卡尔曼算法在船舶运动模型参数辨别中的应用

人工智能技术飞速发展,人们已经实现了依靠智能算法识别船舶运动轨迹,这对船舶的航行安全起着重要的推进作用。在对船舶运动状态进行跟踪识别过程中,首先要从视频图像中提取出目标物体的特征值,然后在数据库中进行比对,进一步获得目标物的具体参数。本文采用卡尔曼算法对船舶运动目标的特征参数进行分析,首先建立船舶运动时的动力模型,然后结合目标的灰度统计特性,对船舶的运动状态和运动参数的转移算法进行设计。从仿真结果可知,本文所提出的运动模型识别算法满足基本的鲁棒性和准确度,能够对船舶目标进行速度识别和航迹跟踪。     

改进蚁群算法及其在船舶最优航线导航中的应用

由于海洋航行环境复杂,同时受到各种风、浪、流等多种因素的影响,使得在通航水域发生的安全事故随之增加,造成巨大的财产损失,同时危及船员的生命安全。为了保障船舶在海洋上安全高速航行,必须设计出最为安全可靠的最优航线。针对传统的蚁群算法在船舶最优航线导航过程中后期存在收敛速度慢、易出现停滞的缺陷,设计一种改进的蚁群算法进行船舶最优航线导航。首先利用混合更新策略,对船舶航线栅格上的信息素进行更新,然后在找到的船舶的所有可行航线中,搜索出最优航线,最后进行仿真测试。实验结果表明,相比较于对比算法,改进蚁群算法搜索到的航线更优,更为安全可靠,所耗费的时间少于对比算法,是一种效率高、可靠性好的船舶最优航线导航算法。     

模糊关联挖掘算法在船舶操纵运动模型中的应用

首先将获取到的连续数据运用模糊C均值聚类算法离散化;然后将离散化的数据进行模糊关联挖掘;最后利用船舶中Z型实验时间序列验证船舶操纵模型的可靠性。实验结果表明,在存在环境干扰的情况下,预测航向偏差曲线更平滑,更能反映船舶操纵运动情况。     

多目标细胞算法在船舶电力网络恢复中的应用

近年来,随着船舶自动化、电气化程度日益增强,对船舶电力网络的可靠性提出了新的挑战。船舶电力网络恢复是解决船舶电力故障的重要途径之一,当故障发生时,利用转换开关,最大程度恢复主要负载的电力供应。本文研究船舶电力网络及故障提取,建立网络恢复数学模型,利用多目标细胞算法提高网络恢复的效率。     

改进QuickBundles算法在船舶轨迹聚类中的应用

对船舶AIS数据聚类进行研究,可以挖掘出船舶航行过程中有效或潜在的信息,对于提高船舶海事交通管理和水路交通运输的智能化水平具有重要意义。传统的聚类算法在面对大量的AIS数据样本时通常表现出很低的执行效率。因而,提出一种改进QuickBundles算法,并对船舶轨迹采样方法和距离度量方式进行改进,选取长江南京航段板桥汽渡水域的船舶AIS数据作为试验依据,最终实现船舶轨迹的有效聚类。试验结果表明,与原QuickBundles算法和DBSCAN算法相比,改进QuickBundles算法在算法执行效率和算法准确性方面优于前两种算法,证明改进QuickBundles算法可有效应用于船舶轨迹聚类。     

基于GA-FCMAC算法的船舶运动智能控制器

在研究模糊小脑模型神经网络控制器（FCMAC）的基础上，本文提出了基于遗传算法学习的模糊小脑模神经网络控制（GA－FCMAC）算法并应用于船舶运动。仿真结果表明该算法具有良好的控制性能。     

GESA算法在船舶性能优化设计中的应用

ＧＥＳＡ算法是一种全局采用全局优化策略的人工神经网络的并行技术，它以一种新颖的方式综合了遗传算法，模拟淬火、模拟进化的思想；它的另一个特点是在解空间实施区域引导 。本文用ＧＥＳＡ算法进行船舶性能优化计算，这种方法速度快速，由于是全局优化策略，避免了陷入局部最小值，利用该方法，可向设计部门提供咨询服务。     

BP神经网络在船舶运动估计中的应用

船舶运动估计在船舶安全、船舶节能等方面有着重要作用。本文给出一种基于BP神经网络的船舶运动估计方法。BP神经网络具有较强的自学习与自适应能力,通过把改进的BP神经网络模型应用到船舶运动估计中,实现了对船舶动态信息的准确预测。     

磁力泵及其在船舶的应用前景

介绍了磁力泵的基本工作原理、结构和特点,总结了目前国内外磁力泵在陆上行业应用现状和前景,并对磁力泵在远洋船舶的应用前景进行展望。     

新颖的GPS动态滤波算法及其在船舶导航中的应用研究

本文首先建立起ＧＰＳ动态定闰的数学模型，然后运用一种新颖的滤波算法对ＧＰＳ信号进行处理，最后研究了ＧＰＳ定位技术在船舶导航中的应用。     

船舶移动目标高效识别算法

近几年无人驾驶船的兴起使得传统的手工操作模式发生了改变,无人驾驶、数字驾驶、智能驾驶成为未来船舶发展的主要趋势。为保证无人船的安全,船舶应具备对周围环境的精确感知能力,并运用多种传感器及人工智能技术,建立海洋移动目标检测系统,以保证其在海上的安全运行。此次采用多特征融合技术进行检测得出,其准确率比一般的神经网络要高,而且与传统的神经网络方法相比也有较大的提高。对海洋中的多个运动物体进行辨识,结果也表明该算法是一种稳定、有效的方法。     

改进二阶灰色极限学习机在船舶运动预报中的应用

为提高船舶运动预报的精度,基于海上船舶运动姿态具有灰色特性和周期性振荡特性的特点,提出一种以误差平方和最小为准则的改进二阶灰色极限学习机组合预测模型,对船舶运动姿态进行预报。该方法利用五点三次平滑算法对船舶运动姿态序列进行平滑降噪,采用余弦函数变换构建GM(2,1)预测模型;利用自适应粒子群算法(Adaptive Particle Swarm Optimization,APSO)优化极限学习机权值和阈值参数,对不同模型预测结果进行加权求和,构建改进二阶灰色极限学习机组合预测模型。对2组船模水池试验纵摇时历进行预报,并将其与其他传统的预测方法相比较,结果表明,建立的组合预测模型具有更好的预测精度和泛化能力。     

载液船舶在波浪中的运动预报

载液船舶在波浪中的运动是一个复杂的力学问题,它涉及到船舶摇荡运动与液体晃荡运动的相互耦合作用。本文将建立计及液体晃荡载荷的载液船舶在波浪中的运动方程并概述相关研究现状。     

多目标遗传算法在船舶操纵性优化设计中的应用

以水面船舶为研究对象,根据操纵性衡准建立了船舶操纵性能的多目标优化模型.基于经验公式和多目标遗传算法,讨论了船舶在概念设计阶段操纵性优化的求解,给出了一个50000吨级散装货船的数值算例.     

进化粒子群优化算法在船舶纵向运动参数辨识算法设计中的应用

我国航运事业飞速发展,各种类型和用途的船舶被制造出来,以满足经济发展的需要。而在复杂的海洋环境航行时,由于天气环境可能会非常恶劣,船舶的航行安全受到了严重的威胁。而基于进化粒子群优化算法的控制系统,能够有效对运动参数进行优化,从而避免发生意外,船舶纵向运动的控制是本文的研究重点。由于船舶的纵向控制需要多个系统联合同时进行,需要对众多的相关参数进行时序上的优化,从而找到最优的一组运动模态,以提高航行的安全性。     

蚁群优化算法在船舶电力系统重构中的应用

船舶工业的发展是我国国防工业、交通运输的重要基础,船舶电力系统的故障重构一直是国内外研究的热点,船舶电力系统故障重构是一典型的非线性组合优化问题。本文提出了一种改进的蚁群算法对船舶电力系统故障重构问题进行研究,并通过实例分析和实验仿真将改进后的蚁群算法和传统基本蚁群算法进行对比分析,得出了改进后的蚁群算法在船舶电力系统故障重构问题上具有更加优越的性能。     

卡尔曼滤波器在船舶运动模型参数辨识中的应用

船舶航行在广阔洋面时,由于速度极快,因此具有很好的机动性,但遇到恶劣天气时,会面临很大的控制难题,尤其是控制信号的传递和导航数据的传输过程中会面临较强的干扰问题。本文主要研究船舶运动模型参数的辨识问题,采用卡尔曼滤波器对输入信号进行处理,能够主动分离出有用信号和噪声信号。在滤波过程中,通过对滤波参数进行提取,能够提高滤波效率,显著改善了船舶运动控制的水平。     

小波算法在船舶运动控制系统中的应用

随着计算机自动控制技术的发展,船舶运动控制系统中融合了更多的智能化控制技术。为能够真实系统地反映出船舶运动系统的动态变化过程,本文设计基于小波算法的自动化运动控制系统,系统充分发挥了小波神经算法具有的自主学习、自适应和时频聚焦等特点。在保证系统运动姿态识别精度的同时,提出改进型的时滞小波神经网络预测算法。通过仿真实验证明,此算法能够良好适应船舶海上运动的大惯性和时变非线性等特性,在船舶自动化运动控制领域的应用前景广阔。     

数据挖掘技术在船舶操纵运动预报中的应用研究

船舶操纵性直接影响船舶的航行安全。本文首先阐述BP神经网络的特点,并且以此为基础设计基于数据挖掘的船舶操纵运动预报的神经网络结构,选取散货船样本进行学习,获得3个预报样本,最后对散货船的水动力进行预报。预报结果表明,本文所采用的基于神经网络的数据挖掘技术预报精确度高。     

船舶在波浪中的操纵运动预报

本文应用水平的随船坐标系,建立了船舶在波浪中的六自由度操纵运动方程。为了检验数学模型的正确性,进行了船舶在波浪中的操纵运动模型试验。应用上述数学模型,初步分析了波浪对船舶操纵性能的影响,以及船舶操纵对波浪中船舶运动性能的影响。