神经网络算法的舰船间距快速预测

间距预测是保证舰船航行安全的重要技术,传统方法存在舰船间距预测不准确,精度低等不足,为了提高舰船间距预测精度,提出基于神经网络算法的舰船间距快速预测模型。首先分析当前舰船间距预测的研究现状,找到引起舰船间距预测不足的因素,然后引入神经网络算法对舰船间距变化特点进行深入挖掘,建立舰船间距快速预测模型,最后采用VC++6.0编程程序实现舰船间距快速预测仿真实验,结果表明,神经网络算法的舰船间距预测精度超过90%,远远高于其他舰船间距预测模型,而且舰船间距预测速度快,减少了舰船间距预测的时间,具有比较明显的优越性。     

径向基神经网络在水下船体防腐中的应用

采用改进型径向基函数神经网络来预测水下船体电位,从而达到船体防腐的目的。首先,分析采用无单元法求解问题的优越性;然后,介绍径向基函数神经网络的原理,通过建立水下船体的数学模型来获得船体电位,采用层次凝聚算法和K-均值聚类算法来确定径向基函数神经网络的中心节点,从而建立神经网络;最后,对神经网络的预测能力进行MATLAB仿真检验。结果表明,采用改进型的径向基函数神经网络来预测船体电位获得了很高的精度,对于船体防腐保护达到了很好的效果。     

基于BP和LSTM组合优化的船舶升沉运动预测

预测船舶升沉运动有助于增强波浪补偿系统的补偿效果,解决补偿系统滞后问题。为提高预测模型的预测精度,提出一种基于误差反向传播（BP）神经网络和长短时记忆（LSTM）神经网络组合优化的船舶升沉运动预测方法。以采用计算流体动力学（CFD）方法获取的船舶在规则波浪作用下的升沉运动和在突发性干扰下的升沉运动为对象,基于PYTORCH框架和LINGO软件,建立以加权方式组合优化BP神经网络和LSTM神经网络的预测模型。研究结果表明,无论是船舶在规则波浪作用下的升沉运动,还是船舶在突发性干扰下的升沉运动,BP-LSTM组合模型的预测精度均高于BP神经网络和LSTM神经网络,有助于提高补偿精度。     

基于卷积神经网络的防坡堤施工沉降预测*

为了保证防坡堤施工安全，通过预测不同施工阶段防坡堤的沉降变形，以调整施工进度和工序。传统沉降预测方法主要包括太沙基固结理论、曲线拟合法和BP神经网络，太沙基固结理论和曲线拟合法预测精度较低，BP神经网络需要大量样本才能逼近最优解。针对这些问题，提出基于卷积神经网络（convolutional neural networks，CNN）建立防波堤施工阶段的沉降预测方法。应用此方法预测天津港大沽口港区防波堤施工阶段沉降量和沉降速率，并以预测结果分析沉降速率所映射的安全风险等级，从而为实际施工提供行动指南。结果表明：卷积神经网络能较为准确地预测沉降变形速率，根据预测结果能够对安全风险等级的结果进行分析并予以指导。     

基于BPN的舰载指控系统信息融合研究

在研究舰载指控系统数据融合方法的基础上,根据神经网络的特点,建立了基于误差反向传播神经网络（BPN）的舰载指控系统信息融合模型。神经网络具有并行处理、容错性等特点,适合于多传感器的信息融合,将神经网络应用于舰载指控系统,能为指挥员提供更为精准、详细的战场综合态势,并有一定的预测功能,能更好地辅助指挥员进行指挥决策。     

改进PSO-ANN神经网络算法在船舶安全性预测方面的研究应用

利用神经网络网络的自学习能力强、并行计算快、容错性高的特点来评估船舶航行安全性状态,同时利用微粒群算法(PSO)优化反向传播神经网络的连接权值和阈值。阐述反向传播神经网络在船舶航行安全性系统状态评测中的流程,相对于目前的船舶航行安全性预测方法,本文提出的智能模型具有结构简单及预测精度高等优点。     

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。     

GWO-Elman模型在港口货物吞吐量预测中的应用

港口作为国内国际贸易的重要枢纽,在新时代区域经济发展中具有重要的战略地位。为提高港口货物吞吐量的预测精度,使用差分法、灰狼优化（GWO）算法和Elman神经网络模型对2010―2019年青岛港货物吞吐量进行了训练与预测。基于所收集到的时间序列数据,将其作为样本数据输入Elman神经网络模型进行训练与测试;在训练过程中,引入灰狼优化（GWO）算法来优化Elman神经网络的权重（w）和神经元阈值（b）;将GWO-Elman组合模型应用于青岛港货物吞吐量预测的实证研究中。结果证明：GWO-Elman算法模型相较于传统Elman神经网络模型,在预测货物吞吐量时有着更高的收敛速度与预测精度,这为港口货物吞吐量的预测提供了一种新的计算方法。     

饱和砂土场地液化势预测的几种方法

基于地质统计学方法和神经网络技术，对饱和砂土场地液化势进行了分析和预测。预测结果表明优化的网络结构可以很好地映射场地液化势数据结构，预测精度在很大程度上取决于趋势分量的分离以及残余分量的数据结构拟合。分析结果还表明基于GRNN的场地液化势预测模型的预测精度要高于传统的Kriging估值模型的精度。提出的场地液化势几种估值模型适用于岩土参数的空间估值。     

基于BP网络与D-S证据理论的态势估计问题研究

针对D-S证据理论应用于态势估计过程中,基本概率赋值函数难以确定的问题,提出一种基于神经网络获取基本概率赋值函数再进行证据组合的方法.首先,在传感器探测和0级处理、1级处理的基础上,将各时刻传感器所探测目标的状态、属性、类别、事件等提取出来;然后,经过预处理后利用BP神经网络进行敌目标意图分类识别;最后,将神经网络的输出作为基本概率赋值,采用D-S证据理论来完成决策级融合,实现对海战场的战术态势估计.通过算例仿真,结果表明该方法是一种有效可行的态势估计方法.     

基于广义回归神经网络的路基沉降预测

为了对路基沉降变化规律进行预测,避免发生工程事故,提出了将广义回归神经网络模型应用于软土地基沉降预测中的方案。通过广义回归神经网络的基本理论和概念,采用实际工程数据,用 BP 神经网络方法和广义回归神经网络方法进行了预测分析,比较了2种方法的3组预测结果。工程实例预测结果表明,广义回归神经网络方法的均方误差和决定系数表现都优于 BP 神经网络方法;证明该方法是可行且有效的。     

Fuzzy neural network control of underwater vehicles based on desired state programming

1 Introduction1 With the development of the activities in deep sea, the application of underwater vehicle is widespread. However, owing to the nonlinearity and unpredictable operating environment of underwater vehicles, many factors must be taken into con…     

基于BP神经网络的故障诊断技术在装备维修中的应用

传统故障诊断方法在装备保障中的诸多局限性。文章介绍了基于BP模型的神经网络,研究了基于BP模型神经网络的故障诊断推理方法,并利用Matlab仿真软件对结果进行了运行和计算。结果证明,基于BP神经网络的故障诊断技术对装备故障诊断是行之有效的。     

基于RBF神经网络补偿的PMSM反步控制系统

提出了一种基于非线性控制策略的RBF神经网络补偿和反步控制相结合的方法,克服了传统PID控制对非线性控制的缺点．基于神经网络的控制器很好地实现了线性逼近,反步控制保证了系统具有良好的速度跟踪性能．仿真结果表明,该方法比PID控制更有有效性．     

基于加权矢量神经网络的辐射源识别方法

现有的很多分类识别方法包括基于专家系统的方法[1]、基于贝叶斯理论的方法、基于模糊模式识别的方法[2]、基于最近邻的方法[3]、基于人工神经网络的方法[3]等等在辐射源识别中都有比较成功的应用,但这些方法一般都针对测量参数为标量形式的测量值进行处理,在一定程度上解决了由于参数测量误差所引起的辐射源识别问题,对于误差的另一种情形,即测量参数为区间类型模糊值的情况讨论却较少,文献提出了一种基于模糊IF-Then规则的神经网络算法,给出了能够处理模糊输入的神经网络体系结构,同时给出了一种基于代价函数的学习算法,其代价函数由实际模糊输出和无模糊输出决定,通过学习该网络能够实现模糊输入到模糊输出的非线性映射。     

基于模糊RBF神经网络的辐射源识别

针对模糊识别系统的不足,为了提高辐射源识别系统的识别正确率,构建了基于模糊RBF神经网络的辐射源识别系统,提出了一种等价型模糊RBF神经网络的结构和学习算法,采用五层神经网络结构来实现模糊系统的模糊化和规则推理,神经网络的所有节点和参数对应了模糊系统的隶属函数和推理过程.在仿真实验中,分别采用模糊识别系统、并联型模糊RBF神经网络、结构等价型模糊RBF神经网络进行辐射源识别,给出了三种算法在相同噪声环境下的仿真结果,表明等价型模糊RBF效神经网络有较高的正确识别率,具有更强的抗干扰能力,但运算量相对较大.     

Application of the fault diagnosis strategy based on hierarchical information fusion in motors fault diagnosis

1Introduction Withthedevelopmentofequipmentinsize,complexity andsystematization,ithasdrawnwideattentionof scholarsathomeandabroadtointroducetheinforma tionfusiontheoryintothefieldoffaultdiagnosis.Neu ralnetworktechnology[1,10]isconsideredpracticaland effe…     

RBF神经网络在传感器故障诊断中的应用研究

提出一种基于RBF神经网络的传感器在线故障诊断方法,用某气囊隔振系统隔振装置中大量的传感器数据进行了仿真实验,验证了方法的可行性.通过对每个传感器建立单独的神经网络预测模型,实现多传感器的故障诊断.     

基于进化规划的自适应高斯神经网络

自适应高斯神经网络能够对目标信号的功率谱有效识别特征进行自动提取和分类，但此网络使用BP算法，其误差能量函数是一个不规则的超曲面，容易陷入局部极小值。因此，提出了一种使用进化规则来设计和训练自适应高斯神经网络的新方法，该方法能够自动的确定网络的最优结构和联结权值，同时避免网络的局部优化。将该方法用于被动声呐晶目标的分类识别，实验结果表明基于进化规则的自适应高斯神经网络能够有效的克服局部最小问题，具有更好的识别率。     

改进的BP神经网络在路基沉降预测中的应用

针对传统BP神经网络存在的缺点,提出基于遗传优化的变梯度反向传播的BP神经网络预测方法,采用遗传算法优化BP神经网络的初始权重,建立路基沉降预测模型。该模型可克服BP神经网络模型存在的收敛速度慢、易陷入局部极小点等缺点。结合现场实测数据,将该优化模型与指数曲线模型、双曲线模型、灰色预测模型和传统BP神经网络预测模型对比,结果表明改进的BP神经网络在路基沉降预测中精度最高,适宜于广泛推广应用。