基于前端开发框架的舰船运动姿态数据监测系统

利用运动姿态监测结果为舰船可靠航行提供决策依据。为此,设计了基于前端开发框架的舰船运动姿态数据监测系统。系统设施层中,利用MEMS陀螺仪芯片与3轴MEMS加速度计采集舰船运动姿态信息,并将所采集信息传送至业务逻辑层;业务逻辑层利用控制子层和管理子层为用户提供姿态数据监测服务;控制子层中的姿态解算模块,依据传感器信息采集结果,利用卡尔曼滤波算法解算舰船运动姿态信息。基于此,利用Bootstrap的前端开发框架,通过viewport元数据标签完成前端UI设计,为用户提供可视化的人机交互界面,将姿态解算结果利用用户界面层为用户展示。测试结果表明,该系统对舰船航行运动姿态的监测结果与实际结果极为接近,适用于实际工作。     

神经网络方法在舰船姿态运动预报中的应用研究

将神经网络应用于舰船姿态运动预报中,利用带有延迟反馈的回归神经网络的暂态、学习效率高、动态映射等优点,提出多输入单输出简化的对角回归神经网络,并给出舰船姿态运动预报模型。在此基础上进行算法收敛性的说明。最后采集15个样本,通过分析样本的平均误差、均方误差和相对误差来说明本文所此采用的算法对舰船纵摇姿态的预报结果有效。为提高预报精度需要将船舶受到的外界干扰融合到模型中,从而可得到理想的预报效果。     

基于LSTM的舰船运动姿态短期预测

舰船的六自由度运动状态形成复杂的非线性过程,运动姿态会受到耦合作用、不定周期、噪声信号以及混沌特性等因素的干扰,因此很难得到精确的预测结果。为了提升舰船运动姿态的预测精度,利用舰船时间序列的特点,建立了基于长短期记忆单元(LSTM)模型,对其进行了舰船姿态预测仿真,将结果与时间序列分析法的结果进行对比。实例分析表明:基于LSTM模型的预测方法具有精确度高、易实现的特点。这为舰船运动短期预测提供了一个新的思路和方法。     

基于LSTM的舰船运动姿态短期预测

舰船的六自由度运动状态形成复杂的非线性过程,运动姿态会受到耦合作用、不定周期、噪声信号以及混沌特性等因素的干扰,因此很难得到精确的预测结果.为了提升舰船运动姿态的预测精度,利用舰船时间序列的特点,建立了基于长短期记忆单元(LSTM)模型,对其进行了舰船姿态预测仿真,将结果与时间序列分析法的结果进行对比.实例分析表明:基于LSTM模型的预测方法具有精确度高、易实现的特点.这为舰船运动短期预测提供了一个新的思路和方法.     

基于经验模态分解的舰船运动姿态预测模型研究

运动姿态准确性预测对提高舰船水上作业安全性具有重要的现实意义,为此,基于经验模态分解算法,构建一种新的舰船运动姿态预测模型。该模型首先利用EMD分解舰船运动时间序列,然后采用游程判别法来判定IMF和r_n (t)的波动程度,划分高频、中频和低频3个分量,最后利用基于支持向量机算法构建的预测模型预测舰船运动姿态。实验结果表明:与卡尔曼滤波法、谱估计法、艏前波法3种运动姿态预测方法得到的结果相比,本模型的纵摇角预测误差更小,精度更高。     

舰船姿态运动的自适应实时预报及其应用

舰船姿态运动预报系统是舰载机起降指导系统中的主要部分,它对提高舰载机安全起降起到重要作用.本文根据大型舰船在随机海浪作用下的运动特性,提出了基于自适应AR模型的预报方法,它通过RLS递推算法实现了在线实时预报.利用DSP设计的上述预报系统,本文进行了大量典型航行工况下的仿真.仿真结果表明,文中提出的舰船姿态运动预报方法可行,提前2秒的预报误差为2.7%,提前7秒的预报误差为8.3%.因此,该方法在工程中具有很大的实用价值.     

大型舰船姿态运动极短期预报的一种AR算法

本文提出并严格地证明了一种AR模型的预报算法,利用该算法可对大型舰船运动姿态进行预报,在物理仿真系统中取得满意的结果。     

舰船运动极短期预防技术综述

综述舰船运动极短期预报国内外的研究现状及采用的新方法,对各种方法进行了分析、评述,指出当前研究的重点和难点,并探讨了可供海上舰船实用的预防模式。     

大数据分析下舰船维修数据挖掘算法优化分析

舰船维修数据具有重要的利用价值,当前算法无法有效对其变化特点进行准确挖掘,无法充分发挥舰船维修数据优势,为了提高舰船维修数据挖掘精度,设计了基于大数据分析下舰船维修数据挖掘算法。首先采用单一算法对舰船维修数据进行挖掘,并根据挖掘精度对各种算法进行评价。然后采用大数据分析技术中的包容性检验算法选择最佳的单一模型,并对它们结果进行组合,得到舰船维修数据挖掘结果。最后采用舰船维修价格的历史数据作为实验对象,分析本文方法的优越性。本文方法的舰船维修价格的预测精度要显著高于当前其他数据挖掘算法的精度,而且舰船维修价格预测可信度更优,降低了舰船维修价格预测误差。     

基于云计算的舰船姿态信息管理系统优化算法

常规的舰船姿态信息管理系统资源分配不均衡,在运行时执行能耗过高,导致了系统资源的浪费,为此采用云计算技术,提出舰船姿态信息管理系统优化算法研究。分离噪声与有效信号,利用两者间方差幅值差异,获取舰船姿态信息数据,根据小波系数重构,校正姿态误差,通过云计算中心合理调度数据信息,分析历史时间序列,减少系统空闲所占比重,完成了基于云计算的舰船姿态信息管理系统优化算法研究。设计对照实验,将优化后的执行能耗,与另外2种常规算法相比较,实验结果表明,优化后的算法能够使其能耗降低21.63%,合理分配了系统资源,避免资源浪费。     

舰船电机控制系统中的不稳定数据挖掘方法研究

本文提出一种基于功率谱密度估计的舰船电机控制系统中的不稳定数据挖掘方法。对舰船电机控制系统中的不稳定数据进行信息与信号模型构建,对不稳定数据进行时域和频域分析与描述,在时频域中进行功率谱密度特征提取,实现对不稳定数据的经验模态分解和多分量幅度调制,增强功率谱密度特征对舰船电机控制系统中的不稳定数据的表征能力,提高数据挖掘性能。仿真结果表明,采用该算法能有效提高舰船电机控制系统不稳定数据挖掘精度,准确检测概率较高,在舰船电机控制系统的运行状态监测和故障诊断分析中具有较好的应用价值。     

国外舰船噪声测试技术

舰船噪声测试是评价和改善舰船声隐身性能的重要手段.本文描述了国外舰船噪声测试技术的主要测试方式--活动式和固定式,典型测试系统--单水听器、矢量水听器、直线阵和体积阵测试系统,介绍了各种测量方式和测试系统在国外的典型应用情况以及国外舰船噪声的主要分析方法.     

基于数据挖掘的舰船装备维修费估计

舰船装备维修费具有一定的规律性,同时也有一定的随机性,导致很难进行准确估计。为了提高舰船装备维修费精度,减少舰船装备维修估计偏差,设计了基于数据挖掘的舰船装备维修费估计模型。首先分析当前舰船装备维修费估计模型的各种局限性,然后收集舰船装备维修费历史数据,并对舰船装备维修费历史数据进行处理,得到更加有规律的舰船装备维修费数据,然后采用数据挖掘技术建立舰船装备维修费估计模型,并采用实际舰船装备维修费数据进行验证性实验。本文模型的舰船装备维修费估计精度高,舰船装备维修费的估计误差远小于当前其他舰船装备维修费估计模型,结果证明本文方法是一种精度高,误差小的舰船装备维修费估计模型。     

具有艏前波观测量的大型舰船姿态运动极短期预报

本文提出了具有艏前波观测量时大型舰船姿态运动建模的预报方法，仿真计算表明，该方法具有满意的预报精度。最后，将该方法与通常的AR方法进行了比较。     

云计算技术的舰船运动目标自动跟踪

针对传统舰船运动目标的自动跟踪方法存在滞后性,导致舰船运动目标无法完整出现在搜索窗中的问题,提出一种云计算技术的舰船运动目标自动跟踪方法。首先提取舰船运动目标特征点,使用Harris算子图像的一阶导数提取出舰船运动目标特征点,然后利用云计算的分布式的计算特点,分布计算舰船运动目标的跟踪向量,得到循环跟踪矩阵,选取跟踪目标搜索窗,计算目标搜索窗的大小后,实现舰船运动目标自动跟踪。实验结果表明,与传统舰船运动目标自动跟踪方法相比,云计算技术的舰船运动目标自动跟踪方法不存在滞后性,搜索窗中可以全部呈现出舰船运动目标。