基于遗传小波神经网络的港口船舶交通流量预测模型比较

对船舶交通流量进行准确预测在现代智能交通系统领域发挥着重要作用,为提高对船舶交通流量预测的准确性,本文将遗传算法分别与小波分析和神经网络进行结合,构建改进遗传小波神经网络模型,对广东省船舶交通流量的季度数据进行预测,并与遗传BP神经网络和传统小波网络等算法的预测进行对比。结果表明:经过遗传小波神经网络预测模型的误差相比传统的遗传BP神经网络模型和小波神经网络模型大幅度减小,提高了预测精度,从而保障水上交通安全,给水上安全主管部门的相关决策提供理论依据。     

基于灰色小波神经网络的船舶交通流预测研究

船舶交通流预测的准确性和可靠性已成为制约港口经济科学发展的瓶颈因素。文章综合利用小波变换的局部化性质与神经网络的自学习能力,并引入灰色模型以反映船舶交通流的发展趋势,使得小波神经网络在灰色模型预测结果的基础上结合船舶交通流的影响因素再预测,构成基于灰色小波神经网络的船舶交通流组合预测模型。实验结果表明,灰色小波神经网络的预测精度高于BP神经网络与小波神经网络,提高了整个预测系统的精度及其鲁棒性。     

基于小波神经网络的船用动力系统可靠性预测与分析

目前我国不少远洋船舶使用的动力系统,基本以电控柴油机为主,电控柴油机以其性能稳定、操作方便、精确控制等优势成为了当今船用领域研究热点之一,并在全球范围内的船舶上得到了普及。但是由于其起步较晚,电控柴油机还存在着许多问题亟待解决,比如如何预测其动力系统的可靠性,降低电控柴油机常见故障发生几率,如何有效降低各种事故。是本文的研究目。本文以某远洋船舶为例,基于小波神经网络(WNN)对其船用动力系统可靠性进行预测与分析,旨在协助操作人员更好地维护和保养船舶装置,提升船舶的使用寿命。     

船舶动力系统设计及优化

船舶动力系统作为最复杂也是最重要的系统之一,受到广泛关注。由于整个动力系统涉及到机械、电子和通信控制等领域的技术,其设计和优化也变得非常棘手。本文通过深入分析船舶动力系统结构的基本原理,找出制约船舶动力系统的关键因素,从而提出一种基于神经网络的智能算法用来优化船舶动力系统。该模型能够对船舶动力系统的架构设计和配置需求作有效的预测,并从动力输出和控制能力2个方面对船舶的动力系统做了优化仿真。从仿真结果看,本优化配置方法具有一定的应用价值。     

小波神经网络在动力系统可靠性优化分配的应用

船舶动力系统属于机电设备工程系统的一种类型,在设计方面始终伴随现代科技及现代设计方法的改变而不断创新。为进一步加快船舶设计工作的发展速度,就必须深入探索并完善设计理论以及方法。需要注意的是,船舶动力装置在船舶中占据核心地位,要想实现船舶运行的安全性与可靠性,最关键的就是要保证其正常航行状态下的各项特征。若船舶动力装置发生故障,将直接提高海损事故发生几率,使得生命安全与财产损失严重,还会污染海域环境。为此,有必要全面优化船舶动力系统的可靠性,将小波神经网络技术融入其中,促进现代船舶海上安全航行。     

船舶动力系统的优化配置方法研究

在现代船舶工业中,船舶动力系统作为最复杂也是最重要的一个系统,受到广泛研究。由于整个动力系统涉及到机械、电子和通信控制等领域的技术,其设计和优化也变得非常棘手。本文在对船舶动力系统的工作原理和结构深入分析的基础上,提出一种基于神经网络算法的配置优化模型。该模型能够对船舶动力系统的架构设计和配置需求作有效的预测,并从动力输出和控制能力2个方面对船舶的动力系统做了优化仿真,从仿真结果看,本优化配置方法具有一定的应用价值。     

基于DWT-LSTM的航道水位智能预测模型研究

航道水位信息是内河船舶安全通航、合理配载的决策依据之一。为揭示内河航道水位特征、提高短时预测精度,提出了一种基于小波分析(DWT)和长短时记忆(LSTM)的耦合神经网络模型,以汉口水位站为例,验证了模型有效性,并与传统BP神经网络、小波分析-BP神经网络和LSTM神经网络模型进行对比分析。研究结果表明:四类模型均可满足短时预测需求,合格率均大于90%;当航道水位变幅剧烈时,BP神经网络耦合模型误差较大;DWT-LSTM耦合神经网络模型性能较经典LSTM模型分别提升约10.9%(预测周期1-2天)、25.2%(预测周期3-5天)。研究成果可为船舶通航风险评估、航道条件分析等提供技术支撑。     

船舶齿轮箱故障诊断及失效预报方法研究

针对船舶齿轮箱故障诊断正确率低的难题,提出蚁群优化神经网络的船舶齿轮箱故障诊断方法。首先采集船舶齿轮箱故障诊断的数据,并采用小波分析提取船舶齿轮箱故障诊断特征,然后采用神经网络建立船舶齿轮箱故障诊断模型,并采用蚁群算法克服神经网络存在的缺陷,最后构建了船舶齿轮箱失效预测方法,实验表明,本文方法提高了船舶齿轮箱故障诊断效果,并获得了高精度的船舶齿轮箱失效预测结果。     

横浪作用下LNG船运动量小波神经网络预测模型

港口码头设计中主要考虑的问题之一是系泊船舶的运动量。首先开展了26.6万m³LNG船舶系泊运动物理模型试验,测量了船舶在试验条件下的六自由度运动量;同时,考虑船舶运动响应的主要影响因素,根据横浪作用下26.6万m³LNG船运动六分量的试验数据,构建了189组容量的训练集,基于小波分析和神经网络,研究确定三层隐含层神经元数分别为8、12和22,进而建立系泊LNG船舶运动量的预测模型。预测结果表明,小波神经网络模型具有输出多参数的算法优势,能够综合考虑系泊船非线性系统中不易量化的众多影响因素(波浪波高、周期、波长以及船舶自身特性等),给出相对精确的预测结果。小波神经网络模型在研究系泊船舶运动量预测方面具有良好适用性,可以有效地预测船舶的运动量,为实际工程设计提供参考。     

基于小波神经网络的VTS水域船舶交通流短期预测研究

针对VTS水域船舶交通流随机性大、影响因素多的特点,选择基于小波神经网络的时间序列预测方法,建立船舶交通流预测模型。该预测方法对海事部门提高VTS水域通航效率和服务水平具有一定的参考意义。