RBF神经网络的舰船电力系统故障诊断模型

舰船电力系统故障诊断是当前的热点问题,经典舰船电力系统故障诊断模型存在各自的缺陷,影响舰船电力系统故障诊断结果,为了改善舰船电力系统故障诊断结果,提出了RBF神经网络的舰船电力系统故障诊断模型。首先分析当前舰船电力系统故障诊断研究进展,阐述了RBF神经网络的舰船电力系统故障诊断原理,然后从舰船电力系统工作状态中提取特征向量,引入RBF神经网络进行学习,产生舰船电力系统故障诊断模型,并对RBF神经网络参数优化问题进行改进,最后与当前几种经典模型进行了故障诊断对比测试,RBF神经网络的舰船电力系统故障诊断正确率超过92%,而经典模型的舰船电力系统故障诊断正确率低于90%,误诊现象出现的概率很高,验证了RBF神经网络用于舰船电力系统故障诊断的优越性。     

基于卷积神经网络的舰船图像增强算法

为了改善舰船图像增强效果,提出基于卷积神经网络的舰船图像增强算法,首先采用同态滤波器对原始舰船图像进行预处理,有效压缩舰船图像的动态范围,丰富舰船图像的细节信息,然后引入卷积神经网络对舰船图像色彩进行校正处理和补偿,解决舰船图像偏色问题,最后进行舰船图像增强仿真模拟实验。结果表明,卷积神经网络可以提高舰船图像的对比度,凸显了舰船图像细节,舰船图像的视觉效果优,舰船图像的增强结果要优于对比算法,同时降低了舰船图像增强的时间复杂度,舰船图像增强效率得以提升。     

神经网络的舰船航迹跟踪分析

舰船航迹具有比较强的时变性,对其进行研究具有重要意义。针对传统舰船航迹跟踪分析方法难以准确、在线性对舰船航迹进行跟踪,舰船航迹跟踪误差大的缺陷,设计了基于神经网络的舰船航迹跟踪分析方法。首先分析了舰船航迹跟踪的原理,指出各种舰船航迹跟踪分析方法的局限性,然后通过神经网络对舰船航迹进行有效拟合,建立舰船航迹跟踪分析模型,并对神经网络的相关参数进行优化,最后进行舰船航迹跟踪分析仿真模拟测试,神经网络的舰船航迹跟踪误差小于5%,远远低于舰船航迹跟踪实际要求的15%,而且舰船航迹跟踪精度要高于传统舰船航迹跟踪分析方法,舰船航迹跟踪分析时间更短,能够进行舰船航迹在线跟踪分析,具有更高的实际应用价值。     

基于神经网络的舰船水平总振动频率计算方法

舰船水平总振动频率具有较强的波动性,当前线性方法无法描述舰船水平总振动频率的变化特点,导致舰船水平总振动频率计算精度低,为了提高舰船水平总振动频率的计算精度,提出了基于神经网络舰船水平总振动频率计算方法。采用BP神经网络强大的非线性学习能力对舰船水平总振动频率变化特点进行高精度的逼近,并对BP神经网络的参数优化问题进行研究,最后进行了舰船水平总振动频率计算的模拟实验,结果表明,BP神经网络解决了当前舰船水平总振动频率计算误差大的难题,获得了高精度的舰船水平总振动频率计算结果。     

基于深度学习技术的舰船无线通信应用研究

随着人工智能技术在各产业应用领域的深入,未来的人工智能技术也将应用于不同的落地场景中,会向着差异化方向发展,并通过最佳的模型和算法设计匹配场景特征.该文介绍了人工智能技术原理及发展现状,将深度学习技术引入舰船无线通信网络应用领域,基于舰船平台特点设计具有时序记忆特征的深度学习神经网络,分析神经网络模型实现落地应用有关的关键理论和工程技术,为舰船平台通信细分领域应用人工智能技术提供参考.     

BP神经网络的舰船辐射噪声识别

当前舰船辐射噪声识别方法存在识别率低,对环境鲁棒性差等缺陷,为了对复杂环境下的舰船辐射噪声识别进行准确识别,提出了BP神经网络的舰船辐射噪声识别方法。首先采集舰船辐射噪声,并提取舰船辐射噪声识别有效特征参数,然后采用BP神经网络建立舰船辐射噪声识别模型,从而实现对舰船辐射噪声信号的分类和识别,最后进行舰船辐射噪声识别的仿真测试。结果表明,相对于已有的舰船辐射噪声识别方法,BP神经网络提高了舰船辐射噪声识别率,可以对各种舰船辐射噪声信号进行准确分类。     

舰船网络异常通信行为识别研究

舰船网络异常通信行为变化不仅具有规律性,同时具有随机性,当前方法无法挖掘舰船网络异常通信行为的复杂变化特点,使得舰船网络异常通信行为识别实时性和准确性差。为了获得更优的舰船网络异常通信行为识别结果,提出神经网络算法的舰船网络异常通信行为识别模型。首先描述舰船网络异常通信行为识别原理,然后将舰船网络异常通信行为识别看作问题,引入神经网络算法对其进行建模,在舰船网络异常通信行为识别建模过程中,引入粒子群算法解决神经网络参数确定的难题,最后进行舰船网络异常通信行为识别测试实验。结果表明,神经网络算法获得了准确性较高的舰船网络异常通信行为识别结果,而且由于神经网络收敛快,使得舰船网络异常通信行为识别实时性好,具有良好的推广应用价值。     

舰船上层建筑振动特性的数学模型设计

针对当前数学模型无法描述舰船上层建筑振动特性的变化规律,为了提高舰船上层建筑振动特性预测精度,设计一种蚁群优化算法和神经网络相结合的舰船上层建筑振动特性预测数学模型。首先对当前各种舰船上层建筑振动特性预测数学模型的优缺点进行阐述,然后采用神经网络对舰船上层建筑振动特性变化规律进行拟合,并采用蚁群优化算法确定神经网络相关参数,最后进行舰船上层建筑振动特性预测数学模型的性能测试。结果表明,蚁群优化算法和神经网络相结合的舰船上层建筑振动特性预测精度高,不仅预测误差远低于当前其他舰船上层建筑振动特性预测数学模型,而且预测效率也得到了改善,为解决舰船上层建筑振动特性预测问题提供了一种新的研究方法。     

基于BP神经网络的舰船维修成本估计

舰船维修成本估计直接影响舰船企业的运营效益,针对当前舰船维修成本估计方法存在的一些局限性,以延长舰船寿命,提出基于BP神经网络的舰船维修成本估计方法。首先介绍当前舰船维修成本估计研究现状,找到当前各种舰船维修成本估计方法的不足,然后在此基础上依据舰船维修成本变化特点,引入BP神经网络建立舰船维修成本估计模型,最后通过Matalab2017平台实现了舰船维修成本估计仿真实验。相对当前其他的舰船维修成本估计方法,BP神经网络可以更好地跟踪舰船维修成本变化特点,不仅舰船维修成本估计精度高,而且舰船维修成本估计建模时间短,为解决复杂多变的舰船维修成本估计问题提供了一种新的方法。     

神经网络算法的舰船间距快速预测

间距预测是保证舰船航行安全的重要技术,传统方法存在舰船间距预测不准确,精度低等不足,为了提高舰船间距预测精度,提出基于神经网络算法的舰船间距快速预测模型。首先分析当前舰船间距预测的研究现状,找到引起舰船间距预测不足的因素,然后引入神经网络算法对舰船间距变化特点进行深入挖掘,建立舰船间距快速预测模型,最后采用VC++6.0编程程序实现舰船间距快速预测仿真实验,结果表明,神经网络算法的舰船间距预测精度超过90%,远远高于其他舰船间距预测模型,而且舰船间距预测速度快,减少了舰船间距预测的时间,具有比较明显的优越性。     

基于卷积神经网络的舰船图像类型识别

舰船图像类型识别是计算机视觉领域研究的热点,当前舰船图像类型识别方法存在误识率高、识别时间长等不足,为获得更优的舰船图像类型识别结果,提出基于卷积神经网络的舰船图像类型识别方法。首先提取舰船图像,对其进行增强、去噪、过滤处理,提升舰船图像质量,然后从舰船图像中提取识别特征,将其作为卷积神经网络的输入,舰船图像类型识别作为卷积神经网络的输出,建立舰船图像类型识别分类器,最后采用Matlab2017对5种类型的舰船图像进行仿真测试,卷积神经网络的舰船图像类型识别正确率超过95%,舰船图像类型的误识率和漏识别均低于5%,获得了理想的舰船图像类型识别结果,而且舰船图像类型识别性能远高于其他舰船图像类型识别方法,具有十分广泛的前景。     

图像智能识别技术在舰船电力系统远程设备监控的应用

当前图像智能识别技术在人脸识别、指纹识别等领域获得了非常广泛的应用。舰船电力系统设备是保障舰船作战能力的关键,实现舰船电力系统设备的远程监控具有非常重要的意义。图像智能识别技术需要处理的数据量较大,本文使用了一种基于VB和Matlab混合编程的方法,充分结合了VB和Matlab的优点,设计了舰船电力远程设备监控系统的架构和软件界面,给出了BP神经网络进行图像识别的工作流程。系统能够正确提取图像并识别仪器上的数字,且具有速度快等优点。     

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。     

粒子群算法优化神经网络的舰船直流电机故障分类

针对舰船直流电机故障的误分率高、结果不可靠等难题,以进一步提高舰船直流电机故障分类正确率,提出了粒子群算法优化神经网络的舰船直流电机故障分类方法。首先采用小波变换对舰船直流电机故障信息进行多尺度分解,提取信号能量值作为舰船直流电机故障分类特征,然后将舰船直流电机故障的特征作为神经网络的输入向量,采用粒子群算法和神经网络对特征向量进行训练,建立舰船直流电机故障分类器,最后的舰船直流电机故障分类测试结果表明,本文方法可以准确实现舰船直流电机故障分类,有助于舰船直流电机故障的定位,而且舰船直流电机故障误分率要小于其他方法,舰船直流电机故障分类结果更加可信。     

基于改进神经网络算法的舰船操纵性能预报系统

针对传统舰船操纵性能预报系统预报精度低、稳定性差、效率慢等弊端,设计一种新的基于改进神经网络的舰船操纵性能预报系统。对标准神经网络算法容易陷入局部最优解的不足进行改进,用共轭梯度法取代原梯度下降算法,介绍了改进后的神经网络算法。通过矩阵方式对舰船操纵稳定性的构成进行描述,利用改进的神经网络算法设计舰船操纵稳定性预报系统。实验结果表明,所设计系统预报精度高、稳定性强、效率快,能有效完成舰船操纵稳定性的预报。     

改进的BP神经网络方法在舰船修理费用预测中的应用

文章基于神经网络理论,以某型舰船特装修理费用为例,建立了改进算法的BP神经网络预测模型,最后对海军舰船特装修理费用进行了中短期预测。     

基于神经网络的舰船电机轴承异常检测研究

针对当前舰船电机轴承异常检测正确率低、检测自动化程度低、检测过程十分耗时等难题,为了提高舰船电机轴承异常检测效果,设计了基于神经网络的舰船电机轴承异常检测方法。首先提取舰船电机轴承状态信号,采用小波包分析去除舰船电机轴承状态信号中的噪声,然后采用Hilbert变换提取电机轴承异常状态的特征,将特征作为神经网络的输入,电机轴承异常作为神经网络的输出,建立舰船电机轴承异常检测模型,最后进行舰船电机轴承异常检测的仿真实验,本文方法的舰船电机轴承异常检测正确率超过95%,能够很好检测到舰船电机轴承异常现象,而舰船电机轴承异常检测时间要少于当前其他舰船电机轴承异常检测方法,能够满足舰船电机轴承异常检测的实际要求。     

神经网络在舰船图像特征提取和分类中的应用

海上遥感图像对于舰船目标定位、海上救援、航运交通管理等有重要的作用,基于海上遥感图像的舰船目标特征提取及目标识别是一项热点研究。卷积神经网络是一种改进的人工智能算法,本文详细介绍了卷积神经网络技术的原理,基于卷积神经网络和滤波器实现了舰船遥感图像的特征提取和目标识别。     

改进卷积神经网络的舰船物联网安全风险估计

现有方法在舰船物联网威胁识别率与缺陷识别率上表现不佳,因此提出一种改进卷积神经网络的舰船物联网安全风险估计方法。对舰船物联网安全风险数据进行分类也就是分类安全风险指标。对于动态类安全风险数据,需要对其进行数据补充。运行类安全风险数据的预处理需要进行数据清理。基础类安全风险数据的预处理需要进行数据变换与数据归一化处理。基于改进卷积神经网络提取舰船物联网安全风险数据特征,使用的改进卷积神经网络为SSD神经网络。基于灰色层次分析、Borda序列、风险矩阵构建舰船物联网安全风险估计模型。对设计方法进行实践应用,测试其舰船物联网威胁识别率与缺陷识别率,结果表明该方法取得了识别率数据上的突破,能够保障舰船物联网的安全。     

粒子群优化神经网络的舰船网络安全预测模型

在舰船管理系统中,网络具有不可替代的重要作用,确保网络安全是重中之重。为准确预测出未来一段时间内的网络安全状况,可以采用相应的预测模型。在舰船网络安全预测模型构建过程中,通常采用的都是神经网络模型,由于该模型容易陷入局部极小,加之收敛速度相对较慢,所以需要采取有效的方法对预测模型加以优化改进。本文提出基于粒子群优化算法的神经网络模型,通过仿真实验,进一步验证了优化方法的可行性,经过优化后的预测模型,精确度得到显著提升。