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。     

混沌理论和神经网络相结合的舰船摇荡运动极短期预报

舰船摇荡运动具有混沌特性,因而可以应用混沌理论对其进行预报.介绍了混沌时间序列预测原理;建立了基于混沌理论相空间重构技术的RBF神经网络模型,并将其用于舰船摇荡运动预报;通过对某实船纵摇时历的预报计算,证明了采用混沌和神经网络相结合的预报方法,能有效提高预报精度和延长预报时长.     

航行速度的非线性建模与仿真研究

舰船航行速度具有十分强烈的非线性变化特点,而当前舰船航行速度建模方法均只考虑其线性特性,使得舰船航行速度预测错误很大。为了提高舰船航行速度预测精度,提出一种航行速度预测的非线性建模方法。首先采用舰船航行速度的历史样本数据,建立舰船航行速度预测的训练样本集合,然后引入回声状态网络对舰船航行速度训练样本的变化规律进行描述,建立舰船航行速度预测模型,最后采用具体舰船航行速度数据对非线性建模性能进行测试。本文建模方法可以捕捉舰船航行速度强烈的非线性变化特点,舰船航行速度预测错误小,舰船航行速度预测精度要小于当前线性建模方法,而且降低了舰船航行速度建模的时间,具有比较显著的优越性。     

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。     

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。     

舰船目标运动预报方法中灰色系统的研究

舰船的短期运动预测有助于舰载武器系统的校准,从而提升武器系统的打击精度,由于舰船在海浪作用下持续不断做非线性多自由度运动,因此,必须建立一种非线性预测模型进行舰船目标运动的准确预报。本文介绍一种非线性灰度理论,结合该理论对舰船的短时纵摇角度等运动进行预测建模。结果表明,基于灰色系统的舰船目标运动预报有较高的精度。     

组合优化理论的舰船装备维修费预测

单一模型难以准确对舰船装备维修费用进行建模与预测,为了提高舰船装备维修费的预测精度,设计了一种组合优化理论的舰船装备维修费预测模型。首先分别采用灰色模型和神经网络对舰船装备维修费进行预测,然后确定2种模型的舰船装备维修费预测权值,加权得到最终的舰船装备维修费预测结果,最后采用VC++6.0实现了舰船装备维修费预测仿真测试,仿真结果表明本文模型获得了较高的舰船装备维修费预测精度,相对于单一模型,本文模型的舰船装备维修费预测结果具有比较显著的优势。     

基于灰色理论的舰船装备剩余寿命预测模型

为方便并精确地预测舰船装备剩余寿命，利用其服役期间的实测资料，采用灰色系统理论建立了舰船装备剩余寿命灰色预测模型。并利用建立的预测模型对舰船装备剩余寿命进行预测，利用实测资料对其模拟计算结果进行残差检验，结果表明预测模型简单、精度高、计算速度快、方便实用，对在役舰船装备维修决策有一定的参考价值。     

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。     

基于主成分分析的舰船装备维修费组合预测

针对基于回归的组合预测模型,由于舰船装备维修费预测时可利用的样本小、可用的单项预测方法多,容易导致预测模型的数量比用于组合预测的样本数量多,出现回归系数无法估计的问题。在建立基于回归的舰船装备维修费组合预测模型前,首先对各单项预测方法预测结果进行主成分分析,建立舰船装备维修费实际值在选取主成分上的回归模型,给出基于主成分分析的组合预测模型;然后针对主成分分析中根据主成分的累积贡献率确定主成分数量具有一定的主观性,建议采用AIC确定主成分的数量;最后,采用实例对给出的方法进行分析和验证。结果表明:在舰船装备维修费组合预测中,该方法不仅解决了预测模型多于用来组合预测的样本数量问题,而且还可以解决单项预测方法之间的共线性问题,且其预测性能明显优于常用的组合预测模型。     

大数据分析下舰船维修数据挖掘算法优化分析

舰船维修数据具有重要的利用价值,当前算法无法有效对其变化特点进行准确挖掘,无法充分发挥舰船维修数据优势,为了提高舰船维修数据挖掘精度,设计了基于大数据分析下舰船维修数据挖掘算法。首先采用单一算法对舰船维修数据进行挖掘,并根据挖掘精度对各种算法进行评价。然后采用大数据分析技术中的包容性检验算法选择最佳的单一模型,并对它们结果进行组合,得到舰船维修数据挖掘结果。最后采用舰船维修价格的历史数据作为实验对象,分析本文方法的优越性。本文方法的舰船维修价格的预测精度要显著高于当前其他数据挖掘算法的精度,而且舰船维修价格预测可信度更优,降低了舰船维修价格预测误差。     

基于云平台的舰船维修费用预测模型

目前研究的舰船维修费用预测模型预测准确率较低,导致成本开销过大。为了解决上述问题,研究了基于云平台的舰船维修费用预测模型。将舰船维修费用的关联性数据利用云平台存储在预测模型中,采用大数据聚类方法对舰船维修费用进行预测,提高舰船维修费用的预测和调节能力,减少舰船维修工程的不必要开销,提升预测舰船维修费用的准确性和舰船维修速度,对舰船维修费用约束指标参量进行分析,提高舰船维修费用的控制能力,优化舰船维修费用预测模型。实验结果表明,云平台的舰船维修费用预测模型能够有效提高预测准确率,减少成本。     

舰船逆变器的故障诊断

逆变器对舰船正常工作起着非常重要的作用,当前舰船逆变器故障诊断方法存在训练时间长、诊断精度低等问题。为了获得更加理想的舰船逆变器故障诊断结果,提出基于混沌粒子群算法和极限学习机的舰船逆变器故障诊断方法。首先对舰船逆变器故障诊断研究进展进行分析,找到当前影响舰船逆变器故障诊断的影响因素,然后采用极限学习机对舰船逆变器故障诊断进行建模,并采用混沌粒子群算法对极限学习机参数进行优化,确定最优的舰船逆变器故障诊断模型,最后与其他舰船逆变器故障诊断方法进行对比测试。结果表明,本文方法能够有效提高舰船逆变器故障诊断速度和诊断的精度高,可以准确实现舰船逆变器故障诊断。     

舰船批量建造费用的组合预测应用研究

研究了舰船批量建造费用的组合预测问题.首先依据舰船批量建造费用的变化特点,采用生长曲线法、数据平滑法、灰色分析法对费用进行预测,然后运用支持向量机的回归算法对3种预测方法的预测值进行有机组合,建立了舰船批量建造费用的组合预测模型,最后利用样本数据分析了一个参数变化对预测性能的影响,给出了支持向量机参数选择的依据.仿真结果表明,该模型能明显提高系统预测的精度和稳定性,可用于舰船批量建造费用的预测和估算,具有较大的实用价值.     

舰船辐射噪声的混沌特性检验

为提取舰船目标辐射噪声混沌特征,实现对舰船目标的自动识别,首先需要对舰船辐射噪声的混沌特性进行检验。采用一种改进的Lyapunov指数谱估计方法,计算其最大Lyapunov指数是否大于零,以及所有的Lyapunov指数之和是否小于零来判定噪声时间序列是否具有混沌特性。采用三类舰船目标辐射噪声作仿真计算,仿真结果表明三类舰船辐射噪声都具有一定的混沌特性,该结论为下一步基于混沌预测的目标检测以及提取舰船辐射噪声非线性混沌特征等工作奠定了理论基础。     

基于支持向量机的舰船维修费用组合预测研究

在费用预测中，利用单一模型往往存在着信息不足的缺陷。为了提高舰船维修费用的预测精度和稳定性，采用支持向量机（SVM）回归算法，把几种单一预测模型结果作为输入，实际值作为输出，然后用足够多的预测案例训练学习机器，在各组合的模型预测结果与实际之间得到一种非线性映射关系，从而建立了非线性组合预测模型。最后，以某型舰船维修费用为例，对指数平滑法、灰色预测和参数法3种方法的预测结果进行仿真，结果表明此法较传统的单一模型预测法具有更高的预测精度。     

改进的BP神经网络方法在舰船修理费用预测中的应用

文章基于神经网络理论,以某型舰船特装修理费用为例,建立了改进算法的BP神经网络预测模型,最后对海军舰船特装修理费用进行了中短期预测。     

基于LSTM的舰船运动姿态短期预测

舰船的六自由度运动状态形成复杂的非线性过程,运动姿态会受到耦合作用、不定周期、噪声信号以及混沌特性等因素的干扰,因此很难得到精确的预测结果.为了提升舰船运动姿态的预测精度,利用舰船时间序列的特点,建立了基于长短期记忆单元(LSTM)模型,对其进行了舰船姿态预测仿真,将结果与时间序列分析法的结果进行对比.实例分析表明:基于LSTM模型的预测方法具有精确度高、易实现的特点.这为舰船运动短期预测提供了一个新的思路和方法.     

基于LSTM的舰船运动姿态短期预测

舰船的六自由度运动状态形成复杂的非线性过程,运动姿态会受到耦合作用、不定周期、噪声信号以及混沌特性等因素的干扰,因此很难得到精确的预测结果。为了提升舰船运动姿态的预测精度,利用舰船时间序列的特点,建立了基于长短期记忆单元(LSTM)模型,对其进行了舰船姿态预测仿真,将结果与时间序列分析法的结果进行对比。实例分析表明:基于LSTM模型的预测方法具有精确度高、易实现的特点。这为舰船运动短期预测提供了一个新的思路和方法。     

舰船维护中机械潜在故障智能预测方法

舰船机械部件是一个非线性系统,舰船机械部件出现故障概率相当高,当前故障预测方法无法描述舰船机械部件故障的不确性,因此舰船机械部件故障预测精度低,为了提高舰船机械部件故障预测精度,克服当前舰船机械部件故障预测方法的缺陷,设计了一种舰船维护中机械潜在故障智能预测方法。首先提取描述舰船机械部件故障类别的特征信息,然后采用BP神经网络对舰船机械部件故障特征信息进行学习,确定相对应的舰船机械部件故障类别,并解决BP神经网络参数确定问题,最后与其他方法进行了对比实验。结果表明,本文方法的舰船机械部件故障预测精度超过95%,远远高于对比方法的舰船机械部件故障预测精度,改善了舰船机械部件故障诊断速度,具有十分广泛的应用前景。