络的预测精度明显不足。本文利用改进的回声状态网络方法,引入小波函数对数据进行预处理,对船舶的实测摇荡时历进行处理,提高了预报的精度。实验结果表明,与传统回声状态网络方法相比,本方法的预报精度和可靠性得到了提高。     

引入经验模态分解的舰船运动非线性极短期预报

船舶运动的极短期预报在船舶系统、设备作业等方面具有重要的意义，采用自回归模型对船舶运动进行预报等预报效果，如精度和时间长度，与实际应用的需要还存在较大距离。在自回归（AR）数学模型中引入经验模态分解（EMD）法，利用该方法将船舶运动的时历数据以“筛分”的方式分解成几个平稳的本征模态函数（IMF），并分别建立每个IMF的AR模型，用AR模型进行预报，然后将每个IMF的预报结果相加，将各预报结果的和作为原始信号的预报结果。采用该方法进行船舶非线性极短期预报对提高预报精度有一定的积极作用。     

船舶横向运动短期姿态预报数学建模可行性研究

传统的船舶横向运动短期姿态预报数学模型存在着预报性能低的缺陷,为此提出船舶横向运动短期姿态预报数学建模可行性研究。采用平均滤除法对船舶横向运动数据中的不良数据进行去除,完成船舶横向运动数据准备,将得到的船舶横向运动数据进行归一化处理,适应预报函数的需求,将得到的归一化的船舶横向运动数据输入到BP神经网络算法中完成船舶横向运动短期姿态的预报,实现了船舶横向运动短期姿态预报数学模型的建立。通过实验得到,构建的船舶横向运动短期姿态预报数学模型预报误差比传统模型低了21.41%,预报时间比传统模型高出3.25 s,充分说明构建的船舶横向运动短期姿态预报数学模型具备良好的可行性与预报性能。     

基于神经网络的船舶舵机控制系统设计

传统船舶舵机控制系统只适于控制对象是线性系统且时延和阶数等已知的情况,但在实际应用中,船舶舵机控制过程受船舶运行情况和航行环境的影响,属于随机过程.为此,设计一种新的基于神经网络的船舶舵机控制系统,依据功能要求设计船舶舵机的不同控制模型,再设计整体控制系统结构.通过设计4个不同层次的控制器结构,实现神经网络控制器的整体设计,利用神经网络算法对控制器中的参数进行学习和调整,神经网络控制器输出结果即为船舶舵机控制结果.实验结果表明,所设计系统控制效果好,不易受外界环境的干扰.     

Black-box modeling of ship manoeuvring motion based on feed-forward neural network with Chebyshev orthogonal basis function

Based on polynomial interpolation and approximation theory, a novel feed-forward neural network, the feed-forward neural network with Chebyshev orthogonal basis function, is proposed for black-box modeling of ship manoeuvring motion. The neural model adopts a three-layer structure, in which the hidden layer neurons are activated by a group of Chebyshev orthogonal polynomial activation functions and the other two layers’ neurons use identity mapping as activation functions. Weight update formulas are derived by employing the standard back-propagation (BP) training method. With the simulated 15º/15º zigzag test data as input and calculated values of the hydrodynamic forces and moment as output, the feed-forward neural network with Chebyshev orthogonal basis function and the BP neural network are applied to identify the nonlinear functions in the nonlinear hydrodynamic model of ship manoeuvring motion. With the simulated 20º/20º zigzag test data and 35º turning test data as input, the hydrodynamic forces and moment are predicted by using the identified nonlinear functions. Comparison between the calculated and predicted hydrodynamic forces and moment shows that the feed-forward neural network with Chebyshev orthogonal basis function is superior to the BP neural network in identifying the nonlinear functions of the nonlinear hydrodynamic model of ship manoeuvring motion and is an effective method to conduct the black-box modeling of ship manoeuvring motion.     

基于GA优化的灰色神经网络船舶交通流量预测方法研究

结合灰色模型和BP神经网络模型的特点,对两种模型进行有机地组合,构建一种改进的灰色神经网络预测船舶流量方法.以实际船舶交通流量和主要影响因素为数据,运用遗传算法改进的灰色神经网络模型对上海洋山港的船舶交通流量进行预测,计算和Matlab仿真结果表明,改进的灰色神经网络模型预测不仅精度较高,而且能准确预测船舶交通流量的变化规律.     

基于卷积神经网络的船舶自动识别系统

基于船舶自动驾驶存在的问题以及需求,提出了一个基于卷积神经网络的船舶自动识别系统。系统设计使用的生成对抗神经网络算法,基于互信息理论,能够无监督式地学习船舶图像特征。通过实验论证,在分类准确度上取得了显著地提升,表明本系统方法合理有效,具有较高地运用前景。     

神经网络用于船舶操纵动态特性学习的研究

本文针对BP网络存在的一些问题，提出一种单层神经网络结构，通过大量的仿真试验，对两种网络在学习、预报和适应参数变化等方面的特性进行了对比。结果表明单层神经网络用于学习船舶操纵动态特性，具有收敛速度极快、预测误差较小、能快速跟踪参数变化等优点，可用于船舶操纵特性的实时学习。     

神经网络在船舶操纵中的应用研究

该文对人工神经网络用于船舶操纵动态特性的在线学习进行了研究,并提出了基于神经网络预报的操舵控制算法。仿真试验的结果表明了该控制算法的有效性。     

基于IGA-BP算法的船舶航向智能自适应控制系统设计

在深入研究基于BP学习算法的前向神经网络以及模糊神经网络控制器的基础上,针对模糊神经网络控制器难以设计以及传统BP学习算法易于陷入局部收敛的不足,结合免疫遗传算法的全局收敛特性以及BP学习算法局部收敛的快速性,提出了一种基于混合计算智能方法的IGA-BP算法的神经网络参数的优化设计方法.将设计的控制器用于建立船舶航向控制系统模型,仿真结果表明,在船舶无干扰和存在随机干扰的情况下,基于IGA-BP算法设计的船舶航向控制系统均能使船舶转向控制无超调,跟踪快,比BP学习算法的控制效果更理想.     

散货船中剖面结构的模糊神经网络评估系统

本文对于船舶结构评估这一类结构非分析问题，应用模糊集合与神经网络相结合的方法，建立了模糊神经网络评估系统。以1～4万吨级散货船的中剖面结构为例，选取7个评估指标，将其满意度作为特征值输入该系统进行评估，效果良好。     

一种基于舰船磁场的神经网络识别模型

为获得更为精确的识别结果,需要对舰船三轴磁场之间的相关性研究并进行融合。本文提出了一种将神经网络数据融合技术应用于舰船目标识别的模型,分析了舰船三个方向磁场的通过特性以及它们之间的相关性,并利用神经网络数据融合技术实现对舰船目标航速、横距和船型的模式识别。经过实测数据验证,该识别模型对舰船目标具有较高的检测概率。     

模糊神经网络在船舶火灾报警系统中的应用

提出了一种利用神经网络和模糊系统理论设计船舶火灾报警系统的方法。该系统 模糊推理能力哟、神经网络学习能力强的特点,将模糊系统和神经网络结合起来,实现模糊系统设计的自动调整。利用感温式知因式传感器对火灾发生时温度和烟雾两个主要参量进行智能监测委 解决了报警灵敏度和误报率之间的矛盾。