基于VMD-SSA-GRU的船舶运动姿态预测

船舶运动姿态的准确预测对船舶的运动补偿意义重大,因此提出一种基于变分模态分解（VMD）和麻雀搜索算法（SSA）优化门控循环单元（GRU）的船舶运动姿态预测模型。首先利用VMD将船舶运动姿态数据分解为若干个本征模态分量,然后对各个本征模态分量分别建立SSA-GRU预测模型进行预测,最后累加得到预测结果。通过实船模拟的船舶运动姿态数据进行验证,证明此预测模型较于SSA-GRU和GRU预测模型预测精度均有相应提升,验证了本预测模型在船舶运动姿态数据预测的有效性。     

基于VDM与APSO优化极限学习机的船舶运动姿态预报

为提高船舶在海上运动的耐波性与适航性,并为解决具有非线性、随机性和非平稳性特点的船舶运动姿态难以准确预测的问题,提出运用一种基于变分模态分解和自适应粒子群算法优化极限学习机的组合预测模型。该算法首先利用变分模态分解将船舶运动姿态序列分解为一系列限带内本征模态函数,并且变分模态分解可以避免经验模态分解技术所产生的模态混叠和端点效应,可以降低序列的非平稳性对预测精度的影响;然后对各模态分量分别建立极限学习机预测模型,并用改进的粒子群算法对极限学习机的初始权值和阈值进行优化;最后将各模态分量预测结果进行叠加,得到最终的船舶运动姿态预测值。通过模拟试验测试并与其他传统的预测方法进行比较,结果表明所建立的组合预测模型具有更高的预测精度。     

改进二阶灰色极限学习机在船舶运动预报中的应用

为提高船舶运动预报的精度,基于海上船舶运动姿态具有灰色特性和周期性振荡特性的特点,提出一种以误差平方和最小为准则的改进二阶灰色极限学习机组合预测模型,对船舶运动姿态进行预报。该方法利用五点三次平滑算法对船舶运动姿态序列进行平滑降噪,采用余弦函数变换构建GM(2,1)预测模型;利用自适应粒子群算法(Adaptive Particle Swarm Optimization,APSO)优化极限学习机权值和阈值参数,对不同模型预测结果进行加权求和,构建改进二阶灰色极限学习机组合预测模型。对2组船模水池试验纵摇时历进行预报,并将其与其他传统的预测方法相比较,结果表明,建立的组合预测模型具有更好的预测精度和泛化能力。     

基于LSTM的舰船运动姿态短期预测

舰船的六自由度运动状态形成复杂的非线性过程,运动姿态会受到耦合作用、不定周期、噪声信号以及混沌特性等因素的干扰,因此很难得到精确的预测结果。为了提升舰船运动姿态的预测精度,利用舰船时间序列的特点,建立了基于长短期记忆单元(LSTM)模型,对其进行了舰船姿态预测仿真,将结果与时间序列分析法的结果进行对比。实例分析表明:基于LSTM模型的预测方法具有精确度高、易实现的特点。这为舰船运动短期预测提供了一个新的思路和方法。     

基于LSTM的舰船运动姿态短期预测

舰船的六自由度运动状态形成复杂的非线性过程,运动姿态会受到耦合作用、不定周期、噪声信号以及混沌特性等因素的干扰,因此很难得到精确的预测结果.为了提升舰船运动姿态的预测精度,利用舰船时间序列的特点,建立了基于长短期记忆单元(LSTM)模型,对其进行了舰船姿态预测仿真,将结果与时间序列分析法的结果进行对比.实例分析表明:基于LSTM模型的预测方法具有精确度高、易实现的特点.这为舰船运动短期预测提供了一个新的思路和方法.     

云计算平台下舰船航行应急响应资源需求预测分析

针对传统的应急资源需求预测分析模型易受干扰而导致的预测误差较大的问题,研究云计算平台下舰船航行应急响应资源需求预测分析模型。使用聚类算法对舰船航行应急资源需求评估,利用小波神经网络构建需求预测模型。在云计算平台中,对构建的资源预测模型参数求解,完成云计算平台下舰船航行应急响应资源需求预测分析模型的构建。设计与传统基于案例推理的资源需求预测模型的对比实验,通过实验证明构建的云计算平台下的预测模型预测误差更小,性能更佳。     

基于支持向量机的舰船维修费用组合预测研究

在费用预测中,利用单一模型往往存在着信息不足的缺陷。为了提高舰船维修费用的预测精度和稳定性,采用支持向量机（SVM）回归算法,把几种单一预测模型结果作为输入,实际值作为输出,然后用足够多的预测案例训练学习机器,在各组合的模型预测结果与实际之间得到一种非线性映射关系,从而建立了非线性组合预测模型。最后,以某型舰船维修费用为例,对指数平滑法、灰色预测和参数法3种方法的预测结果进行仿真,结果表明此法较传统的单一模型预测法具有更高的预测精度。     

耦合作用下舰船运动姿态短期预测数学模型及仿真分析

舰船运动姿态短期预测很容易受到耦合作用以及周围环境因素的影响,导致预测结果的延时较高。对此设计了舰船运动姿态短期预测模型并进行仿真分析,利用船舶航行时间数据序列规律,建立当前船舶数据时序回归分析方程,计算当前船舶时间序列数据阶数以及对应系数,完成时间序列统计,以调度神经网络结构作为序列数据计算逻辑,以输入门、输出门和遗忘门作为增值单元,构造预测模型记忆区结构,将时间序列数据作为输入门的输入项,通过神经网络隐层,输出初始预测结果,再通过控制函数,缩小预测结果控制权值,完成船舶运动姿态最终预测。仿真分析数据表明,与传统预测方法相比,应用该设计模型,对舰船正向横倾姿态仿真预测的延时降低27%,反向横倾姿态仿真预测延时降低了19%,可以有效降低预测延时。     

基于前端开发框架的舰船运动姿态数据监测系统

利用运动姿态监测结果为舰船可靠航行提供决策依据。为此,设计了基于前端开发框架的舰船运动姿态数据监测系统。系统设施层中,利用MEMS陀螺仪芯片与3轴MEMS加速度计采集舰船运动姿态信息,并将所采集信息传送至业务逻辑层;业务逻辑层利用控制子层和管理子层为用户提供姿态数据监测服务;控制子层中的姿态解算模块,依据传感器信息采集结果,利用卡尔曼滤波算法解算舰船运动姿态信息。基于此,利用Bootstrap的前端开发框架,通过viewport元数据标签完成前端UI设计,为用户提供可视化的人机交互界面,将姿态解算结果利用用户界面层为用户展示。测试结果表明,该系统对舰船航行运动姿态的监测结果与实际结果极为接近,适用于实际工作。     

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.