具有外源输入的船舶横摇运动NARX神经网络预测

为了提高船舶在风浪中航行的安全性,需要精确地预测船舶在风浪中的横摇运动,以提高船舶横摇控制效果,本文通过应用一种带外源输入的非线性自回归（NARX）神经网络预测方法预测船舶横摇运动。该方法考虑了实船操纵性试验数据受风、浪、流等外界因素的的影响,将实测的风向、风速、流速、流向、浪向以及浪高的数据作为外源输入,能够有效提高船舶横摇运动的预测精度。基于“育鲲”轮,利用该方法对实际船舶海上横摇运动进行了实时预测实验,并将其实验结果与SAPSO-BP神经网络模型的预测结果进行对比。从对比结果可以看出,本文所提方法对复杂海浪环境具有良好的适应性,NARX模型的预测精度优于普通反向传播（BP）神经网络和自适应粒子群算法优化的普通反向传播（SAPSO-BP）神经网络.     

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。     

基于神经网络精准规划船舶航行路线的算法

船舶航行中精准规划航行路线,合理避开障碍物是安全运行的关键。为此,设计一种基于神经网络精准规划船舶航行路线的算法。利用遗传算法优化神经网络权值,建立基于神经网络的船舶航迹预测模型,在模型内输入船舶航向与航速,输出船舶经、纬度差,即船舶航迹预测结果,依据该结果,获取船舶航行时路线规划环境;依据马尔科夫决策过程,得到路线规划最佳策略网络,通过深度强化学习神经网络确定最佳策略,在该网络内输入路线规划环境预测结果,确定规划策略内船舶执行动作,完成航行路线精准规划。实验证明：该算法可精准预测船舶航迹;在不同水域及场景下,均可精准规划航行路线,确保航行时无碰撞危险,降低航迹点平均距离偏差。     

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。