改进神经网络的港口物流量建模与估计研究

为解决传统港口物流量估计方法中存在的估计误差问题,利用改进神经网络建立物流量模型,并实现对物流量估计方法的优化设计。依照港口物流系统的运行原则和改进神经网络的训练原理,搭建相应的物流量估计模型。在该模型下,以采集的历史港口物流数据为基础,分析该港口物流量的变化规律,从而得出最终的物流量估计结果。通过与传统估计方法的对比发现,设计港口物流量估计方法的估计误差降低了约0.56%。     

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ABC优化BP神经网络的船舶交通流量预测

为提高船舶交通流量预测的准确性,针对BP神经网络随机确定初始权值和阈值的缺点,提出一种基于人工蜂群算法(Artificial Bee Colony, ABC)改进BP神经网络的ABC-BP船舶交通流量预测模型。利用人工蜂群算法全局搜索能力和不易陷入局部最优的特点,对BP神经网络的初始权值和阈值进行优化,并以青岛港船舶交通流量统计数据为例,进行实例验证。结果显示,与传统的BP神经网络以及遗传算法(GA)优化的BP神经网络预测模型相比,ABC-BP模型平均绝对百分比误差(MAPE)低至3.361 8%,不仅避免了局部最优,而且通过简单的参数设置就能够显著提高船舶交通流量的预测精度。表明本模型在船舶交通流量预测上是有效可行的。     

基于神经网络的舰船机舱火灾温度快速预测

为了更快、高精度的对舰船机舱火灾温度进行建模和预测,提出基于神经网络的舰船机舱火灾温度快速预测方法。首先分析当前舰船机舱火灾温度的研究进展,指出当前舰船机舱火灾温度预测方法的局限性,然后收集舰船机舱火灾温度的历史数据,通过神经网络对历史数据进行学习和分析,挖掘舰船机舱火灾温度变化特点,建立舰船机舱火灾温度预测模型,并对神经网络参数优化问题进行解决,最后与其他舰船机舱火灾温度方法进行对比实验。结果表明,神经网络的舰船机舱火灾温度预测精度超过90%,远远高于其他舰船机舱火灾温度方法的预测精度,同时减少舰船机舱火灾温度预测建模时间,能够快速对舰船机舱火灾温度进行预测。     

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。     

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。     

悬链式船舶链条机械磨损寿命预测准确度评估

为了提高悬链式船舶链条机械磨损寿命预测准确性能,设计了一种基于改进神经网络的悬链式船舶链条机械磨损寿命预测模型。首先对悬链式船舶链条机械磨损寿命预测研究现状进行分析,找到引起悬链式船舶链条机械磨损寿命预测精度的因素,然后收集悬链式船舶链条机械磨损寿命的历史数据,并采用BP神经网络建立悬链式船舶链条机械磨损寿命预测模型,并引入自适应遗传算法对BP神经网络的不足进行改进,最后采用仿真实验对悬链式船舶链条机械磨损寿命预测模型的准确度进行评估,结果表明,改进神经网络提高了悬链式船舶链条机械磨损寿命预测精度,预测结果比其他模型更加可靠。     

基于GA优化BP神经网络的港口集装箱吞吐量预测

为了提高港口集装箱吞吐量的预测精度,在BP神经网络的基础上,结合遗传算法(GA)建立一个新的预测模型。该模型利用GA自适应搜索能力和较快的收敛速度,进而确定BP神经网络中的最优权值和阈值。以青岛港2012-2018年集装箱吞吐量统计数据为例,进行实例验证。结果表明,与传统的BP神经网络相比,该模型能显著地提高港口集装箱吞吐量的预测精度,用于预测港口集装箱吞吐量具有一定可行性。     

航行轨迹稳定性预测数学建模与分析

航行轨迹稳定性建模与预测十分重要,当前航行轨迹稳定性预测效果欠佳,为了解决当前航行轨迹稳定性预测过程中存在的一些难题,设计一种小波去噪和混沌分析算法的航行轨迹稳定性预测模型。首先研究航行轨迹稳定性预测建模的现状,采集航行轨迹稳定性预测的数据,然后对航行轨迹稳定性预测数据进行小波去噪,并采用混沌分析算法对航行轨迹稳定性预测数据进行变换,最后通过现代统计学理论建立航行轨迹稳定性预测模型,并与其他航行轨迹稳定性预测模型进行对比实验,相对于航行轨迹稳定性对比模型,本文模型的航行轨迹稳定性预测准确性更优,可以描述航行轨迹稳定性变化特点,航行轨迹稳定性建模时间短,为航行轨迹稳定性建模与预测提供了一种新的研究思路。     

结合经济指标修正的GA-BP模型港口货物吞吐量预测

为有效预测港口货物吞吐量,基于遗传算法(Genetic Algorithm,GA)优化的BP神经网络模型(GA-BP模型),结合经济指标影响,对港口货物吞吐量进行预测研究。选取2012―2020年上海港货物吞吐量月度数据,运用GA-BP模型得到准预测值,通过主成分分析法对经济指标降维,得出经济综合影响指数,并对准预测结果进行修正。试验证明,考虑经济指标影响的GA-BP模型比传统时间序列模型和BP神经网络模型的预测效果更优。     

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。     

船舶港口建筑工程造价的预测模型构建

针对当前船舶港口建筑工程造价预测误差、准确度低的缺陷,设计了基于贝叶斯回归算法的船舶港口建筑工程造价预测模型。首先对当前船舶港口建筑工程造价预测现状进行分析,分析船舶港口建筑工程造价预测误差大的原因,然后根据船舶港口建筑工程造价数据,引入贝叶斯回归算法对船舶港口建筑工程造价的变化态势进行拟合和预测,最后通过船舶港口建筑工程造价预测的仿真实验分析预测效果,本文模型很好把握了船舶港口建筑工程造价变化规律,船舶港口建筑工程造价预测精度超过95%,船舶港口建筑工程造价预测的训练和测试时间短,船舶港口建筑工程造价结果要明显好于其他模型,为船舶港口建筑工程造价预测提供了一种新的研究工具。     

舰船网络异常通信行为识别研究

舰船网络异常通信行为变化不仅具有规律性,同时具有随机性,当前方法无法挖掘舰船网络异常通信行为的复杂变化特点,使得舰船网络异常通信行为识别实时性和准确性差。为了获得更优的舰船网络异常通信行为识别结果,提出神经网络算法的舰船网络异常通信行为识别模型。首先描述舰船网络异常通信行为识别原理,然后将舰船网络异常通信行为识别看作问题,引入神经网络算法对其进行建模,在舰船网络异常通信行为识别建模过程中,引入粒子群算法解决神经网络参数确定的难题,最后进行舰船网络异常通信行为识别测试实验。结果表明,神经网络算法获得了准确性较高的舰船网络异常通信行为识别结果,而且由于神经网络收敛快,使得舰船网络异常通信行为识别实时性好,具有良好的推广应用价值。     

船舶水上纵向运动的非线性数学模型构建

为了解决当前船舶水上纵向运动预测精度的问题,设计了一种船舶水上纵向运动的非线性数学模型构建方法。首先分析了当前船舶水上纵向运动的线性数学模型的缺陷,然后引入非线性建模方法—神经网络对船舶水上纵向运动变化特点进行拟合,建立船舶水上纵向运动的非线性预测模型,最后与线性船舶水上纵向运动建模方法进行仿真对比实验。结果表明,本文方法的船舶水上纵向运动预测精度高,船舶水上纵向运动预测误差要小于线性船舶水上纵向运动建模方法,验证了本文非线性船舶水上纵向运动建模方法的有效性以及优越性。     

基于遗传BP神经网络的耙吸挖泥船产量预测研究

耙吸挖泥船的工作效率和经济效益直接取决于干土方的生产率,因此预测干土方生产率对耙吸式挖泥船疏浚机构分析和效率优化具有重要意义。耙吸挖泥船疏浚过程模式是一种复杂的非线性动力学模型,该模型受多种因素的影响,为了减少各种因素带来的影响,我们采用通过遗传算法(GA)优化的BP神经网络来构建干土方生产率的预测模型。为了评估预测模型的性能,未优化的BP神经网络预测模型也用于实验比较。实验结果表明,遗传算法优化后的神经网络预测模型能够满足预测需求,训练好的神经网络可以作为干土方生产率预测的有用工具。     

基于改进支持向量机(SVM)模型的荆州港吞吐量预测

在编制港口总体规划过程中,港口吞吐量的预测对于提出规划方案至关重要,支持向量机(SVM)方法是港口吞吐量预测较为常见和有效的预测方法。针对港口吞吐量预测影响因素复杂的问题,以荆州港总体规划为实例,研究分析了影响港口吞吐量的主要指标因素。在采用SVM预测方法的基础上,运用遗传算法(GA)、网格搜索算法(GS)对SVM模型主要参数进行优化改进,GA-SVM和GS-SVM模型预测结果都是在支持向量机预测方法的基础上,采用遗传算法和GS方法对支持向量机模型的主要参数进行优化和改进,并用MSE和R2检验了遗传支持向量机和GS支持向量机模型的预测结果。改进后的SVM模型是在当前研究成果基础上提出的一种新港口吞吐量预测方法,可将该模型在港口总体规划工作中进行推广应用。     

组合预测模型在港口物流量预测中的应用

为了合理预测港口物流量,建立了三次指数平滑、趋势外推和灰色系统等单项预测模型。鉴于单一预测模型的局限性,提出了以误差绝对值加权和最小为最优化准则的组合预测模型,运用主成分分析的思想来确定组合的权系数。分析比较表明,组合预测模型具有更高的预测精度和更低的预测误差,同时更适合各期预测,能避免各单项预测模型的局限。该组合模型对制定港口规划具有一定的参考价值。     

基于指数平滑法的宁波-舟山港港口吞吐量预测研究

针对宁波-舟山港港口吞吐量预测需要,引入指数平滑法的应用,提出了在二次指数平滑、对数二次指数平滑和三次指数平滑模型中,采用两层不同步长搜索算法,选取出使误差最小的平滑系数,对宁波-舟山港2009-2011年港口吞吐量进行预测建模。通过前三年预测结果和实际误差的反馈分析,加权确定了预测模型中的平滑系数,建立了基于三次指数平滑的预测模型,对2012-2014年港口吞吐量进行了预测。根据2012年该港实际港口吞吐量进行比较,该预测方法比较精确。     

时间序列分析法船舶港口建筑工程成本估计

针对当前船舶港口建筑工程成本估计精度低的问题,提出时间序列分析法的船舶港口建筑工程成本估计方法。首先采集大量船舶港口建筑工程成本历史数据,将它们组成一组时间序列数据,然后引入小波变换对船舶港口建筑工程成本时间序列数据进行分解,得到趋势部分和细节部分,使得变化特点比较明显,最后采用RBF神经网络对船舶港口建筑工程成本时间序列的趋势部分进行建模,采用支持向量机对船舶港口建筑工程成本时间序列的细节部分进行建模,并根据预测结果重构得到船舶港口建筑工程成本估计结果。实例研究结果表明,时间序列分析法的船舶港口建筑工程成本估计效率高,可以高精度对船舶港口建筑工程成本进行估计。