基于BFGS法的BP神经网络算法研究

在把ＢＦＧＳ法运用于ＢＰ神经网络权的训练中,通过基于不同算法的神经网络对实际问题进行了学习,并根据学后获取的非线性机理结合预测的实例进行对比分析,表明基于ＢＦＧＳ法的ＢＰ神经网络算法对加快网络训练速度,提高网络预测的能力方面是有效的。     

基于BP神经网络的水上交通事故预测研究

本文分析了影响宏观水上交通事故的因素,论述了基于BP神经网络的水上交通事故预测模型的建模过程。通过实例分析,该模型作为水上交通事故预测是可行的。     

基于BP神经网络的武汉港货物吞吐量预测

港口吞吐量是港口设施和经营管理水平的综合性反映。本文从BP神经网络原理入手,构建影响港口货物吞吐量的因素与货物吞吐量间的预测模型,并对武汉港货物吞吐量进行了预测,得到了较好的预测结果。     

基于BP神经网络的船舶交通流量预测研究

在分析船舶交通流量特性的基础上,以船舶交通流量控制为最终目标,建立基于BP神经网络的船舶交通流量预测模型,以长江口深水航道的交通流量数据作为训练样本,进行模拟分析。预测结果与实测加权数据进行对比表明,该模型对船舶交通量的预测是有效的。     

基于神经网络的舰船机舱火灾温度快速预测

为了更快、高精度的对舰船机舱火灾温度进行建模和预测,提出基于神经网络的舰船机舱火灾温度快速预测方法。首先分析当前舰船机舱火灾温度的研究进展,指出当前舰船机舱火灾温度预测方法的局限性,然后收集舰船机舱火灾温度的历史数据,通过神经网络对历史数据进行学习和分析,挖掘舰船机舱火灾温度变化特点,建立舰船机舱火灾温度预测模型,并对神经网络参数优化问题进行解决,最后与其他舰船机舱火灾温度方法进行对比实验。结果表明,神经网络的舰船机舱火灾温度预测精度超过90%,远远高于其他舰船机舱火灾温度方法的预测精度,同时减少舰船机舱火灾温度预测建模时间,能够快速对舰船机舱火灾温度进行预测。     

基于PLC的船舱内温度自动控制方法研究

为了提高对船舱内温度的自动调节能力,进行自动控制系统优化,设计一种基于PLC的船舱内温度自动控制系统。控制设计包括控制算法改进设计和控制系统的硬件模块设计两大部分,首先进行自动控制系统的总体设计,然后采用模糊PID控制方法进行船舱内温度自动控制算法优化,最后采用嵌入式技术对控制算法进行程序加载,采用PLC逻辑可编程芯片进行控制系统集成设计。系统仿真结果表明,采用该控制方法进行船舱内温度自动控制调节,控制误差较低,收敛性较好,满足设计要求。     

基于功效系数法与BP神经网络的造船业风险预警研究

将功效系数法和BP神经网络相结合,从汇率、利率、出口退税、钢材综合价格指数、行业平均工人工资、设备价格、新船价格指数、BDI指数(八个对造船业影响最大的指标)来综合衡量中国造船业的风险;运用功效系数法得出历史数据的警情,用历史数据训练BP神经网络预警模型;通过一组数据进行检验,并对2011年前的造船业风险进行了预警.研究表明:该方法能够对造船业风险进行测评并预报警情,对防范我国造船业风险具有一定的现实指导意义.     

船舱热温度感应系统设计与实现

为了提高船舱热温度实时采集和感应的稳定性和可靠性,提出一种基于51单片机的船舱热温度感应系统的设计方法,系统功能模块组成包括了船舱热温度采集模块、传感器模块、AD电路模块、复位电路和温度过热的中断保护模块等,采用PCI桥接芯片与51单片机进行总线传输控制,结合上位机通信模块进行船舱热温度感应后的智能分析和远传控制,采用嵌入式ARM进行系统的程序加载控制设计,提高温度感应过程中的抗干扰能力,在集成DSP环境下完成系统硬件开发设计。仿真结果表明,设计的船舱热温度感应系统具有很好的温度采集和传输控制能力。     

基于BP神经网络的干散货航运市场运价预警

为分析预测干散货航运市场运价波动的警情,采用BP神经网络的学习算法,建立干散货航运市场运价预警模型。选择干散货船队运力供给、干散货船队运力需求、OECD工业生产指数、原油价格和FFA合约价等5项指标作为警兆指标,运用因子分析法并结合航运专家知识经验,确定干散货航运市场运价的实际警情。通过编制MATLAB软件程序,对实例样本进行训练和检测,表明此方法对干散货航运市场运价预警有很好的适用性。     

BP神经网络在深基坑位移预测中的应用

深基坑位移预测成了岩土工作者的一个关注点,文中对近些年BP神经网络在深基坑工程位移预测中的研究应用进行了总结分析,对后续的研究起到了积极的推动作用。     

一种基于BP神经网络的潜艇自动舵探讨

针对潜艇自动舵的控制特点和要求,利用BP神经网络的学习和逼近功能,设计了潜艇自动舵的多输入、多输出自动舵控制模型,并对其训练后加入到潜艇运动模型中进行了仿真测试。仿真结果表明,该控制器具有理想的控制效果。     

基于BP神经网络的接触电阻测量与分等定级

提出了接触电阻的软测量方法,使用红外热像仪测量表面温升,采用有限元方法计算准备训练样本,使用BP神经网络建立起接触电阻与表面温升之间的非线性映射关系,以汇流条接触电阻测量为实例,其他电气设备接触电阻的测量也可类似进行,为提高工程应用的可操作性,将接触电阻分为表征接触程度好坏的I-V级,用模式分类方法对测得的接触电阻进行分类,实现了接触电阻的定量评价和分等定级。     

长江危险品船舶交通事故应急资源优化配置研究

针对长江危险品船舶交通事故应急资源配置中存在的问题和自身特点,从应急系统中应急资源的投入产出的整体相对效率考虑,运用数据包络分析(DEA)对长江危险品交通事故应急资源配置效率进行评价,在此基础上,用神经网络对评价所得数据进行训练,并对生成方案的效果进行预测,从而获得全局最优的危险品交通事故应急资源优化配置方案,为目前长江危险品船舶交通事故应急资源的科学配置提供了重要的参考依据。     

基于多神经网络分类器的目标识别

舰船目标自动识别通常需考虑多个特征,而复杂的特征往往需要适合的分类器与之相适应。本文借助已有的一种可组合多种特征和多种分类器的通用分类器,验证其在舰船识别中的有效性。该通用分类器将多分类问题转化为多个二分类问题,利用多个二分类器对舰船各特征进行独立识别,最后根据投票规则决定目标识别结果。本文以二分类BP网络作为多神经网络分类器的基分类器,对航空母舰、驱逐舰、护卫舰、客船、集装箱、民用货船6种船只类型进行了识别。识别结果表明,由多个二分类BP网组成的多神经网络分类器平均分类精度为89%,该通用分类器在实践中有效。     

基于BP神经网络的舰艇战损装备抢修排序

针对现代海战中影响舰艇战损装备抢修排序的因素不断增多,作战环境更加复杂,单一指标已不能满足抢修决策的需求,为了提高舰艇指挥员战时抢修决策的准确性和合理性,本文采用BP神经网络对舰艇战损装备抢修排序进行决策,建立了BP神经网络模型,最后通过实例进行网络训练,结果表明该方法具有较高的准确性和可行性。     

基于BP人工神经网络和遗传算法的船舶螺旋桨优化设计

在原有图谱设计方法的基础上,采用BP(Back-Propagation)人工神经网络模型和遗传算法GA(GeneticAlgorithm),建立了一种船舶螺旋桨优化设计方法。BP人工神经网络模型通过训练可以具备强大的非线性映射能力,以数学解析的形式,较好地提取了海量螺旋桨水动力性能数据特征;GA不依赖于问题的具体领域,对问题的种类有很强的鲁棒性,为计算机辅助船舶螺旋桨优化设计提供了一种通用的多参数优化框架。针对三体消波艇半浸式螺旋桨和沿海巡逻艇螺旋桨的设计实例表明,该方法能快速可靠地搜索到最优解,不仅具有足够的工程精度,而且实用方便,适用性强。     

基于BP神经网络模型下的桩群阻力预测

在30m长、3m宽、0.26m深的循环水槽中,应用阻力相似理论进行物理模型桩群模拟,以试验中的实测桩群阻力数值作为期望值,建立基于BP神经网络的桩群阻力预测模型。应用该模型进行桩群阻力预测,通过对比实测数据,发现预测值相对误差很小,预测结果合理可信。由此可以认为,以物理模型试验数据为基础,依托神经网络进行桩群阻力预测的方法值得推广和探讨。     

金属疲劳裂纹扩展速率的贝叶斯正则化BP神经网络预测

人工神经网络是进行预报裂纹扩展率的一个重要方法。文章针对不同金属的疲劳裂纹扩展速率分别建立贝叶斯正则化BP(Back Propagation)神经网络,将各材料在不同应力比R下的疲劳裂纹扩展速率试验数据分为两部分,一部分用来进行训练网络,另一部分用来测试训练好的网络,检验其泛化能力。将从文献中获取的4种不同金属材料的疲劳试验数据作为算例,来检验网络的性能。计算结果表明贝叶斯正则化BP神经网络不仅对训练样本有很好的拟合能力,而且对于未训练过的测试样本也有较好的预测能力,即有较强的泛化能力。同时,指出了建立网络时减少门槛值附近的试验样本点,可以提高网络的预测能力。研究结果表明,该方法可以方便地获得不同应力比R下的疲劳裂纹扩展速率,从而达到减少试验次数,充分利用已有数据的目的。并且可以进一步应用于其他金属的疲劳裂纹扩展速率的预报。     

基于L-M贝叶斯正则化方法的BP神经网络在潜艇声纳部位自噪声预报中的应用

基于L-M贝叶斯正则化方法使BP神经网络在推广能力、收敛速度和逼近精度上能够获得很大的提高.文中将BP神经网络和L-M贝叶斯正则化算法相结合用于潜艇声纳部位自噪声预报.分析了影响声纳部位自噪声的各种参数.利用潜艇声纳实测数据进行网络训练,训练好的神经网络可以对潜艇声纳部位自噪声进行精确预报.     

基于BP神经网络的图像识别跟踪技术

本文利用BP神经网络抗干扰性强,识别精准等优点对船舶进行识别跟踪。首先获取原始图像,然后预处理,以图像的全部灰度值为训练样本,以新不变矩特征向量为样本集输入到3层BP神经网络中,对含不同噪声均值的图像进行识别。实验结果表明,以新不变矩特征向量作为样本集时抗噪能力强,识别率高。最后以新不变矩特征向量作为样本集进行目标跟踪得到跟踪误差。