滑坡预测径向基神经网络法

在边坡稳定分析的基础之上,引入径向基网络的理论,提出了边坡滑动的径向基网络预测方法.以边坡高度、边坡角度等作为输入模式变量,建立径向基神经网络训练样本,用于滑坡稳定性评价.通过样本的学习训练,用训练后的径向基神经网络来预测滑坡,通过工程实例与评价结果比较,证明了该评价方法具有较高的精度,也表明该模型能较好的用于滑动预测.     

径向基神经网络在软基沉降预测中的应用

软土地基沉降是土力学中的重要课题之一,通过沉降预测可以为软土地基的工程设计以及下一步施工提供指导性意见.以自组织神经网络为基础,利用其具有的自组织、自适应、容错性和较强的学习、联想能力,结合连徐高速公路软基沉降工程实例进行预测.说明该方法能够简便、精确的预测软土地基的沉降量.     

混沌时间预测方法的高分辨率雷达海杂波非线性分析

海洋运输业的发展对船载雷达的预测精度提出了更高要求。雷达收集信号中存在大量的海杂波噪声。由于海杂波具有动态性,传统的基于线性分析的模型不能提高目标分析的精度。本文针对海杂波的非线性特征,提出使用混沌时间方法分析海杂波,通过神经网络训练数据得到精确预测模型,提高雷达海杂波非线性分析的准确率。     

基于ANN的非线性组合预测方法在水运货运量预测中的应用

组合预测方法可综合利用各单项预测方法提供的有用信息，有效地提高预测的精度．已被广泛运用到水运货运量预测中。本文将利用人工神经网络技术的非线性映射能力。建立一种非线性组合预测模型，并将之应用到水运货运量预测中。实践表明，这种新的预测方法可大大提高水运货运量预测精度。     

基于ANN的非线性组合预测方法在水运货运量预测中的应用

组合预测方法可综合利用各单项预测方法提供的有用信息,有效地提高预测的精度,已被广泛运用到水运货运量预测中。本文将利用人工神经网络技术的非线性映射能力,建立一种非线性组合预测模型,并将之应用到水运货运量预测中。实践表明,这种新的预测方法可大大提高水运货运量预测精度。     

基于PCA和RBF神经网络的绞吸挖泥船实时产量预测

绞吸挖泥船在实际作业过程中的动态特性非常复杂,影响产量的控制因素众多.若这些控制因素全部参与产量预测比较耗时.为了实时训练网络及预测产量,先对影响绞吸挖泥船产量的控制因素进行主成分分析(PCA),再根据分析结果约减控制因素;在系统仿真建模中,分别以全部因素和约减后因素作为径向基(RBF)神经网络的输入变量,以产量作为输...     

一种基于独立成分分析和径向基神经网络的人脸识别新方法

提出了一种新的基于独立成分分析和径向基神经网络的人脸识别方法。独立成分分析可以从高阶上消除特征数据的相关性,改进了主成分分析方法只能从2阶上消除数据相关性的弱点;最终特征数据的分类由RBF神经网络来实现。在人脸数据库上的实验结果表明该新方法的识别性能较其他方法有了很大提高。     

基于数据驱动和神经网络的船舶机械轴承故障预测

本文针对船舶机械轴承故障预测问题,首先进行轴承典型故障的数学模型转化,然后提出一种基于模态分解算法和小波神经网络算法的故障预测方法,利用小波变换对轴承振动信号进行特征提取,构建一个多层感知的神经网络模型和较准确的轴承故障预测模型。最后,通过实验验证了该方法的有效性和准确性,具有一定的实用价值。     

基于小波神经网络和疲劳曲线的结构疲劳寿命及可靠度预测

基于疲劳曲线,考虑应力范围的随机性,获得结构疲劳寿命所服从的分布,计算出期望寿命的可靠度.以非线性Morlet小波基作为激励函数形成神经元,结合小波与神经网络的优点,建立小波神经网络模型,从而得到应力范围、结构疲劳寿命及可靠度之间的关系,用于预测某应力范围下所期望可靠度的疲劳寿命,或者所期望疲劳寿命的可靠度.     

基于灰色理论和BP网络的集装箱海铁联运量预测

海铁联运是集装箱多式联运的重要形式之一。作为一种航运企业延伸其产业链条的方式,更作为在简化的中转环节获取利润的方式,海铁联运已经成为企业目前关注的问题。基于海铁联运运量数据的小样本性、不确定性特征,建立GM(1,1)模型与BP神经网络相结合的预测模型。以厦门港为例,预测未来4年厦门港集装箱海铁联运运量。分析表明,灰色-BP网络组合模型的预测精度较高,是预测集装箱海铁联运量的一种有效的方法。     

Probabilistic time series prediction of ship structural response using Volterra series

This study targets to develop a computational procedure to predict the structural response of a ship voyaging through irregular seaways taking into account the relevant uncertainties from probability perspective. To achieve the goal, ship structural response under random wave excitation was assumed to be linear one and represented by linear Volterra series, which is expanded by linear combination of Laguerre polynomials. Then the unknown Laguerre coefficients were treated as random variables, the probability of which was sought by solving Bayesian linear regression model using prepared data sets. For the validation of the proposed methodology, a single DOF linear oscillator model with artificial damping uncertainties was introduced and time series of the system response was predicted probabilistically. For more practical and realistic application, 400,000 DWT VLOC model ship experimental data was analyzed and vertical bending moment time series were probabilistically predicted using the proposed method. On top of probabilistic time series prediction of model ship, the fatigue damage was also estimated based on the stochastic time series obtained using predicted probabilistic time series data.     

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.     

基于串联灰色神经网络的船用柴油机状态预测研究

文章首先对灰色预测模型进行了改进,建立了GM（1,1）综合预测模型;其次针对灰色理论和神经网络的互补性,创建了以等维新息GM（1,1）模型＋BP神经网络的串联型灰色神经网络预测方法,在此基础上提出了3＊3＊1＊1结构的预测模型,并对其建模过程和算法进行了分析讨论;最后以某型船用柴油机铁谱监测数据为样本,对这种新预测模型的可行性与准确性进行了验证。     

Time series prediction based on LSTM neural network for top tension response of umbilical cables

The umbilical cable is an essential component of offshore oil and gas extraction systems. The severe marine environment poses a high challenge to the safety of the umbilical cable structure during operation. The analysis of an umbilical cable requires complex and resource-demanding finite element time-domain simulations to obtain their nonlinear dynamic response. Therefore, in order to solve the problem of structural safety monitoring and real-time assessment of remaining life of umbilical cables under extreme sea states, there is a great need to predict the dynamic response of umbilical cables quickly and accurately during operation, for ease of making fast decisions for system operation and maintenance before the arrival of extreme sea states. Given the strong nonlinear function-approximation ability of the neural network, this study proposes an efficient method for the prediction of the time series of umbilical cable top tension response based on LSTM (long short-term memory) neural network. We use LSTM neural network and ARIMA (autoregressive integrated moving average) model in a real engineering case for time series prediction of the top tension response of the umbilical cable, and the results of the two models are analyzed and compared, and the efficiency and accuracy of the LSTM neural network model are verified. Furthermore, the hyperparameter, dataset and generalization ability of LSTM model are discussed. The results indicate that feasibility of the tension response prediction of umbilical cables under dynamic load in complex marine environments.     

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.     

粒子群优化的RBF神经网络在海上运输事故预测中的应用

以海上交通安全为应用背景,对船舶运行事故预测方法进行研究,给出一种基于粒子群优化的RBF神经网络的事故预测方法。在本文中,首先对海上运输事故的特点和原因进行分析;然后对径向神经网络和粒子群算法的相关基本理论进行介绍,最后给出基于粒子群优化的RBF神经网络的事故预测方法。实验结果表明,该方法具有较好的预测效果。     

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%。     

径向基神经网络实现红外目标检测

本文分析了径向基神经网络的优点,并详细地描述和设计了基于径向基神经网络的红外目标检测,在设计神经网络的过程中,阐述了神经网络的隐层、输出层的节点数以及学习速率等,最后将其应用到实际检测中,通过实验结果可以看出,本文所采用的径向基神经网络在红外目标检测方面具有良好的逼近性和收敛性。     

人工神经网络在潮汐数值预报中的应用

潮汐数值预报经过了几十年的发展,但是其预报精度并不能让人十分满意,本文试图将传统的潮汐数值预报模式与近年来发展迅速的人工神经网络相结合,来改进潮汐数值预报的精度。文章建立了一种神经网络系统,采用潮汐数值模式的输出结果作为网络输入,潮位观测资料作为输出,用建立的神经网络进行训练,结果表明人工神经网络可以明显地改进潮汐数值预报的精度。