基于混沌理论与RBF神经网络的船舶运动极短期预报研究

文章基于混沌动力系统相空间重构理论,利用关联维数法和最大Lyapunov指数法,对船舶运动时间序列的混沌特性进行了判定。并利用RBF神经网络较强的非线性映射功能,结合相空间重构理论建立了船舶运动极短期直接多步预报模型。实例预报结果表明,所建立的预报模型应用于船舶运动极短期预报取得了令人满意的预报精度,预报时间可达10 s。     

船舶运动极短期预报研究

本文通过对两艘有航速情况下的船舶运动实测数据的分析，试图寻求一种准确程度较高的极短期预报模型。该文共分两部分，第一部分利用ＡＲ模型导出多级ＡＲ模型，预报精度明显提高。在对运动瞬时值预报中，利用包络对结果进行修正，精度有所改进；第二部分利用人工神经网络导出了包络的预报模式，预报精度明显高于ＡＲ模型。     

基于小波滤波和LSTM神经网络的船舶运动极短期预报研究

为了提高船舶运动极短期预报精度及预报时间长度,本文采用小波多分辨率分析方法,将含有噪声的船舶运动信号进行了多尺度小波变换,通过采用阈值函数法对各尺度下细节信号的小波系数进行处理,对小波分解层数、小波基函数、阈值处理方法进行了深入研究,并通过模型试验数据对滤波效果进行了验证分析,实现了船舶运动信号的小波滤波.进一步针对船舶运动的非线性特性,基于深度神经网络的非线性映射能力,建立了基于LSTM网络的多步直接映射船舶运动极短期预报模型,并采用滤波后的船舶运动数据进行了不同工况下的预报分析.结果表明,不同时间长度的预报与试验结果幅值和相位吻合较好,验证了所建立的极短期预报模型的可行性.     

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。     

船舶运动极短期预报方法综述

文章对船舶运动极短期预报技术进行了探讨和评价。论述了极短期运动预报的定义,从不同角度对极短期预报方法进行了分类。并对极短期预报方法的发展进行了叙述及讨论,分析了这些预报方法的优点和缺点,并对今后极短期运动预报技术研究的发展提出了建议。     

基于小波网的船舶运动极短期建模预报

本文结合小波分析和神经网络的优点，建立了应用于船舶运动极限期模预报的小波神经网络的结构及算法，给出了该算法的一步及多步预报模型，并进行了仿真，仿真结果说明该算法是可行的。     

舰船运动极短期建模预报的研究现状

综述了舰船姿态运动极短期建模预报的发展历史及现状，讨论了各种建模预报方法在舰船运动极短期建模预报中存在的问题，着重介绍了投影寻踪学习法用于舰船运动建模预报。此外，对舰船运动极短期建模预报的研究作了展望。     

船舶运动的极短期预报试验

利用自回归模型对船舶运动进行了预报试验研究。试验结果表明,对于直升机稳定平台补偿控制系统来说,由于只需要对船舶未来极短时间内的运动进行预报,所以基于自回归模型的预报方法能满足系统的实际要求,是一种简单、可行的方法。     

基于经验模式分解的船舶摇荡运动极短期预报

针对船舶摇荡运动的非平稳、非线性特性,提出了一种基于经验模式分解的预报方法.首先通过经验模式分解方法将船舶摇荡时历分解为若干性态单一的基本模式分量,然后对这些分量分别采用最小二乘支持向量机方法进行预报,最后将各预报结果重构得到摇荡运动的预测值.对某实船摇荡时历的仿真计算表明,采用基于经验模式分解的预报方法,能有效提高预报的精度.     

船舶运动极短期预报中小波基和分层数的选取

对于随机海浪作用下船舶运动所具有的非平稳性和非线性,首先运用小波多尺度理论,将运动姿态时间序列分解为若干层近似意义上的平稳时间序列,再使用时间序列模型对每层的单支重构信号进行预报,最后综合每层的预报值得到原序列的预报值.同时根据原始时间序列的功率谱分祈,由小波多尺度分析的频带划分范围确定小波分析中分解层数的选取;再根据不同小波基函数各自的特性,分析并选取适合的小波基函数,仿真结果表明,所提出的分解层数和小波基函数的选取方法提高了预报精度和预报时长.     

Ship motion extreme short time prediction of ship pitch based on diagonal recurrent neural network

A DRNN （diagonal recurrent neural network） and its RPE （recurrent prediction error） learning algorithm are proposed in this paper . Using of the simple structure of DRNN can reduce the capacity of calculation. The principle of RPE learning algorithm is to adjust weights along the direction of Gauss-Newton. Meanwhile, it is unnecessary to calculate the second local derivative and the inverse matrixes, whose unbiasedness is proved. With application to the extremely short time prediction of large ship pitch, satisfactory results are obtained. Prediction effect of this algorithm is compared with that of auto-regression and periodical diagram method, and comparison results show that the proposed algorithm is feasible.     

基于神经网络的船舶舵机控制系统设计

传统船舶舵机控制系统只适于控制对象是线性系统且时延和阶数等已知的情况,但在实际应用中,船舶舵机控制过程受船舶运行情况和航行环境的影响,属于随机过程.为此,设计一种新的基于神经网络的船舶舵机控制系统,依据功能要求设计船舶舵机的不同控制模型,再设计整体控制系统结构.通过设计4个不同层次的控制器结构,实现神经网络控制器的整体设计,利用神经网络算法对控制器中的参数进行学习和调整,神经网络控制器输出结果即为船舶舵机控制结果.实验结果表明,所设计系统控制效果好,不易受外界环境的干扰.     

基于模糊神经网络的船舶自动驾驶仪的研究

分析了常规船舶自动驾驶仪存在的缺陷,针对船舶操作这种非纷陛、时变参数的控制对象,提出了一种基于模糊神经网络和Bang-Bang控制相结合的控制系统,提高了模糊控制系统的精度,最后通过仿真将模糊型船舶自动驾驶仪与基于模糊神经网络船舶自动驾驶仪的性能作了比较,结果表明后者的方法控制性能良好.     

基于神经网络的FSC检查选船模型研究

我国FSC检查的目标船目前主要由人工方式来确定,存在很大的盲目性和随意性。为了提高FSC检查目标船选择的合理性,文中分析了船舶的主要风险因素,并结合BP神经网络建立了FSC检查选船模型,最后通过实例验证了所建立模型的实用性。     

基于深度卷积神经网络的船舶识别方法研究

为解决目前船舶识别率较低的问题,基于深度卷积神经网络算法,提出一种在深度卷积神经网络基础上的改进算法.利用卷积神经网络对船舶图片进行深度特征提取,结合HOG算法得到准确的边缘特征,结合HSV算法得到颜色特征,通过SVM分类器对船舶进行分类.算法主要包括2个阶段:训练阶段实现卷积神经网络的预训练,将得到特征归一化,PCA降维,通过HOG算法得到边缘特征,最后训练SVM分类器;测试阶段则对算法的准确性进行核实.实验结果表明,该方法平均识别正确率达到93.6％,可以很好地实现船舶识别.     

基于二阶自适应Volterra级数的船舶运动极短期预报研究

针对随机海浪作用下船舶运动的非平稳、非线性特性,文章提出了基于卡尔曼(Kalman)滤波原理的非线性二阶Volterra级数自适应预报模型.通过把Volterra级数核向量作为状态向量,利用随机游动模型建立系统的状态方程,一步Volterra级数预报模型作为系统的观测方程,从而进一步提高了Volterra级数模型的核估计的收敛速度.同时验证了利用AIC准则对Volterra级数预报模型定阶的可行性,通过迭代法实现了自适应多步预报.仿真结果表明文中提出的基于Kalman滤波算法的自适应预报模型应用于船舶运动极短期预报是可行的,该方法在理论和工程应用方面具有重要的意义.