人工神经网络在预测混凝土强度的应用

通过改进的BP和RBF两种神经网络对混凝土的强度进行预测.研究表明,改进的BP和RBF的神经网络模型能够充分考虑影响混凝土强度的各种因素,对混凝土强度进行预测,且精度较高,训练次数少,节省机时,在混凝土强度预测中具有广泛的应用前景.     

基于FCM-ANFIS模型的船舶交通流预测

提出一种基于模糊C均值聚类自适应神经模糊推理系统(Fuzzy C-Means Clustering Algorithm with Adaptive Neural-Fuzzy Inference System,FCM-ANFIS)的船舶海上交通流预测模型,采用相关分析法预测网络模型的输入变量个数;采用模糊C均值聚类算法对仿真数据进行分析和模糊聚类,从而确定模型的聚类中心,进而建立ANFIS预测网络结构。该模型采用BP算法与最小二乘算法相结合的混合学习算法进行网络参数训练,可克服传统预报模型收敛速度慢和局部最优等问题,进而提高预报精度。同时,选用船舶自动识别系统(Automatic Identification System,AIS)记录的船舶交通流数据进行仿真预报,仿真结果验证了该模型的可行性和有效性,并取得良好的效果。     

基于模糊综合评判法判断重庆天白水库地质强度指标

针对地质强度指标判断较为依靠主观经验的情况,本文以重庆天白水库工程作为研究实例,通过结构面条件、波形系数、光滑系数作为判断因子,然后把多因素模糊综合评判理论应用到GSI系统的评价中去,并利用层次分析法确定模糊评判因素的权重,建立GSI系统的模糊综合评判模型。本文建立的重庆天白水库地质强度指标GSI模糊综合评判法计算值与基于传统的GSI指标评价体系计算的结果较为吻合,能够很好地应用到实例工程中。     

基于一种改进型线性增长模型的船舶流量预测

为了提高船舶流量预测精度,综合考虑交通需求、季节、气候等因素,通过分析船舶流量历史数据,在线性增长模型基础上,构建了考虑周期性波动因素的船舶流量预测改进模型,并运用贝叶斯估计和预测方法求解模型,提出了一种新的船舶流量预测方法.实例验证表明,与传统线性增长模型预测结果比较,新模型更符合船舶流量实际情况,月流量预测结果的平均绝对误差下降了3.56%,标准差下降了3.79%.因此,将该预测方法用于船舶流量预测是有效的.     

基于混沌理论和改进极限学习机的船舶升沉预报

船舶升沉运动预报是主动升沉补偿系统中的重要组成部分.为了满足船舶升沉运动预测的实时性和准确性要求,本文提出了一种混沌理论与增强搜索极限学习机相结合的混合方法(CES-ELM).在混沌动力系统相空间重构的基础上,采用基于误差最小化的方法生成ELM隐藏节点并不断更新权值;利用优化后的模型参数建立船舶运动预测模型.不同海况下的仿真结果表明,该方法的预测平均绝对百分误差小于10％,与传统的ELM和LSSVM模型相比,该模型能有效提高预测精度和鲁棒性.     

基于改进YOLOv5的海面可见光图像船舶检测技术

针对无人船感知系统中的可见光图像船舶检测,提出了一种基于YOLOv5的算法,对深度学习网络模型的输入端、损失函数和检测框进行优化,使用迁移学习的策略进行网络模型训练。试验结果表明：该算法海面可见光图像船舶检测的平均精度均值达到98.6%,较YOLOv5提升1.69%,平均检测时间约为45 ms,能够满足不同条件下海面船舶检测的需求。     

DOE技术在起重臂优化设计中的应用

为提高某船用起重机起重臂结构刚度,减小其最大应力以及结构质量,首先对各变量进行灵敏度计算,去除对目标函数不灵敏的设计变量,以提高后续计算效率。基于DOE试验设计理论及有限元法构建优化问题的近似模型,借助拉丁采样对该近似模型拟合精度进行检验。基于遗传优化算法(GA)对该近似模型进行优化。优化结果表明:刚度提高9.4%,最大应力值减小21.4%,结构质量减轻9.3%。     

水下航行器导航系统的模糊自适应多模型滤波方法

为了提高水下航行器组合导航系统的精度,针对系统模型和量测噪声随实际工作环境的不同而变化的特点,提出了一种基于模糊自适应改进多模型滤波的算法。首先依据多模滤波的思想,对系统进行离散化建模;然后基于协方差匹配技术,利用滤波信息的统计方差和计算方差的偏差作为模糊系统输入,设计模糊推理系统调节量测噪声方差,最后给出算法的实现过程。仿真结果表明,所提方法可增强估计算法的抗干扰能力,提高了估计精度。     

基于BP和LSTM组合优化的船舶升沉运动预测

预测船舶升沉运动有助于增强波浪补偿系统的补偿效果,解决补偿系统滞后问题。为提高预测模型的预测精度,提出一种基于误差反向传播（BP）神经网络和长短时记忆（LSTM）神经网络组合优化的船舶升沉运动预测方法。以采用计算流体动力学（CFD）方法获取的船舶在规则波浪作用下的升沉运动和在突发性干扰下的升沉运动为对象,基于PYTORCH框架和LINGO软件,建立以加权方式组合优化BP神经网络和LSTM神经网络的预测模型。研究结果表明,无论是船舶在规则波浪作用下的升沉运动,还是船舶在突发性干扰下的升沉运动,BP-LSTM组合模型的预测精度均高于BP神经网络和LSTM神经网络,有助于提高补偿精度。     

基于混沌理论和改进极限学习机的船舶升沉预报（英文）

船舶升沉运动预报是主动升沉补偿系统中的重要组成部分。为了满足船舶升沉运动预测的实时性和准确性要求,本文提出了一种混沌理论与增强搜索极限学习机相结合的混合方法(CES-ELM)。在混沌动力系统相空间重构的基础上,采用基于误差最小化的方法生成ELM隐藏节点并不断更新权值;利用优化后的模型参数建立船舶运动预测模型。不同海况下的仿真结果表明,该方法的预测平均绝对百分误差小于10%,与传统的ELM和LSSVM模型相比,该模型能有效提高预测精度和鲁棒性。