内河船舶AIS与雷达动态信息集成性融合

针对船载传感器信息的多源性、多维性和异构性特征,构建船舶动态信息融合模型,以提高内河航行中船员对目标船动态的感知和辨析能力。通过分析船载导航设备在船舶动态辨析中的局限性和互补性,构建集成卡尔曼滤波、自适应加权和神经网络等方法的多源异构数据融合模型,并通过实测和模拟数据计算对该模型进行验证,确定系统的可靠性、稳定性和精确性。该模型不仅对保障内河船舶航行安全、提高内河水上交通效率具有重要的理论参考价值,而且对内河水运安全的保障工作具有积极的现实意义。     

大雾天气海上船舶交通异常挖掘识别方法

传统船舶交通异常识别方法在大雾天气环境下,存在挖掘算法对船舶轨迹异常状态辨识度降低的问题。通过分析发现,原因在于传统方法中没有引入大雾天气对船舶轨迹检测信号的扰动变量,导致轨迹检测数据与挖掘算法之间出现数据断链,降低了数据挖掘的识别效果。因此,提出大雾天气海上船舶交通异常挖掘识别方法分析。首先通过LSTM算法,将大雾天气扰动特征代入挖掘神经网络,获得带有大雾扰动特征神经网络;接着,根据大雾扰动特征建立混合高斯船舶轨迹模型,为交通异常识别提供基础数据;然后,通过Spark分布式挖掘算法,完成对船舶交通异常数据的挖掘识别。通过仿真实验,对传统挖掘识别方法与提出方法效果进行多组数据对比,证明提出挖掘识别方法的有效性。     

图像处理在船舶目标分类中的应用研究

随着我国航运业的快速发展,航运交通安全问题也成为管理者关注的重点。船舶交通管理系统得到发展和广泛使用。虽然雷达、自动识别系统(AIS)、全球定位系统(GPS)等辅助技术在VTS系统中得到运用,但这些技术在船舶分类识别等方面存在一定局限性。本文对图像处理技术在VTS系统中船舶分类应用的可行性进行研究,提出一种基于模板匹配和神经网络的船舶分类的算法模型,尝试通过该算法模型解决现有VTS系统存在的一些不足,同时进行仿真实验并给出仿真结果。     

港口集装箱吞吐量的灰色神经网络预测模型研究

为了降低港口集装箱吞吐量的预测误差,提高预测精度,文章通过分析传统的灰色预测模型和 BP 神经网络预测模型的优缺点,构建了灰色神经网络港口集装箱吞吐量预测模型,该模型充分发挥了灰色模型所需初始数据少和 BP 神经网络非线性拟合能力强的特点。以实际数值作为初始数据,各种灰色模型的预测值为神经网络的输入值,神经网络的输出值为组合预测结果。通过实例分析,结果表明：灰色神经网络预测模型提高了预测精度,预测结果比较理想,优于单一预测模型,因此,该模型用于港口集装箱吞吐量预测是可行的、有效的。     

基于FNN的船舶舵伺服系统故障诊断研究

分析某型船舶舵伺服系统的故障信息,建立了模糊神经网络故障诊断模型.利用模糊逻辑处理数据以便于充分利用经验知识;利用神经网络诊断,避免了复杂故障树诊断系统的"匹配冲突"、"组合爆炸"和"无穷递归"等问题,并采用改进的BP算法训练神经网络,解决了收敛速度和收敛振荡的问题.诊断实例结果表明:该故障诊断系统具有较强的鲁棒性和泛化能力;该算法采用无模型化诊断,容易实现自学习,可不断完善系统性能,具有一定的理论和工程应用价值.     

基于GRU-DconvLSTM的船舶轨迹预测

利用深度学习方法预测船舶未来航行趋势，对海上交通安全以及船舶管理具有重要意义。在船舶自动识别系统（AIS）中已知的经度、纬度、航速数据基础上，提出一种基于门控循环单元结合双卷积层长短期记忆神经网络（GRU-Dconv LSTM）预测模型。根据原始数据的变化趋势，采用标准差法对数据中的异常值进行处理，得到最终试验数据。该模型一方面通过门控循环单元（GRU）学习船舶历史数据上的运动规律；并采用双卷积层与长短期记忆神经网络（LSTM）结合的形式充分提取数据深层信息，提高模型对时序数据深层次特征的挖掘能力。将该模型与卷积长短期记忆神经网络（CNN-LSTM）、卷积门控循环神经网络（CNN-GRU）以及卷积层长短期记忆（Conv-LSTM）神经网络等3个模型进行对比，将均方根误差、平均绝对误差、平均绝对百分比误差作为评价标准，结果表明，GRU-Dconv LSTM模型在经度和纬度预测上误差较小，精确度较高。     

一种基于舰船磁场的神经网络识别模型

为获得更为精确的识别结果,需要对舰船三轴磁场之间的相关性研究并进行融合。本文提出了一种将神经网络数据融合技术应用于舰船目标识别的模型,分析了舰船三个方向磁场的通过特性以及它们之间的相关性,并利用神经网络数据融合技术实现对舰船目标航速、横距和船型的模式识别。经过实测数据验证,该识别模型对舰船目标具有较高的检测概率。     

基于RBF神经网络的雷达网抗干扰效果评估

通过分析雷达网抗干扰效果的评估指标集,建立了一种基于RBF神经网络的雷达网抗干扰效果评估模型,并通过试验数据样本进行学习训练RBF神经网络模型。最后,利用训练好的RBF神经网络模型对雷达网的抗干扰效果进行评估,结果表明基于RBF神经网络的雷达网抗干扰效果模型具有一定实用性和可行性。     

一种潜艇作战软件质量评价的新方法

提出一种基于专家知识与神经网络的潜艇战术应用软件质量评价方法.该方法运用专家知识对软件质量指标进行了修正,并作为模型的输入,利用模糊综合评判方法获取该模型的训练数据和测试数据训练神经网络,将训练好的神经网络用于对软件进行质量评价.经算例仿真证明该方法是可行和有效的.     

应用模糊优选BP网络模型研究龙羊峡水电站坝区地下水渗流场

简述了模糊优选法原理和模糊优选BP神经网络模型的建立过程,比较该模型与一般BP神经网络模型的异同,认为前者优于后者。根据龙羊峡水库坝面钻孔水样的环境稳定同位素和温度数据,应用模糊优选BP神经网络模型分析了坝区地下水渗流场分布特征和水力树立补给关系,计算结果与通过人工同位紊以及和温度示踪等方法的分析结论一致。     

改进BP神经网络的城市交通流预测研究

由于交通流预测具有高度的非线性特点,这与BP神经网络能够处理非线性问题的特征相符合。但BP神经网络算法易使解陷入局部极小,而遗传算法的全局优化能力则恰恰可以克服这一缺点。文中将遗传算法应用于对BP神经网络模型的改进来对交通流进行预测。通过对预测数据与实测数据的比较分析,证实了改进后的方法更为有效。     

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GA优化的灰色神经网络船舶交通流量预测方法研究

结合灰色模型和BP神经网络模型的特点,对两种模型进行有机地组合,构建一种改进的灰色神经网络预测船舶流量方法.以实际船舶交通流量和主要影响因素为数据,运用遗传算法改进的灰色神经网络模型对上海洋山港的船舶交通流量进行预测,计算和Matlab仿真结果表明,改进的灰色神经网络模型预测不仅精度较高,而且能准确预测船舶交通流量的变化规律.     

基于SARIMA-BP模型的港口船舶交通流量预测

为提高船舶交通流量预测精度,提出一种季节性自回归移动平均(Seasonal Autoregressive Integrated Moving Average,SARIMA)模型和BP神经网络的误差校正集成模型。以深圳港2011—2017年的数据为研究样本,对原始数据进行预处理,构建最优SARIMA模型,以该模型求出的残差序列作为BP神经网络的输入,将两个模型预测结果进行整合,得到集成模型的预测结果。试验结果表明:该误差校正集成模型与两个单一模型相比,体现出船舶交通流量数据的季节性特征,具有较好的预测精度,为港口船舶交通流量预测提供一种更为有效的方法。     

基于交通条件改善的公路网交通生成预测方法研究

以经济、人口、车辆保有和广义出行时间为基本变量,采用回归分析方法建立交通生成预测模型,从而在交通生成阶段中考虑了交通出行条件改善的影响,将交通生成预测和诱增交通预测两者结合,既考虑了社会经济对交通的决定作用,又考虑了交通供给对交通生成的反作用。模型应用于江苏省高速公路网规划实践,结果表明,模型能够反映不同地区经济、人口、车辆保有以及交通条件等因素对各地区交通生成特性的差异,并且具有实用、精度高、可操作性强的特点。     

Wave tranquility studies using neural networks

Information on heights of waves and their distribution around harbor entrances is traditionally obtained from the knowledge of incident wave, seabed and harbor characteristics by using experimental as well as numerical models. This paper presents an alternative to these techniques based on the computational tool of neural networks. Modular networks were developed in order to estimate wave heights in and around a dredged approach channel leading to harbor entrance. The data involved pertained to two harbor locations in India. The training of networks was done using a numerical model, which solved the mild slope equation. Test of the network with several alternative error criteria confirmed capability of the neural network approach to perform the wave tranquility studies. A variety of learning schemes and search routines were employed so as to select the best possible training to the network. Mutual comparison between these showed that the scaled conjugate method was the fastest among all whereas the one step secant scheme was the most memory efficient. The Brent's search and the golden section search routines forming part of the conjugate gradient Fletcher–Reeves update approach of training took the least amount of time to train the network per epoch. Calibration of the neural network with both mean square as well as the sum squared error as performance functions yielded satisfactory results.     

Short-term prediction of vehicle waiting queue at ferry terminal based on machine learning method

Ferry service plays an important role in several cities with waterfront areas. Transportation authorities often need to forecast volumes of vehicular traffic in queues waiting to board ships at ferry terminals to ensure sufficient capacity and establish schedules that meet demand. Several previous studies have developed models for long-term vehicle queue length prediction at ferry terminals using terminal operation data. Few studies, however, have been undertaken for short-term vehicular queue length prediction. In this study, machine learning methods including the artificial neural network (ANN) and support vector machine (SVM) are applied to predict vehicle waiting queue lengths at ferry terminals. Through time series analysis, the existence of a periodic queue-length pattern is established. Hence, methodologies used in this study take into account periodic features of vehicle queue data at terminals for prediction. To further consider the cyclical characteristics of vehicle queue data at ferry terminals, a prediction approach is proposed to decompose vehicle waiting queue length into two components: a periodic part and a dynamic part. A trigonometric regression function is introduced to capture the periodic component, and the dynamic part is modeled by SVM and ANN models. Moreover, an assembly technique for combining SVM and ANN models is proposed to aggregate multiple prediction models and in turn achieve better results than could be attained from a lone predictive method. The prediction results suggest that for multi-step ahead vehicle queue length prediction at ferry terminals, the ensemble model outperforms the separate prediction models and the hybrid models, especially as prediction step size increases. This research has important practical significance to both traffic service management interests and the travelers in cities along waterfront areas.     

金属疲劳裂纹扩展速率的贝叶斯正则化BP神经网络预测

人工神经网络是进行预报裂纹扩展率的一个重要方法。文章针对不同金属的疲劳裂纹扩展速率分别建立贝叶斯正则化BP(Back Propagation)神经网络,将各材料在不同应力比R下的疲劳裂纹扩展速率试验数据分为两部分,一部分用来进行训练网络,另一部分用来测试训练好的网络,检验其泛化能力。将从文献中获取的4种不同金属材料的疲劳试验数据作为算例,来检验网络的性能。计算结果表明贝叶斯正则化BP神经网络不仅对训练样本有很好的拟合能力,而且对于未训练过的测试样本也有较好的预测能力,即有较强的泛化能力。同时,指出了建立网络时减少门槛值附近的试验样本点,可以提高网络的预测能力。研究结果表明,该方法可以方便地获得不同应力比R下的疲劳裂纹扩展速率,从而达到减少试验次数,充分利用已有数据的目的。并且可以进一步应用于其他金属的疲劳裂纹扩展速率的预报。     

基于广义回归神经网络的船舶交通量预测模型

船舶交通量受多种环境与社会因素的影响,使得船舶交通量预测存在复杂性与非线性的特点.在分析现有预测模型和方法不足的基础上,介绍了广义回归神经网络GRNN的基本原理与拓扑结构.不同类型船舶受各类因素影响的程度不同,根据天津港VTS(Vessel Traffic Services)中心提供的船舶交通量数据,按船舶种类将船舶交通量分为六类,利用GRNN神经网络分别进行预测.预测结果表明GRNN神经网络具有很强的非线性拟合能力,有效解决了天津港船舶交通量预测中的小样本问题,提高了整个预测系统的精度与稳定性.