基于深度卷积神经网络的船舶识别方法研究

为解决目前船舶识别率较低的问题,基于深度卷积神经网络算法,提出一种在深度卷积神经网络基础上的改进算法。利用卷积神经网络对船舶图片进行深度特征提取,结合HOG算法得到准确的边缘特征,结合HSV算法得到颜色特征,通过SVM分类器对船舶进行分类。算法主要包括2个阶段:训练阶段实现卷积神经网络的预训练,将得到特征归一化,PCA降维,通过HOG算法得到边缘特征,最后训练SVM分类器;测试阶段则对算法的准确性进行核实。实验结果表明,该方法平均识别正确率达到93.6%,可以很好地实现船舶识别。     

基于深度卷积神经网络的船舶识别方法研究

为解决目前船舶识别率较低的问题,基于深度卷积神经网络算法,提出一种在深度卷积神经网络基础上的改进算法.利用卷积神经网络对船舶图片进行深度特征提取,结合HOG算法得到准确的边缘特征,结合HSV算法得到颜色特征,通过SVM分类器对船舶进行分类.算法主要包括2个阶段:训练阶段实现卷积神经网络的预训练,将得到特征归一化,PCA降维,通过HOG算法得到边缘特征,最后训练SVM分类器;测试阶段则对算法的准确性进行核实.实验结果表明,该方法平均识别正确率达到93.6％,可以很好地实现船舶识别.     

图像识别与卷积神经网络结合的船舶裂缝图像处理技术

裂缝是船舶致命的缺陷,不仅会降低舰船的防水性能,严重时还会导致整个船体的结构破裂,导致船舶沉没等严重事故。因此,在船舶的生产与制造过程中及时对船舶的裂缝进行识别,在船舶的正常运行维护中提早发现船舶的裂缝缺陷并处理,具有重要意义。传统的船舶裂缝识别主要靠超声波探测等技术,效率低,为了改善这一现状,本文研究了一种基于图像识别与卷积神经网络的船舶裂缝图像识别系统,分别从图像识别技术和神经网络算法进行了相关的阐述。     

基于深度学习的船舶设备信息智能化识别技术

针对船舶设备信息识别问题,提出采用基于深度学习的方法识别船舶设备种类信息。根据船舶设备特点进行图像预处理和图像样本标记,建立卷积神经网络。经训练得到可用于船舶设备信息识别的模型。对模型进行评估,调整网络结构和训练参数,得到准确率达到期望值的船舶设备信息识别模型。经预测和优化得到基于深度学习的船舶设备信息智能化识别模型,可实现船舶设备仓储管理智能化,在较大程度上提升管理效率。     

基于BP神经网络的图像识别跟踪技术

本文利用BP神经网络抗干扰性强,识别精准等优点对船舶进行识别跟踪。首先获取原始图像,然后预处理,以图像的全部灰度值为训练样本,以新不变矩特征向量为样本集输入到3层BP神经网络中,对含不同噪声均值的图像进行识别。实验结果表明,以新不变矩特征向量作为样本集时抗噪能力强,识别率高。最后以新不变矩特征向量作为样本集进行目标跟踪得到跟踪误差。     

船舶神经网络运动模型的研究

根据船舶海上航行的实际情况,针对船舶运动的特点,研究了基于神经网络建立船舶操纵运动模型的方法,提出了一种线性神经网络结构,并给出了相应的训练和学习方法。大量的仿真试验表明：线性神经网络用于船舶运动模型的研究,具有收敛速度快、预测误差较小、能快速跟踪参数变化等优点,可用于船舶运动实时辨识。     

基于卷积神经网络的船舶图像增强研究

为了更好的识别船舶图像信息,提出基于卷积神经网络的船舶图像增强方法,利用卷积神经网络技术对船舶图像特征进行采集和建模,并对采集到的数据进行降噪,再根据图像颜色特征进行图像缺陷修复和图像的逆向恢复处理,从而获得高品质的船舶图像。最后通过实验证实,卷积神经网络能够有效改善船舶图像的显示质量,满足传播图像增强的设计目标。     

基于神经网络特征提取的SSA-SVM船舶目标识别方法

运用神经网络图像特征提取联合SSA-SVM分类算法,对通航区域图像中的典型船舶目标进行识别以实现船舶目标的自动分类。首先通过摄像机获得通航区域的高分辨率图像,以AlexNet深度学习网络为基础经迁移学习后提取典型船舶目标特征,获得4种船舶类型、共5 505 024个特征数的典型船舶目标特征矩阵。以特征矩阵为训练依据训练SSA-SVM算法,在种群寻优下获得最佳识别参数,经训练得出在小数据集下具有较强辨识能力的SSA-SVM船舶目标识别模型。实验表明,相比于深度学习的大数据集驱动识别算法,使用AlexNet特征提取的SSASVM算法能够在数据量较少的情况下对散货船、集装箱船等典型船舶目标进行有效识别,识别准确率为88.87%、训练时长为1 856 s,满足实用需求,为水上监管提供了可靠的技术支持。     

神经网络在船舶主柴油机建模中的应用

该文研究用BP神经网络建立船舶主柴油机模型的方法,并对BP算法进行了改进,提出了一种动态优化学习率的方法,对6L80MC柴油机实际数据用BP网络进行计算的结果表明,该算法能有效地建立船舶主柴油机模型。该模型已成功用于船舶主机遥控仿真系统中。     

基于神经网络的船舶舵机控制系统设计

传统船舶舵机控制系统只适于控制对象是线性系统且时延和阶数等已知的情况,但在实际应用中,船舶舵机控制过程受船舶运行情况和航行环境的影响,属于随机过程.为此,设计一种新的基于神经网络的船舶舵机控制系统,依据功能要求设计船舶舵机的不同控制模型,再设计整体控制系统结构.通过设计4个不同层次的控制器结构,实现神经网络控制器的整体设计,利用神经网络算法对控制器中的参数进行学习和调整,神经网络控制器输出结果即为船舶舵机控制结果.实验结果表明,所设计系统控制效果好,不易受外界环境的干扰.     

基于神经网络的船舶舵机控制系统设计

传统船舶舵机控制系统只适于控制对象是线性系统且时延和阶数等已知的情况,但在实际应用中,船舶舵机控制过程受船舶运行情况和航行环境的影响,属于随机过程。为此,设计一种新的基于神经网络的船舶舵机控制系统,依据功能要求设计船舶舵机的不同控制模型,再设计整体控制系统结构。通过设计4个不同层次的控制器结构,实现神经网络控制器的整体设计,利用神经网络算法对控制器中的参数进行学习和调整,神经网络控制器输出结果即为船舶舵机控制结果。实验结果表明,所设计系统控制效果好,不易受外界环境的干扰。     

基于卷积神经网络的船舶自动识别系统

基于船舶自动驾驶存在的问题以及需求,提出了一个基于卷积神经网络的船舶自动识别系统.系统设计使用的生成对抗神经网络算法,基于互信息理论,能够无监督式地学习船舶图像特征.通过实验论证,在分类准确度上取得了显著地提升,表明本系统方法合理有效,具有较高地运用前景.     

基于深度学习的图像识别技术在渔船监管中的应用

由于渔船吨位普遍偏小灵活性强、船型繁复多样,加之渔船监管技术及人力不足,致使违法渔船难以得到快速有效控制。针对违法渔船流动性大、隐蔽性强、取证难等特点,本文通过研究基于深度学习的图像识别技术,从而提高渔船身份识别及监管能力,形成足够的证据来实现对违法渔船的及时控制、有效监督及处罚,对提高我国渔船监管水平及渔业和谐发展具有重要意义。     

基于BP神经网络的船舶交通流量预测研究

在分析船舶交通流量特性的基础上,以船舶交通流量控制为最终目标,建立基于BP神经网络的船舶交通流量预测模型,以长江口深水航道的交通流量数据作为训练样本,进行模拟分析。预测结果与实测加权数据进行对比表明,该模型对船舶交通量的预测是有效的。     

基于神经网络的船舶主尺度优化设计方法

详细介绍了神经网络的模拟退火算法的特点，基本思想及计算步骤，并以主尺度优化设计为例，针对主尺度优化问题解的特性和状态，对模拟退火算法具体应用中的几个问题进行了探讨。     

基于神经网络的船舶阻力计算数值实验研究

3层以上的前向神经网络能以任意精度逼近任何非线性函数,采用误差反传算法,利用系列60船模原始试验数据作为训练和检验样本,应用输出与目标的线性回归、相关系数和相对误差,以及利用该神经网络绘制的曲线作为评价指标,通过大量的数值实验对最佳训练函数、性能函数、传递函数、隐层神经元数的选用进行了研究,建立了最佳的系列60船舶阻力计算3层和4层BP神经网络系统。     

基于深度学习的船舶滚动轴承状态监测技术研究

滚动轴承作为一种关键零件已被广泛应用于船舶的减速齿轮箱、船用泵、空压机、小型马达等重要设备中,因此,对船用滚动轴承开展状态监测技术研究对保证船舶可靠性、安全性具有重要意义。随着传感器的微型化、数字化、智能化、多功能化、系统化和网络化,各类传感器（如光敏、声敏、气敏、压敏、温敏、磁敏等传感器）被普遍应用于船舶设备的监测中,采集大量的设备健康状态数据。本文对轴承状态数据进行分析,通过深度神经网络自动学习滚动轴承监测数据中的故障特征,研究数据驱动下船用滚动轴承的状态监测关键技术。