LSTM网络在船舶航行轨迹预测中的应用

针对传统船舶航行轨迹预测算法,计算得到的轨迹预测量的回归适应性差,导致预测结果与实际轨迹之间的误差较大,严重影响船舶航线调度与航行安全的问题,提出LSTM网络在船舶航行轨迹预测中的应用。利用LSTM网络模型的梯度传递特性,建立航行轨迹进行LSTM网络模型,优化轨迹预测学习器预测学习量,采用高斯回归算法,增强预测量的自适应性,减小预测误差,整合网络预测数据,完成轨迹预测输出计算。实验数据表明,提出的预测方法的预测结果与实际轨迹之间的误差较小,能够有效提升轨迹预测精准度。     

船舶装备物联网移动信息长距离传输能耗预测方法

通常使用最小二乘法预测船舶装备物联网移动信息在输送时产生的能耗,在预测长距离运输和长时间运输能耗时,该方法的预测能力很低,准确性很差,容易产生误差。为了解决此问题,提出了嵌入式预测法,由应用层、数据层和预测层组成预测系统,预测流程分为预测模板设置、预测条件确认、预测方式选择和预测数据异常分析4步。通过对比实验结果可知,在相同时间和相同距离下,嵌入式预测法的预测能力要优于最小二乘法,准确性更高,与实际值更加吻合。     

基于智能融合的船舶交通流预测系统

船舶交通流量预测的研究为水道的规划、设计和船舶通航管理提供基础性依据。将智能融合算法应用于船舶交通流量预测系统,较好地解决了现有船舶预测算法中存在的预测精度不高,依赖于经验等不足。以长江江阴大桥2007年船舶流量观测数据为例进行分析,实验结果表明,融合预测能够对多个数据源进行预测,并可以减缓单种预测方法单独预测的不确定性,从而增加了预测的准确性和整个预测系统的鲁棒性。     

船舶发动机瞬时转速预测方法研究

由于传统发动机瞬时转速预测方法存在预测误差大的缺点,提出船舶发动机瞬时转速预测方法研究。根据燃气的流量模型和预测流程,构建船舶发动机流体力学函数模型,在分析船用发动机结构示意图的基础上,建立发动机瞬时转速微分方程,并依托船舶发动机瞬时转速预测误差的分析,实现船舶发动机瞬时转速的预测。结果表明,与2种传统预测方法相比,提出的预测方法具有较高的预测能力,瞬时转速的预测误差值分别降低了86%和77%,提高了船舶发动机瞬时转速预测的准确性。     

面向船载监控传感网络的船舶触礁远距离预测系统

为解决常规船舶触礁预测系统存在预测可靠性较低的不足,提出了面向船载监控传感网络的船舶触礁远距离预测系统。基于船舶触礁远距离预测系统传感器设计以及系统总控设计,实现系统硬件设计;搭建船舶触礁远距离预测系统算法,构建系统通信协议,完成触礁远距离预测系统软件设计。实现了面向船载监控传感网络的船舶触礁远距离预测系统设计,试验数据表明,提出的船舶触礁远距离预测系统较常规船舶触礁远距离预测系统,平均预测可靠性提高63.61%,适合船舶触礁远距离的预测。     

基于灰色马尔科夫模型的船舶交通流预测

鉴于船舶交通流预测的复杂性,利用单一的灰色预测方法难以对其做出准确预测,考虑交通流量的波动性,将灰色预测理论和马尔科夫预测方法结合以建立灰色马尔科夫预测模型,利用该模型对长江口河段的船舶交通流量进行预测分析。研究结果表明:灰色马尔可夫链模型的预测结果较单一的灰色预测结果更接近实际值,相对误差较小且具有较高的拟合精度,对于具有一定波动性和随机性的船舶交通流有较高的预测精度,可应用于实际船舶交通流量预测研究中。     

GM（1,1）与回归预测组合模型在结构剩余寿命预测中的应用

利用灰色灾变预测原理解决预测中的历史数据跳变问题，并利用回归方法对跳变点之间的情况加以预测。从而实现GM（1，1）预测和回归预测的有机结合。应用该方法对结构寿命进行预测分析，结果表明：该法可克服GM（1，1）模型和回归预测各自的缺陷，使预测结果更为精确。     

港口货物吞吐量预测方法探讨

对常用的港口货物吞吐量预测方法进行了系统分析,并以重庆涪陵港为例,综合运用回归分析法、平均增长率法、弹性系数法、产销平衡法等定量预测方法和专家预测法等定性预测方法进行吞吐量预测,经与相关资料比较,表明其预测结果是合理的,同时本文采用的预测方法也可为其它港口的货物吞吐量预测提供参考。     

舰船装备维修费预测方法评价准则体系研究

针对舰船装备维修费预测效果评价仅采用单一的精度准则可能导致较大预测风险的缺陷,在分析现有预测评价准则研究现状的基础上,总结了现有的预测方法评价准则,并通过进一步结合对舰船装备维修费预测特点的分析,建立了适合于舰船装备维修费预测方法评价的准则体系。建立的准则体系有利于提高舰船装备维修费预测的可靠性,降低预测风险,为舰船装备全寿命费用预测和舰船装备维修工作提供可靠的基础。     

舰船能耗预测的云数据挖掘

能耗是舰船工作过程一个重要评价指标,针对当前舰船能耗预测方法存在预测错误率高、建模速度慢等不足,提出一种舰船能耗预测的云数据挖掘技术。首先分析国内外对舰船能耗的预测方法,找到各种舰船能耗预测方法的缺陷和不足,然后收集舰船能耗预测的数据,将云平台作为舰船能耗预测的建模环境,采用数据挖掘建立舰船能耗预测模型,最后进行舰船能耗预测效果的测试实验。云数据挖掘技术的舰船能耗预测精度超过了95%,可以描述舰船能耗预测的变化特点,对于大规模舰船能耗数据,本文方法的预测时间明显短于当前其他舰船能耗预测方法,具有十分明显的优势。     

基于ANN的非线性组合预测方法在水运货运量预测中的应用

组合预测方法可综合利用各单项预测方法提供的有用信息，有效地提高预测的精度．已被广泛运用到水运货运量预测中。本文将利用人工神经网络技术的非线性映射能力。建立一种非线性组合预测模型，并将之应用到水运货运量预测中。实践表明，这种新的预测方法可大大提高水运货运量预测精度。     

基于ANN的非线性组合预测方法在水运货运量预测中的应用

组合预测方法可综合利用各单项预测方法提供的有用信息,有效地提高预测的精度,已被广泛运用到水运货运量预测中。本文将利用人工神经网络技术的非线性映射能力,建立一种非线性组合预测模型,并将之应用到水运货运量预测中。实践表明,这种新的预测方法可大大提高水运货运量预测精度。     

电力推进船舶电力负荷预测方法

传统电力负荷预测方法在混度向量模糊场景下,所得到的电力负荷预测结果与实际电力负荷截值之间的误差较大。为了解决上述混沌场景下的预测精准度问题,提出电力推进船舶电力负荷预测方法。实现步骤共分为建立模糊预测量模型、混沌量回归优化与向量机预测输出负荷的优化3部分。通过对预测不同阶段关系量的优化,实现提升预测精准度的效果。与传统预测方法的数据对比表明,提出方法的预测值与实际负荷值之间的误差,明显小于传统预测方法预测值,更适合电力推进船舶电力负荷的预测应用。     

基于模糊综合评判的船舶搁浅风险预测

为了提高船舶搁浅风险预测准确性,针对当前船舶搁浅风险预测方法存在一些难题,设计了基于模糊综合评判的船舶搁浅风险预测方法。首先对船舶搁浅风险预测现状进行分析,并建立船舶搁浅风险预测指标,然后采用模糊综合评判确定船舶搁浅风险预测指标权重,建立船舶搁浅风险预测模型,最后进行船舶搁浅风险预测仿真测试。结果表明,本文方法可以合理设置船舶搁浅风险预测指标的权重,可以描述每一种指标对船舶搁浅风险预测结果影响的程度,获得高精度的船舶搁浅风险预测结果,误差小于当前其他船舶搁浅风险预测方法。     

电子装备故障预测方法研究

文章介绍了电子装备系统故障预测的概念,以及故障预测的流程,并对预测的方法进行了研究。其中展开对灰色系统理论进行研究并建立了故障预测的灰色模型方法;以及建立了最小二乘支持向量机(LS-SVM)回归预测算法和反向传播神经网络预测方法。三种预测方法为后续电子装备的故障预测建立了理论基础。     

基于组合模型预测法的广州港集装箱吞吐量预测

为弥补单一模型预测方法的不足,以广州港集装箱吞吐量历史数据为依据,分析集装箱吞吐量的主要影响因素,分别采用时间序列模型、Eviews多元线性回归模型对2018―2022年广州港的集装箱吞吐量进行预测。比较组合加权方法对预测结果的预测,结果表明:组合模型预测法能够提高预测的准确性,减小预测误差。     

灰色-马尔科夫油料消耗预测模型

运用灰色-马尔科夫模型对某油库油料消耗进行预测,克服了灰色预测与马尔科夫预测各自的缺点和不足,提高了预测的精度,增强了预测结果的可靠性、科学性和实用性。     

卷积神经网络在舰船舵-翼舵联合控制故障预测中的应用

传统预测方法在对联合控制故障进行预测时,未对故障状态变量数据预先处理,导致故障预测的误报率居高不下。因此,提出了卷积神经网络的舰船舵-翼舵联合控制故障预测方法。对故障预测状态变量数据进行预先处理,监测故障预警装置中的状态变量。优化状态变量中的损失函数,累计舰船舵-翼舵联合控制装置损失指数。重组故障预测神经单元结构,对舰船舵-翼舵联合控制故障进行预测。通过实验分析,传统方法 1故障预测误报率最高达到67%,传统方法 2故障预测误报率最高达到87%,基于卷积神经网络的舰船舵-翼舵联合控制故障预测方法故障预测误报率最低为15%。因此,基于卷积神经网络的舰船舵-翼舵联合控制的故障预测方法更好。     

港口船舶引航风险预测

船舶交通事故问题的预测一直是业内研究人员十分重视的研究课题。分别采用回归预测法、时间序列预测法、灰色理论预测法和贝叶斯统计预测法等不同方法，结合国内某港引航站近十多年来船舶引航总量和事故的实际情况，进行了比较分析和对未来情况予以预测。着重就贝叶斯方法在港口船舶引航风险预测中的运用进行了探讨。结论证明贝叶斯估计方法得到的结果具有良好的预测效果。     

基于人工智能的现代船舶安全事件预测研究

现代船舶行驶条件复杂,在实际预测时参与预测的数据易掺杂噪声,导致安全突变数值过小,预测结果不准确。针对该问题,研究基于人工智能的现代船舶安全事件预测过程。利用人工智能获取含信息的分布性信号,细化为互不相交的数值子序列后控制数据内的噪声,并数值化处理为安全状态变量,互信息处理变量为变联合分布,构建船舶安全状态数值关系,引用GRNN模型中的激活结构,构建船舶安全状态的预测过程。设定船舶外部行驶环境后,准备基于突变理论的预测方法、基于知识图谱的预测方法与所设计的预测方法进行预测。结果表明,设计的安全时间预测过程得到的安全突变数值最大,预测结果准确。