基于自适应变异 PSO-BP算法的船舶横摇运动预测

为了准确高效预测船舶在海上的航行状态,以保证人员、货物和船舶的安全,提出一种自适应变异的粒子群优化算法（self-adapting particle swarm optimization algorithm,SAPSO）,将该算法与误差反传（back propaga-tion,BP）神经网络结合。SAPSO-BP预测模型使用SAPSO算法优化BP网络的网络参数。克服传统BP神经网络对初始权值阈值敏感,容易陷入局部极小值的缺点,同时也克服了传统PSO算法早熟收敛、搜索准确度低及迭代效率低等缺点。运用该模型对科研教学船“育鲲”轮在海上航行的横摇情况进行实时预测实验,验证该方法的可行性与有效性具有较高的预测精度。     

基于改进PSO-BP神经网络的船舶交通流预测分析

为了进一步提高船舶交通流的预报精确度,文章建立了一种自适应变异的粒子群优化算法SAPSO,将BP神经网络模型与SAPSO算法相结合,进行船舶海上交通流分析预测。此外,文章采用灰色关联分析法GCA确定交通流预测模型的输入维数。SAPSO-BP预测模型运用自适应变异的PSO算法优化传统BP神经网络的模型参数,克服了传统BP神经网络的对模型的初始权值阈值敏感和易陷入局部最优的缺点,进而提高模型的预报精度。选用天津港口区域的船舶AIS实验数据,验证了预测模型的有效性。     

基于SAPSO-BP网络模型的港口潮汐实时预报

为了提高港口码头潮汐预报的精度,提出一种自适应变异的粒子群优化算法SAPSO,将SAPSO优化算法与BP神经网络结合,用以潮汐水位的实时预报。SAPSO-BP网络模型运用自适应变异的PSO算法优化BP神经网络的网络参数,克服了传统BP神经网络所具有的对初始权值阈值敏感、容易陷入局部极小值的缺点,最后选用Isabel港口的实测潮汐值数据进行潮汐水位的实时预报仿真试验,用以验证SAPSO-BP预测模型的实用性和可靠性。     

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。     

改进的BP神经网络在路基沉降预测中的应用

针对传统BP神经网络存在的缺点,提出基于遗传优化的变梯度反向传播的BP神经网络预测方法,采用遗传算法优化BP神经网络的初始权重,建立路基沉降预测模型。该模型可克服BP神经网络模型存在的收敛速度慢、易陷入局部极小点等缺点。结合现场实测数据,将该优化模型与指数曲线模型、双曲线模型、灰色预测模型和传统BP神经网络预测模型对比,结果表明改进的BP神经网络在路基沉降预测中精度最高,适宜于广泛推广应用。     

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。     

改进PSO-ANN神经网络算法在船舶安全性预测方面的研究应用

利用神经网络网络的自学习能力强、并行计算快、容错性高的特点来评估船舶航行安全性状态,同时利用微粒群算法(PSO)优化反向传播神经网络的连接权值和阈值。阐述反向传播神经网络在船舶航行安全性系统状态评测中的流程,相对于目前的船舶航行安全性预测方法,本文提出的智能模型具有结构简单及预测精度高等优点。     

基于ABC优化BP神经网络的船舶交通流量预测

为提高船舶交通流量预测的准确性,针对BP神经网络随机确定初始权值和阈值的缺点,提出一种基于人工蜂群算法(Artificial Bee Colony,ABC)改进BP神经网络的ABC-BP船舶交通流量预测模型.利用人工蜂群算法全局搜索能力和不易陷入局部最优的特点,对BP神经网络的初始权值和阈值进行优化,并以青岛港船舶交通...     

优化的BP网络在船舶故障诊断中的应用

船舶各种设备故障的早期诊断和预测,对船舶的安全运行具有非常重要的意义。由于船舶上设备繁多,运行环境特殊,因此,各种设备的故障症状与故障原因之间关系十分复杂,使用传统诊断方法在实际应用中效果不理想。BP神经网络在故障诊断中有广泛的应用,但由于BP网络采用的是沿梯度下降的搜索求解算法,存在收敛速度慢,且容易陷入局部极小等问题。而遗传算法具有全局搜索速度快的优点。为此,采用自适应遗传算法来优化BP神经网络,并以船舶主机轴系的故障诊断为实例,证明遗传算法优化的BP网络方法非常适用于对船舶各种设备故障的早期诊断和预测。     

基于CAWOA-BP的船舶凝给水系统故障诊断

为克服传统专家经验在故障诊断方面的不足,实现船舶凝给水系统的智能诊断,在标准BP神经网络基础上提出一种优化后的CAWOA-BP故障诊断模型。采用混沌映射以及自适应权重调整策略优化WOA鲸鱼算法,利用优化后的WOA鲸鱼算法改进BP神经网络的权值及阈值矩阵。由于船舶凝给水系统的状态监测数据是复杂多维度数据,利用UMAP降维算法对原始数据进行降维。最后,利用降维处理后的数据训练CAWOA-BP神经网络模型,实现故障诊断。通过对正常及故障数据的学习,发现优化后的CAWOA-BP模型相比于标准BP,WOA-BP,PSO-BP故障诊断模型具有更高的准确率、精确率、召回率及预测误差。研究表明,基于优化后的CAWOA-BP神经网络故障诊断方法能够更加精确实现船舶凝给水系统的故障诊断。