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GA优化的灰色神经网络船舶交通流量预测方法研究

结合灰色模型和BP神经网络模型的特点,对两种模型进行有机地组合,构建一种改进的灰色神经网络预测船舶流量方法.以实际船舶交通流量和主要影响因素为数据,运用遗传算法改进的灰色神经网络模型对上海洋山港的船舶交通流量进行预测,计算和Matlab仿真结果表明,改进的灰色神经网络模型预测不仅精度较高,而且能准确预测船舶交通流量的变化规律.     

基于卷积神经网络及长短时记忆网络的短时船舶交通流量预测

由于船舶交通流具有非线性和复杂性的特征,传统交通流量预测方法的预测结果精度普遍不高,且需大量历史数据进行训练。在考虑船舶交通流数据时间特性的基础上增加了对数据空间特性的考虑,提出一种基于卷积神经网络(Convolutional Neural Networks, CNN)和长短时记忆网络(Long Short-Term Memory, LSTM)的短时船舶交通流量预测模型,并引入动态时间规整(Dynamic Time Warping, DTW)算法构造损失函数,提升模型的预测精度。结果表明：通过与灰色模型(Grey Model, GM)、差分整合移动平均自回归模型(Autoregressive Integrated Moving Average Model, ARIMA)、小波神经网络(Wavelet Neural Network, WNN)、反向传播神经网络(Back Propagation Neural Network, BPNN)和CNN-LSTM等模型对比,所提出的CNN-LSTM-DTW预测模型的预测结果相对误差最小,可信度高,预测精度优于对比模型。     

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。     

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AR-EMD方法的扩展非平稳船舶运动极短期预报AR模型（英文）

准确的极短期预报技术能够提高对船舶摇荡运动敏感的海洋特种作业安全性和效率。自回归(auto-regressive,AR)预报模型由于其自适应性强、计算效率高而被广泛应用于船舶运动的极短期预报研究。但该模型基于平稳随机假设,因而在非平稳船舶运动的极短期预报中存在困难。针对非平稳船舶运动极短期预报,文章提出一种基于AR-EMD方法的扩展AR模型,称为EMD-AR预报模型。其中,AR-EMD方法是指在经验模态分解(empirical mode decomposition,EMD)的过程中,采用AR预报的方法处理端点效应问题。EMD-AR预报模型将非平稳信号分解成若干平稳的固有模态函数分量及余项,然后对各个分量分别用AR模型预报,得到最终的预报结果,以此克服非平稳性对AR预报模型的影响。研究基于船舶试验数据将EMD-AR模型与线性AR模型、非线性支持向量机回归(support vector regression,SVR)预报模型进行对比分析,结果表明,AR-EMD方法能够有效处理船舶运动非平稳性对AR预报模型的影响,提高该模型的预报精度,且EMD-AR模型预报性能较线性AR模型和非线性SVR模型更优。     

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。     

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。     

大型舰船运动交互预测中的多维度AR算法研究与仿真

深海和远洋海域的自然条件非常恶劣,大型舰船的航行过程中受海域环境的影响,船上作业的稳定性会下降。舰船的短期运动交互预测是指在一定时间内,提前预知舰船的运动状态,对舰船的作业,比如武器发射、货物装卸等进行运动补偿,进而提高船舶作业的效果。本文采用一种自回归(AR)模型算法,对舰船的时间序列运动模型进行预测,取得了良好的效果。     

基于短时AR谱分析的柴油机气阀漏气的故障诊断

通过对传统的短时Fourier变换进行改造,在短时Fourier变换的计算中利用自回归(AR)谱估计代替离散Fourier变换(DFT),得到了一种基于AR谱估计的短时AR谱分析方法.短时AR谱分析方法能够较好地给出柴油机缸盖振动信号的时频分布表示,提高了气阀漏气故障诊断的准确性.     

The estimation of wave elevation and wave disturbance caused by the wave orbital motion of a fully submerged hydrofoil craft

The current control system of a fully submerged hydrofoil craft has manual input of fore-foil depth and control mode selection to improve the performance of the control system. However, the manual input needs skillful human operation and observation of waves the encountered to work well over a wide range of waves. In order to use information about the waves encountered in the control system, we considered the estimation of wave elevation and wave disturbance which was caused by the orbital motion of the waves in irregular waves. First, we investigated the wave disturbance by a fully submerged hydrofoil craft, in a state-space model of wave disturbance, and in hydrofoil craft motion, etc. We than considered estimations of the wave elevation and wave disturbance using a shaping filter, a Kalman filter, an autoregressive (AR) model, etc. Finally, we confirmed through simulations that the estimation results and estimation error of wave elevation and wave disturbance were valid.     

舰船运动姿态仿真与多层AR预报研究

舰船运动姿态预报可更好地保障舰船各项作业的顺利进行,提高航行安全性。该文从频域角度仿真随机风浪,据此仿真舰船运动。考虑到舰船运动姿态时域上的非线性、非平稳特点,采用多层AR模型进行舰船运动姿态预报,并根据仿真案例进行预报检验。多层AR方法能有效提高极短期预报的精度。     

基于AR-EMD方法的扩展非平稳船舶运动极短期预报AR模型

准确的极短期预报技术能够提高对船舶摇荡运动敏感的海洋特种作业安全性和效率。自回归（auto-regressive,AR）预报模型由于其自适应性强、计算效率高而被广泛应用于船舶运动的极短期预报研究。但该模型基于平稳随机假设,因而在非平稳船舶运动的极短期预报中存在困难。针对非平稳船舶运动极短期预报,文章提出一种基于AR-EMD方法的扩展AR模型,称为EMD-AR预报模型。其中,AR-EMD方法是指在经验模态分解（empirical mode decomposition,EMD）的过程中,采用AR预报的方法处理端点效应问题。 EMD-AR预报模型将非平稳信号分解成若干平稳的固有模态函数分量及余项,然后对各个分量分别用AR模型预报,得到最终的预报结果,以此克服非平稳性对AR预报模型的影响。研究基于船舶试验数据将EMD-AR模型与线性AR模型、非线性支持向量机回归（support vector regression,SVR）预报模型进行对比分析,结果表明,AR-EMD方法能够有效处理船舶运动非平稳性对AR预报模型的影响,提高该模型的预报精度,且EMD-AR模型预报性能较线性AR模型和非线性SVR模型更优。     

基于EMD的柴油机失火故障诊断

提出了一种基于经验模式分解（Empirical Mode Decomposition,EMD）和自回归（Auto Regression,AR）模型的柴油机失火故障诊断方法．对3110型柴油机断油故障及正常情况下的缸盖振动信号进行了测试分析,采用经验模式分解EMD方法对振动信号进行分解,得到固有模态函数（Intrinsic Mode Function,IMF）,对每一个IMF分量分别建立AR模型,以模型的自回归参数和残差的方差作为特征向量,用支持向量机（Support Vector Machines,SVM）进行分类,判断柴油机的工作状态和故障类型．实验结果分析表明,该方法即使在小样本情况下也能准确有效地诊断柴油机失火故障,能实现故障的实时自动化诊断．     

优化的新陈代谢GM(1,1)模型在港口吞吐量预测中的应用

针对常规GM(1,1)模型存在的不足,尝试用优化的新陈代谢GM(1,1)模型来进行预测,并加以比较。结论表明:优化的新陈代谢GM(1,1)模型能够明显地提高预测精度,增加预测的可靠程度,从而为港口的发展战略研究提供一定的技术支持。     

基于时间序列法的舰船运动预报实验研究

采用线性自回归AR模型、具有首前波观测量的ARMA模型以及非线性自回归NAR模型三种方法分别对舰船运动进行预报,将得到的预报结果与实验测量结果进行验证比较,并对最佳预报模式进行讨论.     

基于灰色马尔科夫模型的重庆市水运货运量的预测*

通过对重庆水运发展现状的研究,根据马尔科夫理论及灰色预测模型,将灰色GM模型与马尔科夫状态转移矩阵相结合,建立了预测重庆水运货运量的灰色马尔科夫模型,并通过实际预测发现,该模型的预测精度明显高于灰色预测模型的预测结果,并预测了2011—2012年重庆市水运货运量。     

微机械陀螺随机误差补偿研究

为了提高微机械陀螺使用精度,研究了随机漂移误差补偿方法。对静态陀螺输出数据进行预处理,提取出随机漂移数据,采用时序分析方法对其建立AR模型。基于模型设计Kalman滤波器,进行静态和动态仿真。结果表明：静态条件下滤波效果显著;动态条件下,滤波效果变差。针对此问题设计了标量因子时变的自适应Kalman滤波器,试验表明,此算法能够有效降低微机械陀螺的随机漂移。