粒子群优化的RBF神经网络在海上运输事故预测中的应用

以海上交通安全为应用背景,对船舶运行事故预测方法进行研究,给出一种基于粒子群优化的RBF神经网络的事故预测方法。在本文中,首先对海上运输事故的特点和原因进行分析;然后对径向神经网络和粒子群算法的相关基本理论进行介绍,最后给出基于粒子群优化的RBF神经网络的事故预测方法。实验结果表明,该方法具有较好的预测效果。     

基于DSP技术的电力推进船舶电力负荷预测系统

针对电力推进船舶电力负荷的非线性、混沌性,难以进行准确预测的难题,设计了基于数字信号处理(DSP)技术的电力推进船舶电力负荷预测系统。首先,针对电力推进船舶电力负荷的特点,设计船舶电力负荷预测系统的总体框架,然后进行基于DSP技术的电力推进船舶电力负荷预测系统设计,分别进行船舶电力负荷预测系统的硬件与软件设计,最后进行仿真实验,仿真结果表明,DSP技术能够更好地把握电力负荷信号的变化规律,可以得到更为准确的船舶电力负荷预测精度,预测的实时性得到了极大的提升。     

支持向量机的船舶短期电力负荷预测方法

船舶的短期电力负荷具有强烈的非线性变化特点,传统方法无法描述船舶短期电力负荷的变化趋势,以解决当前船舶短期电力负荷预测误差大的难题,提出了基于支持向量机的船舶短期电力负荷预测方法。首先对船舶短期电力负荷预测的研究现状进行分析,指出引起不足的原因,然后采用支持向量机对船舶短期电力负荷数据进行学习,建立可以反映船舶短期电力负荷变化的预测模型,最后进行了船舶短期电力负荷预测的验证性测试。结果表明,支持向量机可以提高船舶短期电力负荷预测精度,可以对将来船舶短期电力负荷值进行准确估计,具有较高的实际应用价值。     

多模自适应舰船电力负荷预测算法

分析了舰船电力负荷预测的特殊性,给出舰船电力负荷预测的主要方法途径;提出适用于舰船电力负荷预测的多模自适应船舶电力负荷预测算法;并通过实验验证了多模自适应船舶电力负荷预测算法的准确性较高和泛化能力较强。     

电力推进船舶电力负荷混沌分析及预测

电力推进系统在船舶航行中至关重要,其电力负荷预测的准确性可以保障航行过程的稳定性及安全性。本文根据船舶的电力负荷特点,对其进行混沌动力学验证,经过混沌特性进行数据分析。将小波变换与SVM算法相结合,对负荷数据进行奇异性分析,然后通过小波分解法,将电力负荷分解成具有一定规律的分解量。该仿真方法可有效提高负荷预测的精准度,从而提高船舶在航行中的稳定性及经济性。     

数据挖掘在舰船电力负荷预测中的应用研究

首先描述基于数据挖掘的舰船电力负荷预测系统架构,然后按照此架构进行系统实现,并结合舰船电力负载预测的特点,利用遗传算法获取较好的搜索空间,这样可以避免BP神经网络算法陷入局部最优的情况。通过对比实验结果可知,本文所采用的遗传算法和BP神经网络相结合的优化算法预测能力强,拟合度高。     

大数据背景下的船舶管理风险评估

船舶安全管理工作对于保障船舶安全航行起着十分重要的作用,传统方法如层次分析法、模糊评估法难以对船舶的管理风险进行科学的评价。为了提高船舶的管理风险评估精度,构建了粒子群算法优化RBF神经网络的船舶管理风险评估方法,首先利用粒子群算法对RBF神经网络的参数进行优化,然后利用优化的RBF神经网络对船舶管理风险进行评估,最后进行仿真测试,实验结果表明,本文方法的评估精度比对比方法的评估精度更高,同时耗时更少,可以满足对船舶的风险进行实时监控与管理。     

基于非线性组合模型的船舶无线网络流量预测

流量预测是船舶无线网络管理中的重要技术,传统组合方法只能描述船舶无线网络流量的部分变化规律,无法获得令人满意的船舶无线网络流量预测结果,为了全面反映船舶无线网络流量变化规律,提出基于非线性组合模型的船舶无线网络流量预测方法。首先分析单一预测方法和传统组合方法的局限性,然后采集船舶无线网络流量历史数据,采用RBF神经网络、BP神经网络、灰色算法分别对船舶无线网络流量进行预测,最后采用支持向量机要对它们的预测结果进行非线性组合,输出船舶无线网络流量最后预测结果,测试结果表明,非线性组合模型的船舶无线网络流量预测十分精确,船舶无线网络流量预测误差可以忽略不计,完全能够满足船舶无线网络管理要求,船舶无线网络流量预测结果显著优于传统组合方法,为解决复杂船舶无线网络流量预测问题提供了一种新的建模思路。     

量子神经网络技术在船舶电力系统中的应用

短期负荷预测是一种电力系统优化调度工具。其不仅可为电网调度及发、供电计划提供有效的指导,而且可以保障电力系统安全和高效的运行,达到节约经济的目的。本文在分析影响船舶电网短期负荷的因素基础上,提出基于量子神经网络技术的船舶电网短期负荷预测法。     

基于组合优化算法的船舶信息风险评估

为避免船舶信息风险引发重大船舶航行事故,研究基于组合优化算法的船舶信息风险评估方法。选取通信、环境、管理、人为这4个方面因素共17个指标,构建船舶信息风险评估指标体系,将其作为径向基函数（RBF）神经网络输入层输入数据,经隐含层映射操作后,通过输出层输出评估到的船舶信息风险等级,采用结合模糊C均值聚类算法和遗传算法的组合优化算法,合理选取RBF神经网络隐含层中心向量并寻优获取最佳隐含层基函数宽度和权值向量,提升船舶信息风险评估效果。实验结果表明：该方法可有效评估多艘船舶的信息风险,并可依据评估结果获取何种因素导致船舶信息风险,提出针对性指导建议。     

加权马尔可夫优化的NGBM(1,1)模型在中长期电力负荷预测中的应用

灰色理论在电力负荷预测领域中有重要应用,为了扩展灰色模型在中长期电力负荷预测中应用,提出了一种基于加权马尔可夫优化的非线性灰色伯努利(nonlinear grey Bernoulli Model, NGBM(1,1))预测模型.首先引进新型非线性NGBM(1,1)模型对电力负荷数据的总体趋势进行拟合,得到的灰拟合精度序列是一个随机波动的过程,再利用加权马尔可夫的特点确定灰拟合精度的加权转移概率矩阵,通过插值和还原计算对NGBM(1,1)模型的预测结果进行优化.将该模型运用到江苏省农村电力负荷预测中,结果验证其在预测精度上的优越性,并用于中长期电力负荷预测是有效可行的.     

支持向量机在船舶电力负荷预测中的研究

在现代的船舶设备中,电力系统已成为船舶的主要动力来源,其性能的优劣对船舶的航运安全和成本有着非常重要的影响。随着各种电气设备被广泛应用于船舶控制和通信导航系统中,船舶的电力供给已经变得至关重要,因此对电力系统负荷的预测已经成为人们研究的重点。本文结合支持向量机回归算法,设计了用于船舶电力系统的负荷预测机制,通过建立船舶电力预测模型和最小二乘支持向量机模型,实现了对船舶电力系统的负荷预测和性能优化。     

遗传算法和神经网络在船舶柴油机故障诊断中的应用

为提高船舶柴油机故障诊断的精度,以及改善神经网络收敛速度慢,易陷入局部最优解的情况。提出一种基于改进遗传算法和RBF神经网络相结合的智能诊断方法,并将其应用于船舶柴油机故障诊断中,改进的方法优化了神经网络的隐节点、宽度参数以及中心向量,用最小二乘法训练网络隐层到输出层的权值。最后在Matlab仿真软件下,对船舶柴油机故障诊断模型进行仿真实验。实验证明,自适应遗传算法优化的RBF神经网络,诊断速度快,诊断精度高,收敛效果好,能较好地应用在船舶柴油机的状态监测和故障诊断中。     

云平台船舶电力数据中心架构设计

为了更好地保障对船舶电力数据的准确处理,提出基于云平台的船舶电力数据中心架构设计方法,首先对船舶电力数据管理模块进行优化,采集挖掘电力特征数据,并对船舶电力数据挖掘算法进行优化,根据计算结果进行数据的调度和处理,实现对船舶电力数据中心构架的合理设计。最后通过实验证实,基于云平台的船舶电力数据中心架构设计具有更高的准确性和合理性,充分满足研究要求。     

RBF神经网络模型在遥感目标检测中的应用

光学遥感成像是一种常见的船舶目标图像获取方法,对其图像中的船舶目标检测正逐渐成为研究热点。本文利用RBF神经网络模型对航空母舰、驱逐舰、护卫舰、客船、集装箱、民用货船6种常见船舶光学遥感图像进行检测,首先结合kmeans和区域增长法对遥感图像进行分割,接着对船舶区域提取灰度一致性矢量和距离直方图2个特征。最后用聚类方法对RBF网络训练,并用其对船舶目标进行训练和检测。检测结果表明,本文的RBF神经网络模型对船舶目标的检测准确率为86%左右,有效实现了常见船舶目标的检测。     

基于GA优化的灰色神经网络船舶交通流量预测方法研究

结合灰色模型和BP神经网络模型的特点,对两种模型进行有机地组合,构建一种改进的灰色神经网络预测船舶流量方法.以实际船舶交通流量和主要影响因素为数据,运用遗传算法改进的灰色神经网络模型对上海洋山港的船舶交通流量进行预测,计算和Matlab仿真结果表明,改进的灰色神经网络模型预测不仅精度较高,而且能准确预测船舶交通流量的变化规律.     

船舶减摇鳍的模糊神经控制器设计

为了进一步降低船舶横摇运动对船舶安全航行威胁,针对实际船舶减摇鳍系统,利用RBF神经网络的学习与自适应能力,优化模糊控制器的模糊规则,进而设计了一种基于RBF神经网络的减摇鳍模糊控制器。在建立的长峰不规则随机波和"育鲲"轮横摇数学模型的基础上,以船舶减摇鳍控制系统为研究对象对所设计的控制器进行了仿真实验。实验结果表明,本文所设计的控制器表现出较好的减摇效果,验证了该控制器的合理性与有效性。     

改进灰色模型的船舶航行轨迹自动预测研究

为实现更加精准、自动化的船舶航行轨迹预测,利用改进灰色模型,提出一种基于改进灰色模型的船舶航行轨迹自动预测方法。在船舶航行中的AIS数据中对船舶航行轨迹数据进行提取,其中AIS数据具体包括船舶航程数据、船舶动态数据以及船舶动态数据。通过数据估计算法插补缺失数据,分为2个步骤,第1步是对插补数据进行识别,第2步是对其进行插补。通过改进灰色模型对船舶航行轨迹进行自动预测,主要使用基于缓冲算子改进的灰色模型构建船舶航行轨迹自动预测模型。选取某船舶服务项目中包含的船舶AIS数据作为实验数据,对设计方法进行实例测试。测试结果表明,设计方法的数据提取质量较高、预测模型的误差较小,具有广阔的市场应用前景。     

船舶齿轮箱故障诊断及失效预报方法研究

针对船舶齿轮箱故障诊断正确率低的难题,提出蚁群优化神经网络的船舶齿轮箱故障诊断方法。首先采集船舶齿轮箱故障诊断的数据,并采用小波分析提取船舶齿轮箱故障诊断特征,然后采用神经网络建立船舶齿轮箱故障诊断模型,并采用蚁群算法克服神经网络存在的缺陷,最后构建了船舶齿轮箱失效预测方法,实验表明,本文方法提高了船舶齿轮箱故障诊断效果,并获得了高精度的船舶齿轮箱失效预测结果。     

基于深度哈希的船舶网络异常数据辨识方法

由于在利用现有方法辨识船舶网络异常数据时,存在漏辨个数以及错辨个数较多的问题,本研究提出一种基于深度哈希的船舶网络异常数据辨识方法。通过减法聚类算法提取船舶网络异常特征,该算法运行速度快,主要用于寻找特征对应的各聚类中心以及聚类数据。然后通过插值算法对船舶网络异常特征的数据实施预处理,补全其中的缺失数据。最后,基于深度哈希方法构建船舶网络异常数据辨识模型,实现对船舶网络异常数据的辨识。通过漏辨个数以及错辨个数的对比实验,证明了该方法的辨识性能更好,具有很强的实用性意义。