粗糙集-BP神经网络组合在PSC选船模型中的应用

本文以欧盟最新港口国监督法令(2009/16/EC)巴黎备忘录目标船选船机制(NIR)为研究对象,提出基于粗糙集和BP神经网络组合算法的PSC的新选船模型。研究结果表明:该算法有效结合粗糙集理论与BP神经网络的优点,属性约简科学合理,避免选择评价因素的主观影响,简化了网络结构。     

建立我国船舶现场检查选船机制的研究

文中以海事发达国家选船机制的发展趋势为切入点,结合国内船舶现场检查的现状和存在问题,旨在探索建立一套全新的船舶现场检查选船机制。     

基于BP神经网络的二手船价格评估研究

二手船价格是买卖二手船决策过程中非常关键的因素。为了准确地估算二手船价格,利用BP神经网络的高度非线性运算能力以及通过学习样本数据即可对事物复杂内在规律进行精确计算的特点,将BP神经网络应用于二手船价格的估算。利用从克拉克松获取的2009年到2012年120个灵便型干散货船交易数据,建立了基于船龄、船舶载重吨(DWT)、新造船价格和一年期期租费率的BP神经网络模型,网络输出结果与二手船实际交易价格的相对误差率在10%以内。     

国内液货危险品船运输市场货主选船机制的构建

为探索构建多方联合的国内液货危险品船运输市场货主选船机制,保障沿海液货危险品船运输安全、促进其发展,在借鉴国内外大型石油集团货主选船标准体系相关经验的基础上,总结出国内外造船机制的5个特点并认为：选船机制的建立应由行业组织主导;当前不具备完全由货主主导建立选船机制的条件,建议构建多方联合的货主选船机制。     

港口国监控选船新模型研究

针对已有PSC选船模型采用层次分析法、模糊综合评价方法和BP神经网络等方法存在的诸如不能反映各风险因素之间相关性、专家主观因素带来偏差,样本需求量过大和收敛速度慢等问题,以2009/16/EC巴黎备忘录目标船选船机制NIR为研究对象,提出一种新的基于支持向量机理论的PSC选船模型,并选取巴黎备忘录“THETIS”检船数据库的部分船舶信息进行实证分析.结果表明,使用基于支持向量机理论的PSC选船模型测试的船舶样本结果与其公布的船舶实际情况一致,使用该算法可十分有效地在样本少且检查资源有限时对船舶进行快速分类,对PSC选船的实际操作具有实用价值.     

FSC检查中目标船的确认

在围绕目前国内FSC检查的现状及存在问题的基础上,针对船舶安全检查中重要的一环,即被检对象中目标船的确定方式进行探讨,并着重利用层次分析法及模糊综合评判方法,建立综合评判模型。     

主要港口国组织和国家PSC检查选船机制

PSC检查是远洋运输船舶管理者关注的主要问题之一。分析巴黎备忘录、东京备忘录和美国海岸警卫队选船机制,对船舶到达相关备忘录国家和美国港口如何确定是否进行PSC检查给出建议。     

基于BP神经网络的海上发射船耐波性优化研究

为了保证海上火箭发射的安全,应用BP神经网络对火箭发射船加以优化。按照海上发射在设备布局方面要求进行总布置设计,建立火箭-发射船刚性连接端的弯矩模型,以方形系数、船长和船宽为优化变量,通过BP神经网络模型对母型船进行优化设计,优化得到的船型弯矩比母型船减少了19.41%;对部分优异样本点进行再建模和数值仿真,仿真结果表明,BP神经网络模型的误差不到1%,验证了模型的准确性。该研究为海上发射船设计优化提供了一种研究思路,为海上火箭发射是否存在风险提供了一种预知方法。     

具有自动进化及优化功能的综合港口国监督选船模型

文中论述了目前中国海事局所遵循的东京备忘录港口国监督选船机制中存在的诸多不足之处,提出了结合正反馈限制广义相加模型的修正方法。该方法可以有效削弱选船机制中恶性＂马太效应＂,并根据数据的积累进行自我进化及优化。此外,作者还提出了将船舶事故因素纳入到选船机制的思路和具体工作流程,以及包含＂港口国监督检查指导建议＂的选船机制的思路和实现方式。     

基于深度卷积神经网络的船舶识别方法研究

为解决目前船舶识别率较低的问题,基于深度卷积神经网络算法,提出一种在深度卷积神经网络基础上的改进算法.利用卷积神经网络对船舶图片进行深度特征提取,结合HOG算法得到准确的边缘特征,结合HSV算法得到颜色特征,通过SVM分类器对船舶进行分类.算法主要包括2个阶段:训练阶段实现卷积神经网络的预训练,将得到特征归一化,PCA降维,通过HOG算法得到边缘特征,最后训练SVM分类器;测试阶段则对算法的准确性进行核实.实验结果表明,该方法平均识别正确率达到93.6％,可以很好地实现船舶识别.     

基于神经网络的船舶舵机控制系统设计

传统船舶舵机控制系统只适于控制对象是线性系统且时延和阶数等已知的情况,但在实际应用中,船舶舵机控制过程受船舶运行情况和航行环境的影响,属于随机过程.为此,设计一种新的基于神经网络的船舶舵机控制系统,依据功能要求设计船舶舵机的不同控制模型,再设计整体控制系统结构.通过设计4个不同层次的控制器结构,实现神经网络控制器的整体设计,利用神经网络算法对控制器中的参数进行学习和调整,神经网络控制器输出结果即为船舶舵机控制结果.实验结果表明,所设计系统控制效果好,不易受外界环境的干扰.     

基于模糊神经网络的船舶自动驾驶仪的研究

分析了常规船舶自动驾驶仪存在的缺陷,针对船舶操作这种非纷陛、时变参数的控制对象,提出了一种基于模糊神经网络和Bang-Bang控制相结合的控制系统,提高了模糊控制系统的精度,最后通过仿真将模糊型船舶自动驾驶仪与基于模糊神经网络船舶自动驾驶仪的性能作了比较,结果表明后者的方法控制性能良好.     

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。     

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。     

基于混沌理论与RBF神经网络的船舶运动极短期预报研究

文章基于混沌动力系统相空间重构理论,利用关联维数法和最大Lyapunov指数法,对船舶运动时间序列的混沌特性进行了判定。并利用RBF神经网络较强的非线性映射功能,结合相空间重构理论建立了船舶运动极短期直接多步预报模型。实例预报结果表明,所建立的预报模型应用于船舶运动极短期预报取得了令人满意的预报精度,预报时间可达10 s。     

混沌理论和神经网络相结合的舰船摇荡运动极短期预报

舰船摇荡运动具有混沌特性,因而可以应用混沌理论对其进行预报.介绍了混沌时间序列预测原理;建立了基于混沌理论相空间重构技术的RBF神经网络模型,并将其用于舰船摇荡运动预报;通过对某实船纵摇时历的预报计算,证明了采用混沌和神经网络相结合的预报方法,能有效提高预报精度和延长预报时长.     

BP神经网络在直流蒸汽发生器建模中的应用

针对直流蒸汽发生器数学模型建模难的问题,利用BP神经网络的全局逼近特性,对直流蒸汽发生器非线性特性进行了辨识与建模.该模型应用于核动力系统的仿真,能够快速得到直流蒸汽发生器相关参数数值.仿真结果表明,模型精度高,实用性强.该模型为直流蒸汽发生器给水控制系统的设计及仿真研究提供了有力的支持.     

动态模糊神经网络在船舶航向控制器上的应用

当船舶在海湾、海峡等狭窄海域行驶时,对于船舶航向控制器的可靠性和灵活性均有较高的要求,由于船舶模型的参数受到航速和载重量的影响,因而无法保证航向控制的精确性。本文提出一种船舶模型控制与动态神经网络相结合的方法,提高船舶航向控制器的控制精度和可靠性。设计一种零稳态误差控制器对船舶航向进行控制,同时利用模糊神经网络确定闭环控制系统的极点,并用仿真证明本文提出的方法具有较高的精确性和可靠性。     

基于神经网络的汽轮发电机组推力瓦块拆检周期改进

运用人工神经网络的方法对某舰用汽轮发电机组的滑油铜含量进行分析,找出铜含量的变化规律,然后与曲线拟合进行数据处理的方法作比较,结果表明,基于遗传算法的BP网络模型比曲线拟合模型的预报精度明显提高,预报结果稳定,且建立模型的过程较为简单。