船舶下沉量的实测研究

大型船舶进出港的关键之一是富余水深的控制, 确定富余水深的最重要的问题是确定船舶航行时的下沉量(Squat)。提出了一种测量船舶下沉量的实测方法, 可以精确测量船舶实际下沉量, 找出船舶下沉量和船速之间的关系, 为精确确定大型船舶富余水深的标准, 最大限度地提高港口水深的利用率提供保证。对测量原理、传感器的选择、系统的集成及数据处理方法作出了详细的阐述。该测试方法已在多次实船测试中应用, 测量结果表明, 该方法正确、可靠、精确, 测量结果对指导港口船舶控制具有实际意义     

南槽航道航船下沉量数学模型研究

文章深入剖析了长江口南槽航道的通航环境,研究分析了该航道航船下沉量的数学模型,实证表明,该模型算法取值安全,符合航道实际,对南槽航道航船富裕水深确定以及避免搁浅事故发生具有指导意义,同时也为航道监管部门合理利用航道资源提供参考。     

基于BP神经网络的浙江省公路运输量的预测

本文在对浙江省公路运输量时序分析的基础上利用BP神经网络进行预测，得到了精确度很高的预测结果，改变了过去一直使用灰色预测、回归预测、指数平滑法等方法的局面，为浙江省公路运输量的预测提供了新方法。     

公路隧道拱顶下沉量测技术探讨

隧道的监控量测对于隧道的施工安全、指导施工都有重要意义,而拱顶下沉量测又是隧道现场监控量测的必测项目,介绍了拱顶下沉量测的主要方法、量测要求以及量测后的数据处理。     

基于遗传算法(GA)优化BP神经网络的船舶交通流量预测

为了提高船舶交通流量的预测精度,在BP神经网络的基础上,结合遗传算法(GA)建立一个新的预测模型.该模型利用GA自适应搜索能力和较快的收敛速度,进而确定BP神经网络中的最优权值和阈值.以青岛港2011—2019年船舶交通流量统计数据为例,进行仿真实例验证.结果表明,与传统的BP神经网络相比,该模型能显著地提高船舶交通流量的预测精度,用于预测船舶交通流量具有一定可行性.     

基于BP神经网络下的隧道涌水量预测

一直以来隧道涌水都是隧道施工过程中的重大难题,涌水可能会导致隧道延误工期,造成巨大的财产损失,甚至还可能引发隧道塌方,导致人员伤亡,施工机械损坏。以富家山隧道为依托工程,通过收集施工过程中发生涌水时的一些数据,运用BP神经网络对隧道的涌水量进行预测。     

基于BP神经网络的集装箱船舶配载问题研究

针对集装箱船舶对配载的快速性、高效性需求,根据BP神经网络对历史数据的分析,结合集装箱船舶的特性深入研究集装箱智能配载方案.基于集装箱船配载图和各卸货港信息等历史数据,通过BP神经网络对历史数据进行训练优化,挖掘其中规律,从而快速生成对各类集装箱合适的配载位置,优化装船作业,提高集装箱船舶配载效率,达到节约成本的效果.最后采用实船数据进行测试,仿真结果与实际配载结果差异率不大,说明该研究方向对于集装箱配载方案优化是有效的.     

基于BP神经网络公路交通噪声的预测

由有限的公路交通噪声实测数据类比估算其它环境敏感点噪声值是公路建设项目环保验收和环境后评价的重要基础工作之一,为探讨科学有效的类比方法,根据人工神经网络理论,针对高速公路交通噪声预测的特点,提出了基于大、中、小车交通量、预测点距离及道路结构5个参数的高速公路交通噪声预测BP神经网络模型。通过对BP模型预测结果与实测值和FHWA模型预测值的比较表明:在某一特定公路环境下,由有限噪声实测数据预测其它环境敏感点的噪声值,BP神经网络不失为一种简便而有效的方法,且可得到比用FHWA模型预测更为精确的结果。     

基于BP神经网络的仓储烟草霉变预测

烟草霉变预测尚没有有效的方法。为实时预测仓储烟草的霉变程度,选取仓储环境的温湿度和烟草的自身含水量参数作为神经网络的输入层,烟草霉变度作为输出层,建立BP神经网络烟草霉变预测模型。选取78组实测数据作为训练样本对预测模型进行训练,得出了神经网络的阈值和权值。利用14组预测样本针对该预测模型进行了仿真,并进行了线性回归分析。结果表明,建立的烟草霉变预测模型具有较高的预测精度,预测值和实际值的偏差在[-0.028,0.033]之间,相对误差绝对值的平均值为0.0019。最后,在基于嵌入式ARM+Linux+Web的某公司烟草仓库智能监测系统中,实现了烟草霉变实时预测功能,取得了较好的效果。     

煤系地层隧道整体下沉的监控量测

通过具体实例判断隧道在煤系地层中存在整体下沉现象。具体监控量测方法是在隧底和拱顶布点,观察二者的下沉量是否同步,据此可以判断煤系地层中隧道是否存在整体下沉,随后的施工实践验证了量测结果及由此推断出的结论的正确性。为煤系地层隧道施工提供了一个新的施工监测方法。     

基于内在因素提取的内河航运量神经网络预测方法

内河航运量预测是内河航道网规划的依据,利用主成分分析法提取影响内河航运量的内在因素,利用内在影响因素与内河航运量之间的联系,结合BP神经网络建立模型对内河航运量进行预测。算例表明,该模型可以提高预测精度。     

基于BP神经网络的城市轨道交通客流预测

本文首先根据北京城市轨道交通网络的特点,以静态非平衡分配模型中的最短路径分配为理论基础,实现历史客流在断面上的分配,得到具有参考价值的断面客流。然后通过大量BP神经网络建模试验,对北京城市轨道交通客流预测问题,建立了合理的预测模型。最后利用BP神经网络模型对13号线西直门站至2号线西直门站的换乘断面客流进行预测,并与最小二乘拟合结果进行对比分析,得出合理的客流预测结果。     

基于改进 BP 神经网络的铁路货运量预测

在分析铁路货运量预测方法的基础上,针对标准BP神经网络的不足,提出改进的BP神经网络预测模型。首先,利用动态陡度因子来改变激励函数的陡峭程度,以此来得到更好的激励函数响应特征以及更好的非线性表达能力;其次,利用附加动量因子,通过对以前经验的积累,既降低了神经网络对误差曲面的局部细节敏感特性,又较好的遏制了神经网络易于限于局部最小的缺陷;最后,采取改变学习率的方法,给定一个较大的学习率初始值,在学习的过程中学习率不断减小,网络最终趋于稳定。改进BP算法既可以得到更优的解,还能够缩短训练时间。利用全国铁路货运量的相关数据对改进BP神经网络进行了验证。验证的结果表明,改进的BP神经网络预测模型在相对误差和迭代次数上有较大改善,对铁路的货运量预测很有效。     

基于BP神经网络的CBR预测方法研究

CBR值是表征路基填料强度的重要指标,其值测量的精确性和快速性,对于准确判断路基质量的好坏具有重要意义。现行土基现场CBR值试验存在离散性大,操作繁琐,耗时长等缺点,亟需寻找更加精确快捷的路基CBR值快速确定方法。BP神经网络可描述多个影响因素的内在非线性规律,可充分模拟CBR值受多因素交互作用的影响。因此,以Matlab为平台建立预测模型,探讨并研究BP神经网络模型下路基CBR值的快速预测方法 。     

基于BP神经网络的船舶旋回运动仿真研究

为更准确地掌握船舶操纵性能,并为船舶初始设计和安全操纵提供参考,结合船舶旋回运动特点,采用BP神经网络方法建立了一个以船舶旋回运动中的横距、纵距为输出的预测模型.以12艘实船运动数据为训练样本对构建的神经网络模型进行训练,训练完成后,以另外2艘实船数据为测试样本进行预测,并将预测结果与实船结果进行对比和误差分析,结果验证了所构建的模型具有较强的泛化适用能力及较好的精确度,表明模型可成功地实现船舶旋回运动的仿真预测.     

基于BP神经网络的南宁市公路货运量预测

为提高公路货运量预测的准确性,依据南宁市历史年份的公路货运量数据建立公路货运量的BP神经网络预测模型。将模型在MATLAB软件环境下进行编码并运算,通过对数据的反复训练和学习最终得到预测值。经过实例分析证明基于BP神经网络的货运量预测模型的有效性。为证明不同方法间的差异性,利用趋势外推法、三次指数平滑法、灰色预测法以及指数回归法对南宁市公路货运量进行了预测。通过对比分析,得到不同方法的相对误差。可以看出,基于BP神经网络的货运量预测模型较传统预测方法有较大的优越性,BP神经网络模型能够揭示货运量的非线性变化关系,准确地拟合原始数据。     

基于BP神经网络的厦门港集装箱吞吐量预测研究

厦门港是我国东南沿海的集装运输基本港口.集装箱吞吐量的预测是港口制定发展规划的重要依据.在研究了常用的输入数据归一化方法之后,提出了新的归一化方法.该方法能加快BP神经网络的训练速度并提高精度.运用BP神经网络建立了厦门港集装箱吞吐量预测模型,并计算出2020至2024的集装箱吞吐量预测值.无论从拟合值,还是预测值检验来看,该方法都具有很高精度.     

船舶阻力计算BP神经网络的研究

建立了基于系列60船模原始实验数据的船舶阻力计算3层BP神经网络系统,利用随机选取的检验样本和插值样本作为输入向量,应用输出与目标的线性回归、相关系数和相对误差,以及利用该神经网络绘制的曲线,验证了该神经网络的可靠性．在该神经网络的建立过程中,对训练函数、性能函数、传递函数、隐层神经元数和神经网络绘制的性能曲线进行了实验,并通过数据预处理方式,确定了最佳的船舶阻力计算3层BP神经网络系统．     

基于分段学习的BP神经网络的交通流量预测

智能交通系统是目前世界上公认的解决城市交通拥堵问题的最佳方案,实时、准确的交通流量预测是智能交通系统实现的关键技术之一。本文采用改进型BP神经网络建立起交通流的时间序列模型,该模型可用于短期内道路交通流量的预测。