基于改进BP算法的混凝土热学参数反演与预测

针对实验室测得混凝土热学参数结果的随机性和施工现场环境的差异性,提出了基于改进BP算法的大体积混凝土热学参数反分析方法.以太洪长江大桥南岸隧道锚大体积混凝土施工为工程实例,反演了绝热温升、反应速率、导热系数及表面散热系数,采用反演分析得到热学参数进行温度场预测并用于指导施工.研究结果表明:采用均匀设计方法确定热学参数减少了样本数据,采用附加动量法改进的BP算法,提高了学习效率,避免算法陷入局部极小值.     

对转桨水动力性能实时预报方法

为了实现对转桨水动力性能实时预报，基于BP神经网络构建对转桨水动力性能预报模型。首先，采用低阶速度势边界元法建立对转桨水动力性能预报模型，通过调整来流速度和前后桨转速开展对转桨水动力性能多工况计算，从而获得构建神经网络所需的样本空间。建立适用于对转桨水动力性能预报的神经网络架构，通过训练使其具备良好的泛化能力。以某组对转桨为研究对象开展水动力性能实时预报方法研究，结果表明，采用BP神经网络预报模型可获得与边界元法精度相当的预报结果，但该模型与边界元法相比计算所耗时间可以忽略不计，可有效实现对转桨水动力性能实时、快速预报。     

基于卷积神经网络的舰船图像类型识别

舰船图像类型识别是计算机视觉领域研究的热点,当前舰船图像类型识别方法存在误识率高、识别时间长等不足,为获得更优的舰船图像类型识别结果,提出基于卷积神经网络的舰船图像类型识别方法。首先提取舰船图像,对其进行增强、去噪、过滤处理,提升舰船图像质量,然后从舰船图像中提取识别特征,将其作为卷积神经网络的输入,舰船图像类型识别作为卷积神经网络的输出,建立舰船图像类型识别分类器,最后采用Matlab2017对5种类型的舰船图像进行仿真测试,卷积神经网络的舰船图像类型识别正确率超过95%,舰船图像类型的误识率和漏识别均低于5%,获得了理想的舰船图像类型识别结果,而且舰船图像类型识别性能远高于其他舰船图像类型识别方法,具有十分广泛的前景。     

基于RBF神经网络优化模糊规则的USV自适应模糊滑模控制

针对USV运动航向控制问题,利用基于Lyapunov稳定性理论的滑模控制方法设计USV航向控制律.考虑到USV运动系统具有不确定性,利用具有万能逼近性能的模糊系统对USV运动模型中不确定项及外界干扰项进行模糊逼近.为了进一步提高模糊系统的逼近性能,采用具有学习能力快的RBF神经网络对模糊系统进行在线学习,优化模糊规则.仿真结果表明基于RBF网络优化的模糊控制该算法能够实现USV航向连续稳定跟踪.