基于支持向量机的船舶航向广义预测控制

船舶的动态性能具有大惯性、大时滞、非线性等特点,经采用基于结构风险最小化原则的神经网络--支持向量机,能充分发挥其可以任意逼近非线性模型的良好特性来对船舶进行辨识,并以此作为广义预测控制算法中的预测模型,加以相应的预测控制算法达到航向保持的目的.仿真结果表明:支持向量机学习速度快,在小样本情况下具有良好的非线性建模和泛化能力;基于支持向量机的广义预测控制算法具有很好的控制性能.     

基于支持向量机模型的船舶航行广义预测控制

船舶操纵一直是船舶运动控制的研究重点,它与航行安全、能源节约和操作省力密切相关。模型是研究船舶运动控制的基础,本文鉴于船舶的动态具有大惯性、大时滞、非线性等特点,采用了基于结构风险最小化原则的神经网络———支持向量机对船舶进行建模,在建模中充分发挥支持向量机可以任意逼近非线性模型的良好特性,解决对船舶航向预测的问题。进而通过建立预测模型,并结合广义预测控制的算法达到航向保持的目的,且具有较好的稳定性和鲁棒性。     

基于AFSA优化的支持向量机柴油机性能预测模型

电控高压共轨技术的采用使得船用柴油机性能及排放具有了更大的优化空间，但同时柴油机控制参数增多使得柴油机性能的预测变得更为复杂。为了建立精确的柴油机性能预测模型，利用回归支持向量机，通过对实验数据的学习以获得预测模型。支持向量机的预测精度会因其参数的选择出现一定的差异，所以需要对支持向量机参数选择进行研究和优化。以某型船用高速大功率电控高压共轨柴油机为研究对象，建立支持向量机预测模型，分析其预测性能受参数选择的影响，并利用人工鱼群算法对其进行优化。结果表明，基于人工鱼群算法优化的回归支持向量机能够建立精度较高的柴油机性能预测模型，且人工鱼群算法具有很好的寻优性能。     

基于SVM的雷达目标一维距离像识别

基于支持向量机的雷达目标一维距离像识别研究。一维距离像揭示了目标径向结构的分布特性。支持向量机基于经验风险最小化原理,适用于小样本学习问题。通过对三种目标分类进行仿真实验,结果表明：该分类方法具有较高的识别性能。     

支持向量机回归方法在船型要素建模中的应用

支持向量机是基于统计学习理论框架下的一种新的通用机器学习方法，是一种处理非线性分类和非线性回归的有效方法。采用支持向量机回归算法对船型主要要素进行建模，并与常规的回归建模方法进行比较。同时应用实例进行论证，估算结果证明了这种支持向量机回归算法在船型要素建模预测中的有效性和实用性。     

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.     

加权支持向量回归算法在运力预测中的应用

支持向量机(Support Vector Machines,SVM)是基于统计学习理论框架下的一种新的通用机器学习方法,是一种处理非线性分类和非线性回归的有效方法。由于具有完备的理论基础和出色的学习性能,该技术已成为当前国际机器学习界的研究热点,能较好地解决小样本、高维数、非线性和局部极小点等实际问题。近来,SVR方法被引入求解回归和预测问题,并在各领域中得到广泛的应用。本文在分析现有基于高斯核的支持向量回归方法优缺点的基础上,突破目前在构造支持向量机中存在的"所有支持向量与样本之间的在特征空间中的内积所对应的核函数参数一定要相等"的这一思维定势,提出了一种新的算法——"基于高斯核参数加权的支持向量回归机"算法,并将该算法应用在世界散货船队运力预测中。估算结果证明了这种改进的支持向量回归算法在船队运力预测中的有效性和实用性。     

基于支持向量机回归方法的舰船修理价格预测研究

对常规预测方法和支持向量机回归模型用于舰船修理价格预测进行比较，着重分析应用支持向量机进行舰船修理价格预测的具体形式以及方法特点，并给出应用实例，结果令人满意。     

基于单参数的Lagrangian支持向量回归算法及其应用

支持向量机（Support Vector　Machines，SVM）是基于统计学习理论框架下的一种处理非线性分类和非线性回归的有效方法。由于具有完备的理论基础和出色的学习性能，该方法已成为当前国际机器学习界的研究热点，能较好地对解决小样本、高维数、非线性和局部极小点等实际问题。提出了一种基于单参数的Lagrangian支持向量回归算法，并将该算法应用在外贸货物吞吐量预测中。估算结果证明了这种改进的支持向量回归算法在吞吐量预测中的有效性和实用性。     

基于支持向量机的船舶航向广义预测控制研究

船舶的动态性能具有大惯性、大时滞、非线性等特点,采用基于结构风险最小化原则的神经网络———支持向量机(SVM),充分发挥其可以任意逼近非线性模型的良好特性对船舶模型进行有效辨识,以此作为广义预测控制(GPC)算法中的预测模型,并加以相应的GPC算法达到保持航向的目的。仿真结果表明:SVM学习速度快,在小样本情况下具有良好的非线性建模和泛化能力;基于SVM的GPC算法在航向保持方面具有很好的控制性能。     

基于支持向量回归的均匀阵波束形成框架体系研究(英文)

An approach was proposed for optimizing beamforming that was based on Support Vector Regression (SVR). After studying the mathematical principal of the SVR algorithm and its primal cost function, the modified cost function was first applied to uniform array beamforming, and then the corresponding parameters of the beamforming were optimized. The framework of SVR uniform array beamforming was then established. Simulation results show that SVR beamforming can not only approximate the performance of conventional beamforming in the area without noise and with small data sets, but also improve the generalization ability and reduce the computation burden. Also, the side lobe level of both linear and circular arrays by the SVR algorithm is improved sharply through comparison with the conventional one. SVR beamforming is superior to the conventional method in both linear and circular arrays, under single source or double non-coherent sources.     

应用支持向量机的船舶操纵运动响应模型辨识

建模是评估船舶操纵性和可控性的重要前提.基于自由自航船模试验的系统辨识方法是求取船舶操纵运动数学模型中的水动力系数的有效手段之一.文中提出了一种使用支持向量回归估计的船舶操纵运动响应模型辨识方法,该方法通过训练自由自航试验数据样本得到参数回归模型.辨识和仿真结果验证了文中所提出的方法的有效性.     

一种新的支持向量回归算法及其在集装箱吞吐量预测中的应用

支持向量机是基于统计学习理论框架下的一种新的通用机器学习方法,是一种处理非线性分类和非线性回归的有效方法。由于具有完备的理论基础和出色的学习性能,该技术已成为当前国际机器学习界的研究热点,能较好地对应解决小样本、高维数、非线性和局部极小点等实际问题。近来,SVR方法被引入求解回归和预测问题,并在各领域中得到广泛的应用。文章提出了一种新的基于单参数的Lagrangian支持向量回归算法,并将该算法应用在集装箱吞吐量预测中。估算结果证明了这种改进的支持向量回归算法在集装箱吞吐量预测中的有效性和实用性。     

基于支持向量机的船舶操纵运动在线建模

支持向量机算法以结构风险最小化为准则,具有良好的泛化性,是一种先进的人工智能算法。文章根据最小二乘支持向量机对其增量式算法进行推导,并应用该算法对船舶操纵运动进行在线建模。通过仿真试验对粘性力和舵力水动力导数进行在线辨识,通过自航模试验对操纵性K、T指数进行在线辨识,并利用K、T指数对自航模的转首角速度进行了预报,所得结果都同试验值非常接近,证明了增量式最小二乘支持向量机应用于船舶操纵运动在线建模的有效性。     

加权支持向量回归算法在船舶智能建模中的应用

在分析现有基于高斯核的支持向量回归方法优缺点的基础上,将高斯核参数加权与支持向量回归算法相结合,实现了一种"基于高斯核参数加权的支持向量回归算法".在该新算法中引入一种带权重因子的核函数,其中权重因子由输入向量来确定,同时将该算法应用在散货船舶主尺度要素智能化建模中并与常规算法进行了比较.试验结果表明了这种改进的支持向...     

船体曲线曲面的B样条光顺

根据给定的船体型值点，以三次非均匀B样条为光顺函数，采用整体光顺方法，以应变能最小、曲率变化均匀为准则，以控制点为未知量，建立最优化问题的约束方程并求解，实现船体曲线的光顺。根据曲线的相对曲率线图，将优化后的光顺B样条船体曲线与插值B样条曲线、传统最小二乘法逼近曲线进行了比较。构[循规蹈矩本曲面，以UV方向上的单参数曲线族或站线、水线、纵剖线方向的截面曲线族为研究对象，以曲线族的应变能之和最小为准则，进行光顺处理，最后，以NURBS为统一数学表达式，根据光顺后得到的控制点网络，应用双三次非均匀有理B样条得到光顺的船体曲面。     

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。     

Derivation of wave spectrum using data driven methods

The current techniques of derivation of a wave spectrum from given values of design wave parameters, like significant wave height and average wave period, are fraught with considerable uncertainties. This leaves scope for alternative approaches. The reported work proposes potential applications of two recent data driven methods, namely support vector regression (SVR) and model tree (MT), to obtain the wave spectra. In the present study the above tools were used to estimate wave spectra at two locations: no. 44008 maintained by National Data Buoy Centre (NDBC) in the Gulf of Maine, USA and ‘DS5’ monitored by National Institute of Ocean Technology (NIOT) in Bay of Bengal, India. The choice of these two locations facilitated the comparison of model performances in different geographical areas. The SVR and MT models were developed in order to estimate the wave surface spectral density over a wide range of wave frequencies out of average wave parameters of significant wave height and average zero-cross wave period. The models were trained and tested using randomly selected sea states. Both MT and SVR were able to derive the spectral shapes satisfactorily as reflected in high values of the correlation coefficients and low values of root mean square error and mean square error.