船舶编队预测函数控制研究

针对船舶编队的路线跟踪问题,文中采用领导-跟随方法,在坐标系Cartesian下建立船舶控制模型,分析约束条件,并利用预测函数控制方法进行船舶航向的预测和控制,可快速的完成编队任务。通过MATLAB仿真结果可以得出预测函数控制具有较好的跟踪效果。     

BP神经网络在船舶与海洋工程中的应用研究

人工神经网络作为一个具有高度非线性映射能力的计算模型,在工程中具有广泛的应用前景.在数值预测方面,它不需要预选确定样本的数学模型.仅通过学习样本数据即可以进行预测.介绍了BP神经网络,并针对实际应用中收敛速度慢,平台效应等问题对网络进行了优化,给出了改进的三层BP神经网络算法.最后结合船舶与海洋工程的一些实际问题.探讨了利用改进的BP神经网络进行数值预测的方法和应该注意的问题,并给出了一些有益的建议.实验表明,神经网络的预测精度在船舶与海洋工程是可以接受的.     

基于神经网络的船舶物流配送成本预测

高精度的船舶物流配送成本预测可以节省成本,提高船舶物流配送企业的利润,因此具有重要的研究意义。为了获得更高精度的船舶物流配送成本预测结果,提出神经网络的船舶物流配送成本预测方法。首先采集船舶物流配送成本历史数据,通过变换技术建立船舶物流配送成本预测的学习样本,然后引入BP神经网络对船舶物流配送成本学习样本进行训练,拟合船舶物流配送成本的变化特点,从而实现船舶物流配送成本预测,最后与当前经典船舶物流配送成本预测方法进行优越性测试。结果表明,BP神经网络的船舶物流配送成本不仅预测精度平均高于对比方法 5%以上,而且船舶物流配送成本预测稳定性更优,预测结果可以为船舶物流配送企业提供有用的信息。     

基于改进的支持向量机的股票预测方法

如何把握股票的涨跌规律一直是股市中的一个难题.利用股市中常用的技术指标作为特征,支持向量机作为算法对股票价格的变化进行建模,旨在通过机器学习和数据挖掘方法对股票的涨跌进行预测.其主要方法是依据最大化收益思想,提出了根据ROC曲线下的面积AUC值进行遗传参数寻优的支持向量机,解决传统方法在预测中可用性不高的问题.在实验中,将其应用于沪深股票的涨跌预测,通过最优化不同的时间窗口,得到了不错的收益结果.通过实验表明,该方法对股票交易具有预测指导作用,可以帮助投资者简化分析步骤并增加获利.     

电力推进船舶电力负荷混沌分析及预测

电力推进系统在船舶航行中至关重要,其电力负荷预测的准确性可以保障航行过程的稳定性及安全性。本文根据船舶的电力负荷特点,对其进行混沌动力学验证,经过混沌特性进行数据分析。将小波变换与SVM算法相结合,对负荷数据进行奇异性分析,然后通过小波分解法,将电力负荷分解成具有一定规律的分解量。该仿真方法可有效提高负荷预测的精准度,从而提高船舶在航行中的稳定性及经济性。     

基于VDM与APSO优化极限学习机的船舶运动姿态预报

为提高船舶在海上运动的耐波性与适航性,并为解决具有非线性、随机性和非平稳性特点的船舶运动姿态难以准确预测的问题,提出运用一种基于变分模态分解和自适应粒子群算法优化极限学习机的组合预测模型。该算法首先利用变分模态分解将船舶运动姿态序列分解为一系列限带内本征模态函数,并且变分模态分解可以避免经验模态分解技术所产生的模态混叠和端点效应,可以降低序列的非平稳性对预测精度的影响;然后对各模态分量分别建立极限学习机预测模型,并用改进的粒子群算法对极限学习机的初始权值和阈值进行优化;最后将各模态分量预测结果进行叠加,得到最终的船舶运动姿态预测值。通过模拟试验测试并与其他传统的预测方法进行比较,结果表明所建立的组合预测模型具有更高的预测精度。     

改进BP神经网络的城市交通流预测研究

由于交通流预测具有高度的非线性特点,这与BP神经网络能够处理非线性问题的特征相符合。但BP神经网络算法易使解陷入局部极小,而遗传算法的全局优化能力则恰恰可以克服这一缺点。文中将遗传算法应用于对BP神经网络模型的改进来对交通流进行预测。通过对预测数据与实测数据的比较分析,证实了改进后的方法更为有效。     

支持向量机的船舶短期电力负荷预测方法

船舶的短期电力负荷具有强烈的非线性变化特点,传统方法无法描述船舶短期电力负荷的变化趋势,以解决当前船舶短期电力负荷预测误差大的难题,提出了基于支持向量机的船舶短期电力负荷预测方法。首先对船舶短期电力负荷预测的研究现状进行分析,指出引起不足的原因,然后采用支持向量机对船舶短期电力负荷数据进行学习,建立可以反映船舶短期电力负荷变化的预测模型,最后进行了船舶短期电力负荷预测的验证性测试。结果表明,支持向量机可以提高船舶短期电力负荷预测精度,可以对将来船舶短期电力负荷值进行准确估计,具有较高的实际应用价值。     

径向基神经网络在软基沉降预测中的应用

软土地基沉降是土力学中的重要课题之一,通过沉降预测可以为软土地基的工程设计以及下一步施工提供指导性意见.以自组织神经网络为基础,利用其具有的自组织、自适应、容错性和较强的学习、联想能力,结合连徐高速公路软基沉降工程实例进行预测.说明该方法能够简便、精确的预测软土地基的沉降量.     

基于大数据分析的舰船配电网络故障趋势预测

以传统方法各种可能发生的故障特征为基础,通过匹配典型故障特征实现舰船配电网络故障趋势预测,但对于复杂的舰船配电网络,难以对未知故障趋势进行预测的弊端。提出一种基于大数据分析的舰船配电网络故障趋势预测方法。首先采集舰船配电网络故障信号,利用自适应滤波方法对干扰和噪声进行过滤后,通过KL转化方法将信号转化为对应的故障数据信息后,利用欧几里德距离计算方法对数据进行降维和归一化处理,利用舰船配电网络的状态脆弱度和配电网故障趋势项参数获取网络故障脆弱度影响因子,根据影响因子的累积效应,进行舰船配电网络故障趋势的预测。最后利用协方差矩阵对预测过程进行修正,完成舰船配电网络故障趋势预测的改进。实验结果证明,改进算法具有较高的预测精度,并在一定程度上降低了故障趋势预测虚警率,具有较高的实用性和实时性。     

船舶柴油发电机转速神经网络容错控制

结合人工神经网络与智能容错控制，形成船舶柴油发电机转速神经网络容错控制。对由故障诊断后获取的特征值进行归一化处理，把经过处理的特征值作为神经网络的输入样本集，设计输出样本集，建立BP神经网络和ELMAN神经网络，用整理后的数据训练神经网络，使神经网络具有容错控制功能，并对神经网络模型进行仿真测试。仿真试验显示可以实现对船舶电力系统容错控制，保证船舶的安全运行。     

大容量动力铅酸蓄电池建模方法

分别介绍了基于电化学机理、电化学经验公式、等效电路以及基于神经网络的蓄电池建模方法,并对当前正在使用的其他蓄电池建模方法进行了概述。对建模方法的优缺点进行了对比。     

一种求解结构可靠度的新型计算方法

提出了一种求解结构可靠度的软计算方法,该方法综合了人工神经网络的柔软性和遗传算法的全局性及并行快速性的优点.利用人工神经网络的柔软性,可以生成任意形状的函数,因而可以更加贴切地拟合功能函数;由于遗传算法具有并行处理能力,可以对多组样本同时进行处理,因此收敛速度加快.除此之外,文中的遗传算法还使用了小生境共享技术,有效地克服了陷入局部解的缺陷.并根据上述方法研制了结构可靠度分析的电算程序,算例计算表明,计算结果具有很高的精度,该算法为结构可靠度研究提供了一种新的思路和实现路径.     

预制桩承载力时效的人工神经网络预测

分析预制桩单桩承载力时间效应的机理，说明其主要与桩长、桩截面积、土体摩擦角、渗透系数、弹性模量、休止期6个参数有关，建立了考虑时间效应的预测单桩承载力的误差反馈型神经网络模型。该模型充分考虑了桩周土固结对桩承载力的影响，输入层神经元为以上6个参数，物理意义明确且容易确定；训练模式采用共轭梯度法。对34根桩的计算表明该模型预测结果与实测值吻合，说明其是科学有效的。     

基于BP人工神经网络的公路软土地基沉降预测

采用BP人工神经网络,利用杭瑞高速公路软土地基实测沉降数据直接建模,进行了软土地基最终沉降量的预测,将预测结果与曲线拟合法中的双曲线法、指数曲线法、三点法的预测结果进行了对比分析。证明神经网络法能避免传统方法计算过程中各种人为因素的干扰,计算精度高,泛化性强,简便易行。     

舰船电力电子设备在线阻抗建模方法

从二端口网络分析出发,设计一种基于差分方式的在线阻抗测试方法。运用人工神经网络的优化方法,提出一种阻抗等效电路参数的提取算法,由此建立在线阻抗等效电路模型。应用该方法实现了电力电子设备阻抗的在线工程测量,实测与仿真结果表明基于该建模方法所获得的阻抗等效电路能准确反映设备在线运行的阻抗特征。     

基于人工神经网络的胶州湾浮游植物生物量模拟

文章首先介绍了BP网络数据标准化、隐层神经元选择、网络训练和有效性检验方法。以2003年胶州湾环境监测资料为基础,建立了多输入单输出的3层BP人工神经网络模型,采用8个水环境因子预测浮游植物生物量(Chla浓度)。检测集样本网络预测值与观测值的相关系数为0.8943,平均绝对误差为11.33%。为避免个别网络输入初值对输出的干扰,采取全局灵敏度的方法,分析了各水环境因子变化对浮游植物生物量的相对影响。结果表明,浮游植物生物量对各水环境因子变化响应的敏感系数顺序为DOCODPO4-PSSTpHOilDINSiO3-Si。     

基于神经网络的蒸发循环智能仿真研究

论述了经典的蒸发循环数值仿真在实际应用中的局限性,在此基础上引入了智能神经网络理论,并以压缩机为例,建立了计算其热力性能的智能仿真模型。仿真结果表明,该模型在仿真描述压缩机性能方面具有很好的效果。     

一种基于模型的水声弱信号检测方法(英文)

Detection of weak underwater signals is an area of general interest in marine engineering. A weak signal detection scheme was developed; it combined nonlinear dynamical reconstruction techniques, radial basis function (RBF) neural networks and an extended Kalman filter (EKF). In this method chaos theory was used to model background noise. Noise was predicted by phase space reconstruction techniques and RBF neural networks in a synergistic manner. In the absence of a signal, prediction error stayed low and became relatively large when the input contained a signal. EKF was used to improve the convergence rate of the RBF neural network. Application of the scheme to different experimental data sets showed that the algorithm can detect signals hidden in strong noise even when the signal-to-noise ratio (SNR) is less than −40d B.     

基于BP神经网络的船舶企业员工综合评价模型

为了保障船舶工业企业内部对其员工的使用管理和评价上的客观性和准确性,提出基于BP神经网络的综合评价方法,在建立了员工评价的指标体系基础上建立了基于BP神经网络的评价模型,将评价员工综合素质的指标值作为模型的输入量,评价结果作为模型输出量,用样本对神经网络进行训练,利用收集的中国船舶工业集团某造船企业管理执行层员工信息,使用MATLAB对模型进行模拟仿真训练,用验证样本对评价模型检测,检测结果是仿真输出与期望输入基本一致,说明网络合理,评价模型能够较好对船舶企业员工的综合素质进行评价.