基于粗糙集理论的开航安全性评价结果分析

为找出适宜对船舶开航安全性进行评价的方法,确保船舶航行安全,基于模糊评价方法、概率影响图评价方法和反向传播算法(BP)神经网络评价方法对船舶开航安全性的评价结果,利用粗糙集理论对其进行了数据挖掘,得出了影响开航安全性的船舶要素重要度排序.通过对结果分析与验证,发现模糊评价方法和概率影响图方法较适宜于船舶开航安全性评价.研究结论可为船长、船公司及海事监督部门的船舶开航安全管理提供参考依据.     

基于神经网络算法的船舶间距快速预测

保证船舶航行的畅通性是船舶海上交通智能化发展的关键。本文利用BP神经网络自适应能力强、自组织学习等优点进行船舶间距快速预测,通过船舶间距预测可以提高海上交通信号控制的效率,保证船舶航行的稳定性和安全性,最后的实验结果表明本文算法误差小,可靠性高。     

基于AIS信息和BP神经网络的船舶航行行为预测

针对船舶航行行为多维度的特点和船舶交通服务系统(Vessel Traffic Service,VIS)对船舶行为预测的精确度和实时性需求,提出结合船舶自动识别系统(Automatic Identification System,AIS)信息和BP(Back Propagation)神经网络的船舶航行行为预测方法。构造基于AIS信息的船舶航行行为特征表达方法,根据BP神经网络预测的基本原理,以连续3个时刻的船舶航行行为特征值为输入,以第4个时刻的船舶航行行为特征值为输出,对BP神经网络进行训练,用于对未来船舶航行行为进行预测。以成山角VTS水域内的船舶AIS信息为例进行试验,结果表明:利用该方法对船舶航行行为特征值进行预测的结果准确、实时,误差在可接受的范围内。     

非规则波动下直线航迹自抗扰控制数学模型设计

非规则波动,船舶直线航迹经常出现偏差,影响了船舶航行的稳定性和安全性。为此,针对传统PID控制、自适应神经网络控制2种方法控制效果差的问题,设计一种非规则波动下直线航迹自抗扰控制数学模型。该模型分为3部分:首先进行跟踪微分器设计,消除干扰因素的影响,然后利用扩张状态观测器,估计船舶运行状态,最后利用状态误差反馈,计算船舶运行误差,以此实现自抗扰控制。结果表明,与传统PID控制、自适应神经网络控制2种方法相比,利用设计的数学模型进行非规则波动下直线航迹自抗扰控制,得到的直线航迹与预期航迹之间的拟合优度更大,更接近1,由此说明自抗扰控制数学模型更能有效规范船舶直线航迹,保证了船舶航行的稳定性和安全性。     

遗传神经网络的船舶运动受扰力预测模型

船舶运动受扰力预测,是实现对船舶摇摆控制的关键步骤。为达到有效控制船舶摇摆的目的,基于遗传神经网络,完成船舶运动受扰建模预报和预测方法选择。模拟船舶航行状态,设计仿真对比实验结果表明,基于遗传神经网络的船舶受扰力预测模型,有效提升横向与纵向运动受扰力预测准确性,完成有效控制船舶摇摆的目的。     

基于贝叶斯网络的船舶航行安全性预测

船舶在水上航行时,一旦发生安全事故,后果非常严重。为降低船舶航行过程中安全事故的发生几率,应当对航行安全性进行预测。贝叶斯网络在不确定性问题的解决中具有良好的适用性,而船舶航行安全性预测属于典型的不确定性问题。因此,在该问题的解决中可对贝叶斯网络进行合理运用。基于此,本文从船舶航行安全性的影响因素分析入手,论述了基于贝叶斯网络的船舶航行安全性预测方法,并提出提高船舶航行安全的建议。     

基于高阶常微分方程的复杂水域船舶航迹精准预测研究

船舶航迹预测是其避障、导航的基础,精准的航迹预测可提升船舶在复杂水域航行的安全性,为此研究基于高阶常微分方程的复杂水域船舶航迹精准预测方法。该方法利用AIS系统采集船舶航行行为动态观测样本后,构建该船舶航行行为动态观测样本的高阶常微分方程预测模型,使用四阶龙格-库塔方法求解该预测模型,得到船舶航行动态观测样本预测值后,利用最小二乘法对其进行拟合处理,得到船舶航迹曲线。实验结果表明,该方法可有效采集船舶在复杂水域航行时的航速、船首向等行为动态观测样本,预测船舶航迹点和拟合后的航迹曲线均与其实际数值吻合,预测精度较高。     

基于DRNN神经网络的横摇运动实时预测方法分析

船舶在航行的过程中,受到波浪的影响,会产生复杂的运动,这个运动具有随机性和非线性的特点。为保证船舶航行的安全性,要对摇荡运动实时、准确预测,尤其是横摇运动。这是因为横摇的幅度过大,极有可能引起翻船的情况发生,所以预测船舶的横摇运动显得尤为必要。为提高预测结果的准确性,可以基于DRNN神经网络构建预测模型。在模型的建立中,选用单项模型组合的方式,提高预报精度、增加预报时长,使船舶保持安全、稳定航行。     

基于BP和LSTM组合优化的船舶升沉运动预测

预测船舶升沉运动有助于增强波浪补偿系统的补偿效果,解决补偿系统滞后问题。为提高预测模型的预测精度,提出一种基于误差反向传播（BP）神经网络和长短时记忆（LSTM）神经网络组合优化的船舶升沉运动预测方法。以采用计算流体动力学（CFD）方法获取的船舶在规则波浪作用下的升沉运动和在突发性干扰下的升沉运动为对象,基于PYTORCH框架和LINGO软件,建立以加权方式组合优化BP神经网络和LSTM神经网络的预测模型。研究结果表明,无论是船舶在规则波浪作用下的升沉运动,还是船舶在突发性干扰下的升沉运动,BP-LSTM组合模型的预测精度均高于BP神经网络和LSTM神经网络,有助于提高补偿精度。     

基于小波神经网络的船舶动力系统故障预测方法研究

船舶动力系统是船舶的心脏,其性能的优劣对船舶的安全航行至关重要,研究船舶动力系统故障预测的方法对保障动力系统安全运行具有重要意义。本文采用小波神经网络针对船舶动力系统的性能参数进行预测,选取柴油机动力系统的油管压力作为预测对象,试验结果表明小波神经网络预测的结果符合预期值。