港口集装箱吞吐量的灰色神经网络预测模型研究

为了降低港口集装箱吞吐量的预测误差,提高预测精度,文章通过分析传统的灰色预测模型和 BP 神经网络预测模型的优缺点,构建了灰色神经网络港口集装箱吞吐量预测模型,该模型充分发挥了灰色模型所需初始数据少和 BP 神经网络非线性拟合能力强的特点。以实际数值作为初始数据,各种灰色模型的预测值为神经网络的输入值,神经网络的输出值为组合预测结果。通过实例分析,结果表明：灰色神经网络预测模型提高了预测精度,预测结果比较理想,优于单一预测模型,因此,该模型用于港口集装箱吞吐量预测是可行的、有效的。     

基于混合预测模型的船舶海水冷却系统状态参数预测

为了提高船舶海水冷却系统状态参数的预测精度,提出了自回归滑动平均线性子模型和BP神经网络非线性子模型相结合的海水冷却系统状态参数混合预测模型。介绍混合预测模型的建模过程以及预测流程,选取"育鲲轮"海水冷却系统5天状态参数作为训练样本输入到混合预测模型,对第6天状态参数进行预测,将混合预测模型的预测值分别与自回归滑动平均预测模型预测值、实际观测值对比并运用平均绝对百分比误差法进行验证,结果表明搭建的混合预测模型可以提高海水冷却系统状态参数的预测精度,具有良好的预测能力。     

基于马尔可夫链修正的神经网络隧道围岩变形预测

将神经网络预测模型与马尔科夫链结合,应用于公路隧道围岩的开挖变形预测问题中。选取菠萝山隧道YK2+805断面监测点进行研究,利用量测的连续16天拱顶位移进行BP神经网络样本训练,建立菠萝山隧道拱顶位移值预测的BP神经网络模型,运用马尔科夫链对拱顶位移预测值修正。结果表明,基于马尔科夫链修正的BP神经网络预测模型预测效果良好,平均预测精度高于单一BP神经网络预测模型精度,与GM-MC模型精度一致或更优,能够满足工程实际要求。     

黄金分割神经网络算法在水质预测中的应用

以牛栏江干流七星桥断面的水质监测数据作为基础,选取高锰酸盐(CODMn)含量为预测指标,采用黄金分割神经网络算法对牛栏江干流的水质状况进行了预测。根据黄金分割神经网络算法所具有的能优化隐含层节点数、舍弃依靠经验公式进行人工选取的特点,建立了网络拓补结构为4-6-1的黄金分割神经网络算法水质预测模型。结果表明黄金分割神经网络算法得出的预测值与实测值之间的平均相对误差,相对误差区间,相对误差的接受度都在可接受的范围内,且黄金分割神经网络算法预测结果更接近实测值,优于BP神经网络的预测结果。     

一种改进的ARIMA预测模型在船舶系统中的应用

为实现船舶设备维护方式的智能化升级,用视情维修代替传统的定期巡检,提出一种基于改进粒子群算法(Particle Swarm Optimization,PSO)优化的Elman神经网络融合自回归差分移动平均模型(Auto-Regressive Integrated Moving Average,ARIMA)模型的组合预测模型,用于对设备状态参数进行预测。根据序列特征拟合ARIMA模型,利用改进的PSO算法优化Elman神经网络的权值和阈值,基于改进的PSO-Elman模型的残差预测值修正ARIMA模型预测结果。采用某船设备实际数据对该组合预测模型进行训练和验证,将其预测结果与其他模型的预测结果相对比,结果表明,该组合预测模型具有较高的预测精度和稳定性。     

基于BP神经网络的横向受荷桩承载力预测

为研究横向受荷桩的承载性状,基于BP神经网络对其承载力进行预测。选取桩径、桩入土深度、荷载的偏心距、土的不排水抗剪强度作为神经网络的输入,得出黏土中横向受荷桩承载力的BP神经网络预测模型,发现训练BP神经网络时,桩承载力的拟合值与实测值的相对误差平均值为4.54%;检验BP神经网络时,桩承载力的预测值与实测值的相对误差平均值为5.39%。结果表明,建立的基于BP神经网络的黏土中横向受荷桩承载力预测模型是可行的。     

基于BP神经网络的WSCFI研究与预测

目前,WSCFI(武汉航运中心出口集装箱运价指数)的发展处于起步阶段,国内缺乏具有权威性的内河港口集装箱运价指数。本文建立基于BP神经网络预测模型,通过对原始数据进行预处理,根据神经网络理论和实际需要分析网络,设计网络结构和确定学习函数,在训练模型后确定了预测模型。以出口集装箱运费、影响集装箱运价因素等8个指标作为自变量,对武汉航运中心出口集装箱运价指数进行预测,对比分析拉氏公式预测结果及实际市场运价。实验表明:与拉氏公式相比,BP神经网络预测值与出口集装箱运价指数的发展趋势拟合度更高,对内河集装箱运价指数研究具有重要意义。     

基于神经网络的船舶主机零件磨损监测方法的研究

针对船舶主机零件磨损监测问题,将油液的光谱数据建立成为时间序列的函数,然后依据BP神经网络的分析手段,对主机内润滑油中的铁元素含量进行了预测,进行了预测模型的建立,最后,运用遗传算法改进了BP神经网络,提高了预测值的精度和稳定性。实验结果表明:遗传神经网络的预测精度显著高于BP网络,该方法可以用于船舶主机的磨损监测。     

基于BP神经网络模型下的桩群阻力预测

在30m长、3m宽、0.26m深的循环水槽中,应用阻力相似理论进行物理模型桩群模拟,以试验中的实测桩群阻力数值作为期望值,建立基于BP神经网络的桩群阻力预测模型。应用该模型进行桩群阻力预测,通过对比实测数据,发现预测值相对误差很小,预测结果合理可信。由此可以认为,以物理模型试验数据为基础,依托神经网络进行桩群阻力预测的方法值得推广和探讨。     

基于NeuralProphet-LSTM组合模型的港口货物吞吐量预测

为进一步提高货物吞吐量预测准确性,提出基于NeuralProphet时间序列模型与长短期记忆(LSTM)神经网络的组合预测模型。首先利用NeuralProphet模型对港口货物吞吐量数据进行训练得到预测值并计算残差序列,然后对残差数据建立LSTM神经网络模型进行预报修正,重构得到最终的预测值。以上海港、厦门港的月度货物吞吐量数据为样本展开试验,结果表明,该模型能够有效地解决数据异常波动造成的预测结果误差大、预测效果不稳定等问题;相比于传统单一模型与LSTM-支持向量机(SVM)、Bi-LSTM等组合模型,NeuralProphet-LSTM模型预测精度更高,可帮助港航企业及时调整规划决策与经营策略。     

船舶轴系滑油中磨损铁屑含量预测方法

为有效解决船舶轴系滑油中的磨损铁屑含量预测与评价方面的问题,提出一种组合预测方法。为降低测量噪声对预测的影响,利用小波变换对测量序列进行降噪,选择Daubechies 4(Db4)作为小波基,结合软阈值函数对时间序列进行分解和重构,同时利用基于平滑度和均方根误差的复合指标确定最优的分解层数。采用非线性自回归神经网络(Nonlinear Auto-Regressive Neural Network,NARNN)进行预测分析,实现对变化趋势的预测和对保养时间的评估。以某船轴系滑油中的磨损铁屑含量历史数据为样本进行试验,结果表明该方法是有效的。     

基于神经网络的声纳特征级信息融合中目标分类研究

声纳目标特征级融合的主要任务是实现信息压缩、目标身份确定(分类) ,以利于实时处理、决策分析。基于数学模型的各种算法,由于情况复杂,往往很难建立。而人工神经网络通过样本的学习,具有存储记忆、在相似输入下能恢复记忆等特性,从而避免了烦琐而复杂的建模。在神经网络声纳目标识别前的噪声预处理方法中,选用了功率谱特征提取、双谱特征提取算法;在研究了提取的特征后,选取反向传播神经网络(BP)模型;在此基础上构造了BP神经网络,并对网络进行训练与测试,给出识别实验结果。仿真模拟分析证明,基于神经网络的声纳特征级信息的融合,对目标分类有一定效果,为进一步实现声纳信息融合奠定了基础     

基于GRNN算法的船用柴油机性能曲线模拟与油耗率预测

根据4190ZLC-2船用四冲程增压柴油机实际实验测得数据,建立基于广义回归神经网络(GRNN)的柴油机性能曲线和燃油消耗率预测模型。在所得实验数据中,选取柴油机油门、转速、扭矩等参数数值作为网络输入,柴油机的燃油消耗率作为网络输出。仿真结果表明:基于GRNN模型的神经网络学习速度快,预测精度高,可以很好地适用于柴油机燃油消耗率的性能预测中,并且能很好的实现预测仿真的效果。模型建立之后,可以根据测得数据实时了解柴油机的运行工况及性能状态。     

巴布亚新几内亚科考瑞港集装箱吞吐量预测

为评估新建巴布亚新几内亚科考瑞港的建设规模,构建由回归分析模型、腹地集装箱运输需求重力模型、多目标港口模糊评价模型和基于Logit模型的港口选择模型4部分组成的综合预测方法。对巴布亚新几内亚科考瑞港的腹地集装箱运输需求进行预测;并对腹地省份在不同港口的集装箱运量进行测算,从而科学合理地预测科考瑞港的集装箱吞吐量,为实施项目的必要性提供支持。该预测方法使用较少的基础数据即可比较科学客观地预测新建港口的集装箱吞吐量,能够较好地解决在不发达国家或地区统计资料缺失、安全局势不稳定导致腹地调研困难等情况下的吞吐量预测问题,为海外港口的建设、咨询项目提供帮助。     

基于支持向量机的集装箱船航次配箱量的预测方法

集装箱船航次配箱量预测对集装箱码头管理和集装箱船配载具有重要意义。首先利用支持向量机(SVM)理论建立非线性回归模型,然后分析影响航次配箱量的因素,利用历史数据作为学习预测的样本,用训练好的回归模型对新的数据进行预测。实际计算结果表明:同BP神经网络预测模型相比,该预测模型具有良好的泛化能力及准确的预测结果。     

神经网络在通信干扰效果评估中的应用研究

人工神经网络具有学习、记忆等仿生特点，可以通过对已知问题及结论进行学习，并把结果为知识记忆下来，得到内在的因果映射关系，遇到类似问题时，直接用学习到的知识进行处理，得出结论。针对通信干扰效果评估中不易得到因果关系的显式解析表达式，研究了把以前测试通信干扰效果的数据作为知识，通过BP型神经网络进行学习，拟合出干扰效果与影响因素之间的映射关系，避开求解析表达式，从而建立干扰效果评估模型，对干效果进行评估。     

Nuclear power plant fault diagnosis based on genetic-RBF neural network

1 Introduction1 Nuclear power plant is a kind of complicated large-scale system, and the fault mechanism and reason are very complex either. Generally, the fault has no obvious relation with omen. Besides, there are also large quantities of uncertainties.…     

实时流场预报及在海面溢油轨迹预测中的应用

本文提出了舟山定普港域三维实时流场数值预报和调和预报方法,并在海面溢油轨迹预测应用实例中作了验证。结果表明,该方法能较准确地预报港域内流场的空间和时间分布,由预报流场驱动的溢油轨迹同实测结果一致,适合于在海上溢油事故等环境问题中使用。     

基于滑移网格的带桨水面船自航性能预报研究

应用FINE/Marine软件对KCS船、KP505桨以及考虑自由液面的船桨组合体进行数值计算,并计算其自航性能。利用滑移网格技术和随体网格来实现船桨之间的相互耦合。考虑到原有的自航性能数据处理方法并不代表实际情况,文中借鉴强制自航法的概念提出了一种新的船舶自航点求解方法预报船舶自航性能,并与模型试验结果进行比较,吻合良好,其中推力减额系数、伴流分数以及船舶推进效率的计算误差分别为0.5%、2.18%、6.76%。本文研究为预报船舶自航性能提供了一种新的研究手段。     

一种判别实测资料中异常点的方法及应用

在原始实测资料中经常出现与绝大部分点据体现出来的规律不相符合的离散异常点,需要特别标出。人工神经网络原理分析认为:如果有少量点据的训练值与实测值存在较大差别,而其他绝大多数点的训练值与预测值十分接近,则差别较大的点是异常点。为了证实该方法的有效性,用半理论半经验公式计算异常点的结果,与实测值也存在很大差异,而正常点则符合甚好,表明文章提出的方法较为合理。对方法的适用性和优缺点进行了探讨。