船舶网络攻击数据自动化同源判定方法

通过对船舶网络攻击数据的自动化同源判定,提高网络攻击检测能力,提出一种基于盲源分离和空间波束形成的船舶网络攻击数据自动化同源判定方法。构建船舶网络攻击数据的非线性时间序列分析模型,采用冲激响应特征提取方法进行船舶网络攻击数据的自适应聚焦,根据数据聚焦结果进行数据空间波束形成,提取船舶网络攻击数据的特征图谱,根据最强冲激响应判定方法实现对船舶网络攻击数据的盲源分离,从而实现船舶网络攻击数据自动化同源判定。仿真结果表明,采用该方法进行船舶网络攻击数据自动化同源判定的精度较高,对网络攻击数据的准确检测性能较好。     

改进神经网络的船舶红外图像边缘检测方法

研究改进神经网络的船舶红外图像边缘检测方法,提升边缘检测抗噪声干扰能力。采用块匹配的主成分分析方法对船舶红外图像实施去噪处理后,经梯度算子将降噪后船舶红外图像转换为二值图像;以BP神经网络为基础,通过附加动量法-自适应学习速率调整BP神经网络权值,提高网络训练鲁棒性;将转换后舰船二值图像作为改进神经网络的输入,在实施网络训练后得出输出值,依据输出值和设置阈值的对比结果,获取船舶红外图像边缘点,实现船舶红外图像边缘检测。实验结果表明：该方法降噪后船舶红外图像的PSNR值全部高于40 dB,降噪效果较好;可有效提取船舶红外图像边缘特征且边缘检测结果清晰、连贯,能够达到船舶红外图像边缘检测标准。     

基于计算兴波云图的舰船航速智能识别方法

数据挖掘是船舶领域中的研究热点,针对船舶领域流场分析问题,基于波形图的航速判断误差较大,提出一种人工智能解决方法。由于可利用的数据集较少且图像噪声较多,采用数据增广扩充数据。通过图像处理降噪与生成对抗网络增加仿造样本,结合深度神经网络迁移学习的方式进行模型融合并分类,分别通过原始样本实验测试、数据扩增实验测试和迁移学习实验测试并比较,得出该方法预测结果接近实际航速,在样本丰富的情况下可以实际应用。     

基于RNN-LSTM的船舶运动轨迹预测

针对船舶轨迹预测精确性与实时性的需求，从数据层面探究影响船舶航行轨迹的特征，通过相关性分析确定网络的输入，提出结合循环神经网络-长短期记忆（Recurrent Neural Networks - Long Short Term Memory，RNN-LSTM）的船舶航行轨迹预测模型。通过船舶Z形试验相关数据与实船实际航行数据对网络模型进行训练，并对未来船舶航行轨迹进行预测。对未来轨迹的预测值与实际值进行对比。结果表明，模型预测误差小，验证该方案在船舶轨迹预测中的实用性和有效性。     

GA-BP神经网络在船舶供电网络评价中的应用

船舶供电系统的正常运行,对于船舶用电自动化设备、生活用电、船舶电力推进器等非常重要,如何合理且有效的对船舶供电网络进行质量评价,近年来成为了业内的研究热点。本文介绍一种将遗传算法和神经网络相结合的GA-BP神经网络算法,系统介绍该算法的基本原理,并基于该算法对船舶供电网络的输出质量进行了建模和质量分析,通过采集一段时间内船舶供电网络中的电流数据,直接对船舶供电网络的质量进行评价。     

基于BP神经网络的船舶网络安全状态评价

船舶网络是一种特殊的移动网络,面临巨大的安全隐患,传统线性船舶网络安全状态评价的偏差大,结果极不科学。为改善船舶网络安全状态评价效果,设计了基于BP神经网络的船舶网络安全状态评价方法。该方法首先分析船舶网络安全状态评价影响因素,采集船舶网络安全状态评价数据,然后将影响因素和船舶网络安全状态评价分别作为BP神经网络的输入和输出,通过BP神经网络学习,对船舶网络安全状态进行评价,最后采用VC编程实现了船舶网络安全状态评价仿真实验,结果显示BP神经网络可以区分各种船舶网络安全状态,评价准确性得到大幅度改善,同时提升了船舶网络安全状态评价效率,可以有效保证船舶网络安全。     

基于SARIMA-BP模型的港口船舶交通流量预测

为提高船舶交通流量预测精度,提出一种季节性自回归移动平均(Seasonal Autoregressive Integrated Moving Average,SARIMA)模型和BP神经网络的误差校正集成模型。以深圳港2011—2017年的数据为研究样本,对原始数据进行预处理,构建最优SARIMA模型,以该模型求出的残差序列作为BP神经网络的输入,将两个模型预测结果进行整合,得到集成模型的预测结果。试验结果表明:该误差校正集成模型与两个单一模型相比,体现出船舶交通流量数据的季节性特征,具有较好的预测精度,为港口船舶交通流量预测提供一种更为有效的方法。     

基于GRU-DconvLSTM的船舶轨迹预测

利用深度学习方法预测船舶未来航行趋势，对海上交通安全以及船舶管理具有重要意义。在船舶自动识别系统（AIS）中已知的经度、纬度、航速数据基础上，提出一种基于门控循环单元结合双卷积层长短期记忆神经网络（GRU-Dconv LSTM）预测模型。根据原始数据的变化趋势，采用标准差法对数据中的异常值进行处理，得到最终试验数据。该模型一方面通过门控循环单元（GRU）学习船舶历史数据上的运动规律；并采用双卷积层与长短期记忆神经网络（LSTM）结合的形式充分提取数据深层信息，提高模型对时序数据深层次特征的挖掘能力。将该模型与卷积长短期记忆神经网络（CNN-LSTM）、卷积门控循环神经网络（CNN-GRU）以及卷积层长短期记忆（Conv-LSTM）神经网络等3个模型进行对比，将均方根误差、平均绝对误差、平均绝对百分比误差作为评价标准，结果表明，GRU-Dconv LSTM模型在经度和纬度预测上误差较小，精确度较高。     

船舶汽轮发电机组负荷扰动控制数学模型构建

构建船舶汽轮发电机组负荷扰动控制数学模型,有效控制负荷扰动,降低负荷频率偏差.采用船舶发电机组负荷扰动模型获取负荷扰动下发电机组的影响参数,采用时间差分误差比例优先级采样方式采集负荷扰动数据,并输入神经网络,通过网络的离线预学习阶段输出负荷扰动控制参数.网络在线应用阶段,通过发电机组影响参数与频率控制质量标准指标设计奖...     

船舶神经网络运动模型的研究

根据船舶海上航行的实际情况，针对船舶运动的特点，研究了基于神经网络建立船舶操纵运动模型的方法，提出了一种线性神经网络结构，并给出了相应的训练和学习方法。大量的仿真试验表明：线性神经网络用于船舶运动模型的研究，具有收敛速度快、预测误差较小、能快速跟踪参数变化等优点，可用于船舶运动实时辨识。     

利用BP神经网络进行船舶号灯识别

船舶夜间航行需要通过船舶号灯识别其型号、编号及航道等信息。为了提高船舶识别的准确率,本文建立了基于BP神经网络的船舶号灯识别模型。通过将信号灯亮度、投射距离、背景亮度等作为输入参数,并将已有数据作为输入,训练BP神经网络,修正网络内部神经节点个数及反馈函数。分别使用已有的L-M函数、动量梯度下降、无监督学习等反馈函数训练和验证,L-M反馈函数可得到精度最高的神经网络模型。通过使用BP神经网络模型对船舶号灯进行识别,提高了船舶夜间航行的安全性。     

船舶神经网络运动模型研究

根据船舶海上航行的实际情况,针对船舶运动的特点,研究了基于神经网络建立船舶操纵运动模型的方法,提出了一种线性神经网络结构,并给出了相应的训练和学习方法。大量的仿真试验表明:线性神经网络用于船舶运动模型的研究,具有收敛速度快、预测误差较小、能快速跟踪参数变化等优点,可用于船舶运动实时辨识。     

基于神经网络的船舶自动舵控制算法研究与分析

为了研究不同神经网络模型对船舶自动舵性能的影响,实现了基于不同种类神经网络的自动舵控制系统算法仿真。将影响船舶航行的因素进行量化处理作为神经网络的输入;网络训练样本则来自上海海事大学高级船员考试系统中的记录,并对其中的数据进行优化筛选处理;采用DeepLearnToolBox工具实现对获取的样本进行有监督的训练。通过航行模拟实验可知,相较于传统浅层神经网络,基于深度神经网络的自动舵控制算法具有较小的误差及较高的控制精度,与资深船长的模拟操船误差最小仅为5.2%。     

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。     

船舶柴油机NOx排放特性神经网络预测中的试验设计

研究船舶柴油机NOx排放特性神经网络预测中的学习样本选取试验设计方法。根据用于主机的船舶柴油机可能持续运行范围的工况变化特点,提出采用功率因素变边界的均匀设计法进行试验设计选取样本,并验证了其可行性。研究结果表明,变边界均匀设计法选取的样本用于神经网络训练,预测精度明显高于随机样本选取法。4位级变边界均匀设计法选取的样本训练得到的神经网络模型,NOx排放浓度预测误差小于3.8%,NOx比排放预测误差小4.5%。     

基于AIS实时数据的航道交通拥堵快速判定方法

针对目前人工判定和事后判定时效性差的问题,研究具有实时性和自动化的判定方法。借鉴国内外道路交通拥堵判定方法,运用交通流参数、标准船舶艘次和船舶领域模型,建立航道交通拥堵快速判定模型,构建船舶自动识别系统(Automatic Identification System,AIS)Spark实时数据处理平台,运用多个实例对该模型进行在线试验验证。试验结果表明,该模型能在线快速、准确地判定航道交通状态,可为水上交通监管部门实时获取航道交通信息、及时管控和疏导航道交通拥堵提供有效的方法。     

基于改进神经网络的船舶姿态准确预报技术

为了有效解决当前船舶姿态预测准确性问题,结合当前船舶姿态数据特征,改进传统神经网络并以此为基础建立新型船舶姿态预报技术。重构神经网络格式特征区,添加脉冲输出和神经网络数据放大和衰减参数量,构建耦合神经网络作为主要计算网络,结合达尔文进化算法和传统遗传算法特征,构建交叉概率算法,顶替传统经验算法获取放大衰减真实值,通过PC端数据传输和样本导入,实现船舶姿态准确预测。仿真实验数据表明,改进后的神经网络船舶姿态预报技术对于船舶横纵斜度的预测均提高30%以上,达到了提高船舶姿态预测准确度的目标。     

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。     

船舶柴油发电机转速的BP-PID并行控制

针对船舶柴油发电机转速控制问题,结合BP神经网络对非线性系统的高拟合性与经典PID控制的优良性能,形成船舶柴油发电机转速BP-PID并行控制系统。控制系统中BP神经网络控制器与PID控制器相结合,经过神经网络控制器的不断训练学习,控制器获取船舶柴油发电机转速系统的模型,并逐渐地由BP神经网络控制器占主要控制作用,从而达到对系统的实时控制。仿真结果证明了该方法的可行性。     

神经网络在船舶主柴油机建模中的应用

该文研究用BP神经网络建立船舶主柴油机模型的方法，并对BP算法进行了改进，提出了一种动态优化学习率的方法，对6L80MC柴油机实际数据用BP网络进行计算的结果表明，该算法能有效地建立船舶主柴油机模型。该模型已成功用于船舶主机遥控仿真系统中。