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。     

基于ABC优化BP神经网络的船舶交通流量预测

为提高船舶交通流量预测的准确性,针对BP神经网络随机确定初始权值和阈值的缺点,提出一种基于人工蜂群算法(Artificial Bee Colony, ABC)改进BP神经网络的ABC-BP船舶交通流量预测模型。利用人工蜂群算法全局搜索能力和不易陷入局部最优的特点,对BP神经网络的初始权值和阈值进行优化,并以青岛港船舶交通流量统计数据为例,进行实例验证。结果显示,与传统的BP神经网络以及遗传算法(GA)优化的BP神经网络预测模型相比,ABC-BP模型平均绝对百分比误差(MAPE)低至3.361 8%,不仅避免了局部最优,而且通过简单的参数设置就能够显著提高船舶交通流量的预测精度。表明本模型在船舶交通流量预测上是有效可行的。     

基于灰色自回归模型的船舶流量预测方法

结合灰色模型和自回归AR(p)模型,提出两种模型组合的灰色自回归模型,根据实际的船舶交通流量数据,分别运用灰色模型、自回归AR(p)模型和灰色自回归模型,对某港口船舶交通流量的进行预测,通过计算和Matlab仿真,结果表明灰色自回归模型预测精度较高,证明了该模型的可行性。     

PSO-无偏灰色马尔科夫模型在船舶交通流量预测中的应用

为提高船舶交通流量的预测精度,利用具有全局搜索能力的粒子群算法(Particle Swarm Optimization, PSO)对无偏灰色马尔科夫模型进行优化,构建船舶交通流量预测的PSO-无偏灰色马尔科夫模型。该模型可综合考虑预测中的残差序列、状态区间、状态转移概率,自适应选取最优白化系数,用以准确表征船舶交通流量的发展趋势。以东营港2012—2017年船舶交通流量季度统计数据为例,选取前21个季度数据对模型进行训练,后2个季度数据对预测结果进行分析,与传统的无偏灰色模型和无偏灰色马尔科夫模型相比,该模型能显著地提高船舶交通流量的预测精度,其拟合精度和预测精度分别为91.439%和95.959%,验证后该模型具有科学性与有效性。     

基于灰色马尔科夫模型的船舶交通流预测

鉴于船舶交通流预测的复杂性,利用单一的灰色预测方法难以对其做出准确预测,考虑交通流量的波动性,将灰色预测理论和马尔科夫预测方法结合以建立灰色马尔科夫预测模型,利用该模型对长江口河段的船舶交通流量进行预测分析。研究结果表明:灰色马尔可夫链模型的预测结果较单一的灰色预测结果更接近实际值,相对误差较小且具有较高的拟合精度,对于具有一定波动性和随机性的船舶交通流有较高的预测精度,可应用于实际船舶交通流量预测研究中。     

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BP神经网络的船舶交通流量预测研究

在分析船舶交通流量特性的基础上,以船舶交通流量控制为最终目标,建立基于BP神经网络的船舶交通流量预测模型,以长江口深水航道的交通流量数据作为训练样本,进行模拟分析。预测结果与实测加权数据进行对比表明,该模型对船舶交通量的预测是有效的。     

船舶航道交通流量预测系统构建研究

船舶航道交通流量日益增加,给船舶航道管理带来挑战,为了提高船舶航道交通流量预测准确性,得到好的管理船舶航道,构建一种船舶航道交通流量预测系统。首先研究船舶航道交通流量预测系统的现状,描述船舶航道交通流量预测系统的工作原理,然后通过对船舶航道交通流量历史数据进行学习,构建船舶航道交通流量预测模型,并将该模型嵌入到船舶航道交通流量预测系统中,最后进行了船舶航道交通流量仿真预测测试,该系统的船舶航道交通流量预测精度不仅可以满足船舶航道交通管理的实际要求,而且船舶航道交通流量预测性能要优于其他系统,表明本文系统是一种可靠、精度高的船舶航道交通流量预测系统。     

基于GA-灰色BP神经网络船舶备件需求预测模型

船舶维修备件的及时保障是船舶设备正常生产作业的保证，备件需求量的准确预测对于航运公司降低运营成本、提高管理效率起着至关重要的作用。文章从某船设备维修备件的历史数据进行分析，构建一种基于灰色模型的多层前馈（BP）神经网络模型，并采用遗传算法（GA）进行优化。首先对船舶设备备件需求影响因素进行分析，通过灰色模型确定备件需求的关键指标，并将结果作为BP神经网络的输入层，从而输出需求预测值。与灰色模型、GA-BP模型预测值对比发现，基于GA-灰色BP神经网络组合模型对于船舶备件的需求预测精度误差仅为0.147%。结果表明，使用GA优化可以提高灰色BP神经网络的预测精度，为船舶维修备件需求预测提供了一种新思路。     

基于灰色小波神经网络的船舶交通流预测研究

船舶交通流预测的准确性和可靠性已成为制约港口经济科学发展的瓶颈因素。文章综合利用小波变换的局部化性质与神经网络的自学习能力,并引入灰色模型以反映船舶交通流的发展趋势,使得小波神经网络在灰色模型预测结果的基础上结合船舶交通流的影响因素再预测,构成基于灰色小波神经网络的船舶交通流组合预测模型。实验结果表明,灰色小波神经网络的预测精度高于BP神经网络与小波神经网络,提高了整个预测系统的精度及其鲁棒性。     

基于BP神经网络模型下的桩群阻力预测

在30m长、3m宽、0.26m深的循环水槽中,应用阻力相似理论进行物理模型桩群模拟,以试验中的实测桩群阻力数值作为期望值,建立基于BP神经网络的桩群阻力预测模型。应用该模型进行桩群阻力预测,通过对比实测数据,发现预测值相对误差很小,预测结果合理可信。由此可以认为,以物理模型试验数据为基础,依托神经网络进行桩群阻力预测的方法值得推广和探讨。     

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。     

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。     

Black-box modeling of ship manoeuvring motion based on feed-forward neural network with Chebyshev orthogonal basis function

Based on polynomial interpolation and approximation theory, a novel feed-forward neural network, the feed-forward neural network with Chebyshev orthogonal basis function, is proposed for black-box modeling of ship manoeuvring motion. The neural model adopts a three-layer structure, in which the hidden layer neurons are activated by a group of Chebyshev orthogonal polynomial activation functions and the other two layers’ neurons use identity mapping as activation functions. Weight update formulas are derived by employing the standard back-propagation (BP) training method. With the simulated 15º/15º zigzag test data as input and calculated values of the hydrodynamic forces and moment as output, the feed-forward neural network with Chebyshev orthogonal basis function and the BP neural network are applied to identify the nonlinear functions in the nonlinear hydrodynamic model of ship manoeuvring motion. With the simulated 20º/20º zigzag test data and 35º turning test data as input, the hydrodynamic forces and moment are predicted by using the identified nonlinear functions. Comparison between the calculated and predicted hydrodynamic forces and moment shows that the feed-forward neural network with Chebyshev orthogonal basis function is superior to the BP neural network in identifying the nonlinear functions of the nonlinear hydrodynamic model of ship manoeuvring motion and is an effective method to conduct the black-box modeling of ship manoeuvring motion.     

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。     

改进的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.文章介绍了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改进并优化,详尽地给出了改进的三层BP神经网络数值预测算法.为测试该算法.选用了著名的XOR(异或)问题和和一个高度非线性的0-1矩阵预测问题对其进行了验证.计算结果表明文中算法能给出令人满意的精度.最后结合船舶与海洋工程的两个实际问题,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.实践表明,文中给出的改进的BP神经网络数值预测算法值得在船舶与海洋工程中加以应用并推广.     

基于改进BP-GA方法的FPSO舷侧结构耐撞性能优化设计

基于遗传算法和ABAQUS参数化有限元仿真技术,对传统的BP-GA优化方法进行改进,并采用改进的BP-GA方法对浮式生产储油卸油装置(FPSO)舷侧结构的耐撞性能进行优化,以验证其可行性和准确性。结果表明,与传统的BP神经网络相比,经遗传算法优化的BP神经网络具有更高的预测精度和更强的泛化能力;改进的BP-GA优化方法可在结构减重的基础上进一步提高结构的耐撞性能,能较好地适用于复杂的FPSO舷侧结构耐撞性优化设计。采用的优化方法具有通用性,可为抗爆性能的优化设计提供参考。     

基于并联型灰色神经网络模型的港口吞吐量预测方法探讨

港口吞吐量预测是港口规划的基础,在确定港口发展方向、投资规模等方面发挥着十分重要的作用,因此有必要对港口吞吐量的发展趋势做出合理的预测。结合灰色理论和神经网络模型的特点,尝试用灰色神经网络组合模型之一——并联型灰色神经网络模型进行港口吞吐量预测。用实际算例证明了该方法在港口吞吐量预测中的有效性。     

基于IGA-BP算法的船舶航向智能自适应控制系统设计

在深入研究基于BP学习算法的前向神经网络以及模糊神经网络控制器的基础上,针对模糊神经网络控制器难以设计以及传统BP学习算法易于陷入局部收敛的不足,结合免疫遗传算法的全局收敛特性以及BP学习算法局部收敛的快速性,提出了一种基于混合计算智能方法的IGA-BP算法的神经网络参数的优化设计方法.将设计的控制器用于建立船舶航向控制系统模型,仿真结果表明,在船舶无干扰和存在随机干扰的情况下,基于IGA-BP算法设计的船舶航向控制系统均能使船舶转向控制无超调,跟踪快,比BP学习算法的控制效果更理想.     

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.