遗传神经网络的船舶运动受扰力预测模型

船舶运动受扰力预测,是实现对船舶摇摆控制的关键步骤。为达到有效控制船舶摇摆的目的,基于遗传神经网络,完成船舶运动受扰建模预报和预测方法选择。模拟船舶航行状态,设计仿真对比实验结果表明,基于遗传神经网络的船舶受扰力预测模型,有效提升横向与纵向运动受扰力预测准确性,完成有效控制船舶摇摆的目的。     

基于小波滤波和LSTM神经网络的船舶运动极短期预报研究

为了提高船舶运动极短期预报精度及预报时间长度,本文采用小波多分辨率分析方法,将含有噪声的船舶运动信号进行了多尺度小波变换,通过采用阈值函数法对各尺度下细节信号的小波系数进行处理,对小波分解层数、小波基函数、阈值处理方法进行了深入研究,并通过模型试验数据对滤波效果进行了验证分析,实现了船舶运动信号的小波滤波.进一步针对船舶运动的非线性特性,基于深度神经网络的非线性映射能力,建立了基于LSTM网络的多步直接映射船舶运动极短期预报模型,并采用滤波后的船舶运动数据进行了不同工况下的预报分析.结果表明,不同时间长度的预报与试验结果幅值和相位吻合较好,验证了所建立的极短期预报模型的可行性.     

基于固定网格小波神经网络的不规则波中船舶横摇运动在线预报（英文）

船舶横摇运动预报对于船舶安全与作业非常重要。本文应用固定网格小波神经网络在线预报不规则波中的船舶横摇运动。该固定网格小波神经网络由离散的小波激活函数组成,其结构和参数可以基于滑动数据窗在线调整;在每一个滑动数据窗,误差下降比判据被用来从小波函数库中选择重要的小波函数项来构建小波神经网络模型,直到该模型可以较好地表达所研究的非线性系统,获得的模型一般比较简洁。预报结果表明,仅仅几个小波函数项就可以很好地捕捉到不规则波中船舶横摇运动的非线性动力学内在特性,这不仅展示了小波函数很强的非线性表达能力,也证实了所采用的建模方法对于预报船舶在不规则波中的横摇运动的有效性。     

基于小波网的船舶运动极短期建模预报

本文结合小波分析和神经网络的优点，建立了应用于船舶运动极限期模预报的小波神经网络的结构及算法，给出了该算法的一步及多步预报模型，并进行了仿真，仿真结果说明该算法是可行的。     

小波神经网络舰船运动受扰力预测模型

舰船运行的平稳性与舰船受扰力的类型、大小等密切相关,在多种舰船受扰力中,海浪作用力是影响最明显的一种,海浪作用力能够导致舰船发生横摇、横倾等运动,一旦运动幅度超过平衡点,就可能导致舰船倾覆等严重的事故。本文的研究围绕舰船运动受扰力预测进行,首先介绍一种小波神经网络算法,在此基础上研究舰船运动受扰力的预测过程,结合成型滤波器的技术,提高了受扰力预测的精度。     

二阶灰色神经网络在船舶横摇预报中的应用

为了提高船舶的耐波性和适航性、对船舶横摇进行有效准确预报,提出了将灰色系统理论和神经网络进行有机结合的二阶灰色神经网络预报模型。介绍了二阶灰色预报模型,采用神经网络映射的办法构建灰色神经网络预报模型,并介绍了神经网络学习机制。另外,以某舰船横摇运动时间序列预报为例对模型进行仿真验证,有效改善了二阶灰色模型较大的预报偏差。仿真结果表明,GNNM(2,1)模型能准确预报船舶横摇运动,具有更高的预报精度和更好的数据稳定性。     

船舶横向运动短期姿态预报数学建模可行性研究

传统的船舶横向运动短期姿态预报数学模型存在着预报性能低的缺陷,为此提出船舶横向运动短期姿态预报数学建模可行性研究。采用平均滤除法对船舶横向运动数据中的不良数据进行去除,完成船舶横向运动数据准备,将得到的船舶横向运动数据进行归一化处理,适应预报函数的需求,将得到的归一化的船舶横向运动数据输入到BP神经网络算法中完成船舶横向运动短期姿态的预报,实现了船舶横向运动短期姿态预报数学模型的建立。通过实验得到,构建的船舶横向运动短期姿态预报数学模型预报误差比传统模型低了21.41%,预报时间比传统模型高出3.25 s,充分说明构建的船舶横向运动短期姿态预报数学模型具备良好的可行性与预报性能。     

基于计算机视觉的船舶操纵受扰力预测模型

常规船舶操纵受扰力预测模型在高海况预测数据幅值较大的情况下,预测过程引入的误差较大,因此设计一种基于计算机视觉的船舶操纵受扰力预测模型。首先分析船舶水上受力,得到不同坐标系下船舶自由度向量,在一定假设条件下得到船舶受力方程,了解船舶的受力情况后对基于计算机视觉的船舶航行图像的质量进行处理,填充连通图像区域,完成图像形态学处理,提取出与船舶操纵受扰力相关的图像兴趣区域,结合船舶自身的特性,完成船舶操纵受扰力的预测。仿真实验的结果表明,设计的预测模型在高海况不同船舶航行速度下,预测误差均小于常规模型,验证了设计模型的准确度。     

基于混沌理论与RBF神经网络的船舶运动极短期预报研究

文章基于混沌动力系统相空间重构理论,利用关联维数法和最大Lyapunov指数法,对船舶运动时间序列的混沌特性进行了判定。并利用RBF神经网络较强的非线性映射功能,结合相空间重构理论建立了船舶运动极短期直接多步预报模型。实例预报结果表明,所建立的预报模型应用于船舶运动极短期预报取得了令人满意的预报精度,预报时间可达10 s。     

基于改进神经网络方法的船舶姿态高精度预报研究

针对船舶姿态预报精度的难题,结合船舶姿态变化特点,提出基于改进神经网络方法的船舶姿态高精度预报模型,首先对船舶姿态的数据进行采集,并对船舶姿态数据进行去噪处理,然后采用神经网络对船舶姿态变化特点进行高精度逼近,并对神经网络存在的一些缺陷进行相应的改进,最后进行船舶姿态预报的仿真实验。实验结果表明,改进神经网络提高了船舶姿态预报精度,克服了当前其它船舶姿态预报模型存在误差大的弊端,船舶姿态效果优势十分明显。     

The application of modeling and prediction with MRA wavelet network

As there are lots of non-linear systems in the real engineering, it is very important to do more researches on the modeling and prediction of non-llnear systems. Based on the muhi-resolution analysis (MRA) of wavelet theory, this paper combined the wavelet theory with neural network and established a MRA wavelet network with the scaling function and wavelet function as its neurons. From the analysis in the frequency domain, the results indicated that MRA wavelet network was better than other wavelet networks in the ability of approaching to the signals. An essential research was carried out on modeling and prediction with MRA wavelet network in the non-linear system. Using the lengthwise sway data received from the experiment of ship model, a model of offline prediction was estab lished and was applied to the short-time prediction of ship motion. The simulation results indicated that the forecasting model improved the prediction precision effectively, lengthened the forecasting time and had a better prediction results than that of AR linear model. The research indicates that it is feasible to use the MRA wavelet network in the short -time prediction of ship motion.     

基于GA优化的灰色神经网络船舶交通流量预测方法研究

结合灰色模型和BP神经网络模型的特点,对两种模型进行有机地组合,构建一种改进的灰色神经网络预测船舶流量方法.以实际船舶交通流量和主要影响因素为数据,运用遗传算法改进的灰色神经网络模型对上海洋山港的船舶交通流量进行预测,计算和Matlab仿真结果表明,改进的灰色神经网络模型预测不仅精度较高,而且能准确预测船舶交通流量的变化规律.     

Hydrodynamic inline force prediction on vertical cylinders: a comparative study of neural network and its adaptive wavelets (wavenets)

The design of the neural network model and its adaptive wavelets (wavelet networks and wavenets) was used to estimate the wave-induced hydrodynamic inline force acting on a vertical cylinder. The data used to calibrate and validate the models were obtained from an experiment. In the brain, wavelet neural networks (WNNs) use wavelets to activate their hidden layers of neurons. In WNNs, both the position and dilation of the wavelets are optimized along with the weights. In one special approach to this kind of network construction, the position and dilation of the wavelets are fixed and only the weights of the network are optimized. In the present study, the neural network procedure and the above mentioned approach were employed to design a WNN, a so-called wavenet, using feed-forward neural network topology and its training method. Then, a comparison of these two methods was made. Numerical results demonstrate that both networks are capable of predicting hydrodynamic inline force. Furthermore, the combination of the neural network concept and the wavelet theory i.e. wavenet provides a more robust tool rather than standard feed-forward neural network, considering its more appropriate ability to predict any other data which the network had not experienced before. The results of this study can contribute to reducing the errors in future efforts to predict hydrodynamic inline force using WNNs, and thus improve the reliability of that prediction in comparison to the ANN and other methods. Therefore, this method can be applied to relevant engineering projects with satisfactory results.     

基于BP神经网络的船舱温度预警系统

针对现有的船舶机舱的环境监测报警系统无法对船舱火灾进行预警的缺点,设计一种基于BP神经网络的船舱温度预警系统。对船舱某一固定点的温度进行模拟仿真得到预测结果,并通过与实际测得的温度数据比较验证系统仿真得到结果的正确性。实验证明,该船舱温度预测模型预测的结果与真实测得的温度数据比较具有相对较高的准确性,可以达到温度预测的效果,对船舶机舱对火灾进行预警具有一定意义。     

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。     

应用人工神经网络理论的船舶运动包络预报方法

本文首先介绍了人工神经网络理论的基本内容以及前馈网络反向传播的训练方法，然后应用单隐含层网络作出船舶运动包络的实时预报。文中就一船舶的海上实测运动数据进行了实例计算，结果表明，本文方法的预报结果明显好于其它模型的自适应预报结果。     

神经网络在船舶操纵中的应用研究

该文对人工神经网络用于船舶操纵动态特性的在线学习进行了研究,并提出了基于神经网络预报的操舵控制算法。仿真试验的结果表明了该控制算法的有效性。     

A proposal for propulsion performance prediction of a single-propeller twin-rudder ship

The influence of a rudder’s axial force on the prediction of full-scale powering performance of a ship is investigated in this paper. Axial force characteristics of different rudder types were investigated by open water experiments. Viscous scale effects on the rudder’s axial force were investigated by carrying out open water experiments with different sizes of rudder. Experiments were carried out in the towing tank for a model ship fitted with different rudder systems to investigate the influence of rudder’s axial force on full-scale propulsion performance prediction. Based on the experiment results, a new prediction method is proposed for estimating full-scale power that considers scale effect on rudder’s axial force. Good performance of the proposed prediction method is demonstrated by estimating the engine power of a ship installed with a special high lift twin-rudder system from model experiments and comparing it with the values measured on the ship during full-scale experiments.     

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。     

基于深度学习的船舶设备信息智能化识别技术

针对船舶设备信息识别问题，提出采用基于深度学习的方法识别船舶设备种类信息。根据船舶设备特点进行图像预处理和图像样本标记，建立卷积神经网络。经训练得到可用于船舶设备信息识别的模型。对模型进行评估，调整网络结构和训练参数，得到准确率达到期望值的船舶设备信息识别模型。经预测和优化得到基于深度学习的船舶设备信息智能化识别模型，可实现船舶设备仓储管理智能化，在较大程度上提升管理效率。