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。     

渔船非线性横摇理论研究分析

为讨论船舶在波浪中的非线性横摇,应用非线性动力学的方法对现象进行理论分析,得到主共振情况下船舶运动稳态响应的解析解,并对实船进行稳定性分析。通过不同波浪条件下船舶非线性横摇运动的模拟计算,预报船舶在横浪中的横摇运动,预报结果与试验结果比较一致。     

基于渐进法的船舶横摇非线性阻尼系数识别

阻尼对于海浪中船舶的横摇运动响应预报至关重要。本文基于渐进法,利用自由横摇衰减数据,提出了一种适用于船舶大幅横摇运动的非线性阻尼系数识别方法。非线性阻尼选用线性加二阶模型,非线性回复力矩可以是任意形式的奇函数。通过数值方法模拟生成自由横摇衰减曲线,采用本文方法识别阻尼系数,验证方法的有效性。开展不同横摇角幅值下的参数研究,将不同船舶横摇方程的阻尼系数识别结果与其他方法的估算结果进行对比分析,验证了本文方法的高精度。最后,将本文方法应用于船舶自由横摇衰减实测数据,识别其非线性阻尼系数,数值模拟结果与试验数据一致性较好。研究表明该方法精度高,易操作,适用于大角度横摇和强非线性回复力矩条件下非线性阻尼系数的识别。     

船舶运动惯导实测数据的非线性混沌特性的判定

利用基于关联维数的相位随机化的替代数据法，给出了对船舶运动惯导实测时间序列进行非线性判定和混沌判定的方法，计算结果表明船舶运动纵摇和横摇时间序列中含有非线性成份，指出船舶运动的建模和预报须用非线性时间序列的原因，研究了使用混沌时间序列S判据对船舶运动进行混沌判定的方法。     

基于自回归模型的船舶姿态运动预报

介绍了自回归时间序列分析法的建模预报原理,并给出了船舶纵摇运动预报应用实例。为检验船舶纵摇运动预报效果,还用船舶纵摇观测数据进行了仿真研究,将真实曲线与预测曲线比较,观察其拟合程度的好坏。实例分析表明,自回归预报算法简单且容易实现,预报精度约为4.6%左右。自回归时间序列分析法亦可用于船舶横摇、首摇等姿态的时间序列预报,该方法在工程中具有很大的实用价值。     

船舶横摇运动预测误差研究

通过对船舶横摇运动的预测误差与输入过去样本长度之间的关系进行研究,提出船舶横摇运动预测误差的经验公式,该公式可用于确定指定预测误差下的最小过去样本长度.采用小波-自回归算法模型进行横摇预测,统计分析预测均方根误差值与输入过去样本长度之间的关系,结果表明,预测过去样本长度与预测均方根误差之间遵循幂函数关系.     

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。     

基于固定网格小波神经网络的不规则波中船舶横摇运动在线预报（英文）

船舶横摇运动预报对于船舶安全与作业非常重要。本文应用固定网格小波神经网络在线预报不规则波中的船舶横摇运动。该固定网格小波神经网络由离散的小波激活函数组成,其结构和参数可以基于滑动数据窗在线调整;在每一个滑动数据窗,误差下降比判据被用来从小波函数库中选择重要的小波函数项来构建小波神经网络模型,直到该模型可以较好地表达所研究的非线性系统,获得的模型一般比较简洁。预报结果表明,仅仅几个小波函数项就可以很好地捕捉到不规则波中船舶横摇运动的非线性动力学内在特性,这不仅展示了小波函数很强的非线性表达能力,也证实了所采用的建模方法对于预报船舶在不规则波中的横摇运动的有效性。     

规则迎浪中船舶参数横摇的三维时域预报方法研究

参数横摇是船舶因复原特性改变而引起的典型非线性现象。文章采用三维时域方法预报规则迎浪中船舶的参数横摇运动。该方法引入匹配面将流域分为内域和外域,内域中采用Rankine源来满足物面条件和线性自由面条件,而外域中应用时域格林函数来满足线性自由面条件和远场辐射条件。数值方法中,Froude-Krylov力和恢复力是通过对船舶瞬时湿表面积积分获得,同时考虑了横摇、垂荡和纵摇三自由度之间的耦合作用,以及非线性横摇阻尼的影响。数值结果与试验结果吻合很好,说明该方法可以有效地预报参数横摇。     

基于CFD分析的船舶横摇运动统计特征

船舶大幅度横摇的准确预报一直是船舶工程界关注的热点研究方向之一。基于CFD软件Fluent对船舶横摇问题进行了数值模拟研究,建立了船体自由横摇运动的有限体积模型。通过对一系列船体于静水中作不同初始横摇角的自由横摇运动进行数值模拟,分析得出船体横摇非线性过程中横摇角幅值存在一定的统计规律,并提出基于此统计规律对船体的大幅横摇运动进行数值预报的方法。     

一种基于改进回声状态网络的船舶摇荡预报

回声状态网络在船舶摇荡运动姿态的预报中得到了广泛的应用,由于远洋风浪环境的复杂性,使得船舶摇荡的非线性程度进一步增加,因此传统回声状态网络的预测精度明显不足。本文利用改进的回声状态网络方法,引入小波函数对数据进行预处理,对船舶的实测摇荡时历进行处理,提高了预报的精度。实验结果表明,与传统回声状态网络方法相比,本方法的预报精度和可靠性得到了提高。     

Forecasting wind with neural networks

Wind forecasts over a varying period of time are needed for a variety of applications in the coastal and ocean region, like planning of construction and operation-related works as well as prediction of power output from wind turbines located in coastal areas. Such forecasting is currently done by adopting complex atmospheric models or by using statistical time-series analysis. Because occurrence of wind in nature is extremely uncertain no single technique can be entirely satisfactory. This leaves scope for alternative approaches. The present work employs the technique of neural networks in order to forecast daily, weekly as well as monthly wind speeds at two coastal locations in India. Both feed forward as well as recurrent networks are used. They are trained based on past data in an auto-regressive manner using back-propagation and cascade correlation algorithms. A generally satisfactory forecasting as reflected in its higher correlation and lower deviations with actual observations is noted. The neural network forecasting is also found to be more accurate than traditional statistical time-series analysis.     

Forecasting tanker freight rate using neural networks

Improvement in forecasting accuracy is a difficult task but critical for business success. This paper investigates the potential of neural networks for short- to long-term prediction of monthly tanker freight rates. Procedures are outlined for the development of the neural networks. The problem of under-training and over-training is addressed by controlling the number of iterations during the training process of neural networks. A comparative study of predictive performance between neural networks and ARMA time series models is conducted. Our evience shows that neural networks can significantly outperform time series models, especially for longer-term forecasting.     

基于多源信息聚融的港域航道智能监测系统

为通过对航道工程、数据挖掘、时空推理与航海新技术的深入研究,提出了基于时间序列的水文信息分析模型和基于神经网络的气象信息预测模型,实现了航道水文、气象信息预警功能,为管理者决策提供了数据支持。     

船舶柴油机NOx排放特性神经网络预测中的试验设计

研究船舶柴油机NOx排放特性神经网络预测中的学习样本选取试验设计方法。根据用于主机的船舶柴油机可能持续运行范围的工况变化特点,提出采用功率因素变边界的均匀设计法进行试验设计选取样本,并验证了其可行性。研究结果表明,变边界均匀设计法选取的样本用于神经网络训练,预测精度明显高于随机样本选取法。4位级变边界均匀设计法选取的样本训练得到的神经网络模型,NOx排放浓度预测误差小于3.8%,NOx比排放预测误差小4.5%。     

港口货物吞吐量预测方法探讨

对常用的港口货物吞吐量预测方法进行了系统分析,并以重庆涪陵港为例,综合运用回归分析法、平均增长率法、弹性系数法、产销平衡法等定量预测方法和专家预测法等定性预测方法进行吞吐量预测,经与相关资料比较,表明其预测结果是合理的,同时本文采用的预测方法也可为其它港口的货物吞吐量预测提供参考。     

基于LSTM模型的船舶材料成本滚动预测

船舶建造周期长、材料成本占比大,易受大宗商品价格指数和汇率等多个因素的影响,造成实际完工成本与报价估算存在较大误差的情况。采用灰色关联分析（Grey Correlation Analysis,GCA）方法识别材料成本的影响因素,基于长短期记忆网络（Long Short-Term Memory,LSTM）模型构建船舶材料成本滚动预测模型,并使用某造船企业53艘64 000 t散货船63个月的材料成本数据和对应的影响因素数据进行试验分析。结果表明,预测数据与实际数据误差在可接受范围内,可证明所选择方法和构建模型的有效性。研究结果对船舶建造过程的成本实时预测和控制具有现实意义。     

基于LS-SVM的间断性需求备件预测

我国近年引进国外装备时间不长,其备件的历史数据较少、需求具有间断性且具有大量零值,给预测工作带来了一定的困难。文章提出应用最小二乘支持向量机（Least Squares Support Vector Machines LS-SVM）这一新的机器学习方法来实现间断性需求备件的预测,建立了舰艇间断性需求备件的预测模型,并对某型舰艇备件进行预测和分析,结果表明：LS-SVM在间断性需求备件预测上表现出优秀的学习和预测能力。     

舰船批量建造费用的组合预测应用研究

研究了舰船批量建造费用的组合预测问题.首先依据舰船批量建造费用的变化特点,采用生长曲线法、数据平滑法、灰色分析法对费用进行预测,然后运用支持向量机的回归算法对3种预测方法的预测值进行有机组合,建立了舰船批量建造费用的组合预测模型,最后利用样本数据分析了一个参数变化对预测性能的影响,给出了支持向量机参数选择的依据.仿真结果表明,该模型能明显提高系统预测的精度和稳定性,可用于舰船批量建造费用的预测和估算,具有较大的实用价值.     

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。