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。     

港口吞吐量计量预测分析

通过应用国际航运的派生需求理论和计量经济分析方法,采用计量经济学中时间趋势、对数等变量分析手段,新设计了一个能精确预测港口吞吐量的经济计量方程。通过使用该计量方程,并引用厦门港吞吐量历年数据,采用两种不同的计量技术方法对厦门港2005～2008年的集装箱吞吐量进行预测,两种方法的预测结果差异很小。论文同时对两种预测方法获得的预测结果进行了误差分析,并计算出误差结果。     

基于小波神经网络的上海港集装箱吞吐量预测

针对港口集装箱吞吐量预测精度不高的问题,采用小波函数作为隐含层传递函数改进BP神经网络进而建立小波神经网络,并对2008-2017年上海港的每月集装箱吞吐量数据按照前三个月预测后一个月的方式构建出训练数据和预测数据,同时与BP神经网络在同样数据情况下的预测精度进行比较分析。结果表明:小波神经网络的预测误差明显小于BP神经网络,其预测性能更好。     

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。     

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。     

基于误差平方和极小化的多模型组合预测研究

以某港口1997-2007年集装箱吞吐量为原始数据,建立了回归分析、3次指数平滑及灰色系统方法的港口集装箱吞吐量单项预测模型。鉴于单项预测模型的局限性,以误差平方和极小化为最优化准则,进行了多模型组合预测,并辅以实例进行分析和验证,通过误差的分析表明该模型能够改善预测精度,可以作为未来港口集装箱吞吐量预测的工具。     

基于PSO-BP神经网络的船体分段任务包工时定额模型

为解决船体分段任务包工时定额的计算过度依赖线性公式而忽略工时定额与工艺参数之间的非线性关系的问题,提高工时定额计算的效率和精确度,将PSO-BP神经网络技术应用到船体分段任务包工时定额中。通过对影响船体分段中间产品额定工时的工艺参数进行分析,建立多输入单输出的PSO-BP神经网络模型,并应用实际数据对PSO-BP神经网络进行训练,测试仿真结果与实际值之间的误差在允许范围内。验证结果表明,采用PSO-BP神经网络建立船体分段任务包工时定额模型,能对任务包作业工时进行准确预测。     

BP-neural networks预测法在湛江港港口吞吐量预测中的应用

本文对港口吞吐量预测的方法进行了研究,分析了传统预测方法在实际应用中存在的问题,利用黑箱模型理论对湛江港近年吞吐量与建设投资额进行定性研究和定量检验,证明了港口吞吐量与建设投资额之间存在显著的正相关关系,并基于此提出基于BP-neural networks的预测方法,为湛江港港口吞吐量的预测提供了一种新的方法与途径。     

BP神经网络在长螺旋成孔压灌注混凝土桩单桩极限承载力预测中的应用

BP网络(Back Propagation Neural Network)是工程中广泛应用的一种神经网络模型。根据试验数据,运用BP网络对长螺旋成孔压灌注混凝土桩单桩极限承载力进行预测,将预测结果与实测值进行比较。结果表明,神经网络方法预测的结果与实测值的误差满足工程要求。     

港口吞吐量预测的时序残差修正Verhulst模型

灰色系统预测模型是一种进行港口吞吐量预测的有效方法。但是,当港口吞吐量按照“S”型曲线增长或增长处于饱和阶段时,采用灰色模型进行吞吐量预测的误差较大,预测精度不能满足实际要求。根据港口吞吐量的增长规律,通过典型实例提出了基于时序残差的港口吞吐量预测Verhulst模型,用于中长期港口吞吐量预测。应用结果表明,本模型对于那些暂时处于快速增长而从长远看按“S”型曲线增长的港口吞吐量预测具有较高的预测精度,同时保留了灰色预测方法的原有优势和特点。     

基础沉降的组合预测法

通过对基础沉降的发生过程、特点及灰色Verhulst模型特点的分析,提出可以根据施工过程中的观测资料,运用基于BP神经网络的组合预测模型对不同时刻的基础沉降进行预测;首先分别利用灰色Verhulst模型和BP神经网络模型对基础沉降进行估算,然后利用人工神经网络中的BP神经网络对采用前2种模型所得的结果进行组合预测。计算实例表明,使用该组合预测方法所得到的预测结果比单独使用灰色Verhulst模型或BP神经网络模型所得到的预测结果的总体误差要小,因而该方法是可行的、有效的;可以运用到实际工程中。     

神经网络在单桩承载力预测中的应用

运用基于BP神经网络的组合预测模型对PHC桩的极限承载力进行预测。分别利用灰色GM(1,1)模型和BP神经网络对桩在荷载作用下的沉降进行估算,然后利用人工神经网络中的BP网络对所得的结果进行组合预测;最后利用Lagrange算法计算桩的极限承载力。计算实例表明,使用该组合预测方法所得的预测结果比单纯使用灰色GM(1,1)模型或神经网络模型所得结果的总体误差要小,因而该方法是可行的、有效的。     

灰色系统与神经网络算法相结合的分析与研究

采用BP神经网络对模型参数进行预测,算法的学习训练速度和建模时间比较长;采用灰色系统理论对模型参数进行预测,对数据信息的学习和训练能力比较有限,两种算法都存在各自的缺陷,为了提高模型中参数的收敛速度和估计精度,本文将灰色系统理论和BP神经网络算法相融合,通过仿真可以看出,模型参数的估值精度比较高,误差较小,证明了该算法的有效性和鲁棒性。     

基于加权矢量神经网络的辐射源识别方法

现有的很多分类识别方法包括基于专家系统的方法[1]、基于贝叶斯理论的方法、基于模糊模式识别的方法[2]、基于最近邻的方法[3]、基于人工神经网络的方法[3]等等在辐射源识别中都有比较成功的应用,但这些方法一般都针对测量参数为标量形式的测量值进行处理,在一定程度上解决了由于参数测量误差所引起的辐射源识别问题,对于误差的另一种情形,即测量参数为区间类型模糊值的情况讨论却较少,文献提出了一种基于模糊IF-Then规则的神经网络算法,给出了能够处理模糊输入的神经网络体系结构,同时给出了一种基于代价函数的学习算法,其代价函数由实际模糊输出和无模糊输出决定,通过学习该网络能够实现模糊输入到模糊输出的非线性映射。     

基于回声状态网络的船舶摇荡连续预报方法研究

回声状态网络（ ESNS）是一种新型递归神经网络,可通过对有限的已知样本进行训练,建立非线性模型来预报未知样本。该算法在解决非线性问题时具有一定优势。无需知道海浪的先验信息和船舶航行姿态的状态方程,仅利用实测的船舶横摇、纵摇历史数据,寻求规律即可进行实测摇荡数据的极短期预报。仿真结果表明,该算法在预报15 s以内可达到较高的预报精度,通过预报窗口的平移,可以进行连续在线预报。     

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.     

基于Elman网络的舰船组合导航系统误差补偿研究

为了提高卡尔曼滤波估计精度，提出了一种基于回归神经网络补偿卡尔曼滤波器估计误差的方法。根据Elman网络与非线性ARMA模型工作原理的相似性，利用Elman网络做误差估计器，补偿卡尔曼滤波器的估计精度。实际舰船航行数据仿真测试表明，该方法有效可行。     

基于广义回归神经网络的路基沉降预测

为了对路基沉降变化规律进行预测,避免发生工程事故,提出了将广义回归神经网络模型应用于软土地基沉降预测中的方案。通过广义回归神经网络的基本理论和概念,采用实际工程数据,用 BP 神经网络方法和广义回归神经网络方法进行了预测分析,比较了2种方法的3组预测结果。工程实例预测结果表明,广义回归神经网络方法的均方误差和决定系数表现都优于 BP 神经网络方法;证明该方法是可行且有效的。     

基于人工神经网络方法的舰船参数灵敏度分析

舰船参数灵敏度分析不仅为判断各参数的重要性大小提供了依据,量化的灵敏度指标也是后续参数估计的前提。在舰船系统中,参数与舰船综合性能的显式函数关系不易得到,导致一阶灵敏度指标无法直接求取。本文确定了舰船的几个主要参数,建立起了舰船综合性能评估框架,利用人工神经网络的方法,用C语言编制了一套舰船综合性能的评估程序,将已有的数据、专家经验等量化后得到评判指标数值,形成样本,进行神经网络训练,然后通过训练完成的神经网络对各个参数进行了灵敏度分析。