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。     

基础沉降的组合预测法

通过对基础沉降的发生过程、特点及灰色Verhulst模型特点的分析,提出可以根据施工过程中的观测资料,运用基于BP神经网络的组合预测模型对不同时刻的基础沉降进行预测;首先分别利用灰色Verhulst模型和BP神经网络模型对基础沉降进行估算,然后利用人工神经网络中的BP神经网络对采用前2种模型所得的结果进行组合预测。计算实例表明,使用该组合预测方法所得到的预测结果比单独使用灰色Verhulst模型或BP神经网络模型所得到的预测结果的总体误差要小,因而该方法是可行的、有效的;可以运用到实际工程中。     

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 propagation,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。     

软土地基沉降预测的人工神经网络方法与应用

利用神经网络强大的非线性映射能力,提出了一种基于BP神经网络模型的软土地基沉降量的预测方法,可对不同情况下软土路基沉降量进行合理地预测。实例检验证明,该方法收敛速度快,预测的可靠性令人满意。     

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。     

基于广义回归神经网络的路基沉降预测

为了对路基沉降变化规律进行预测,避免发生工程事故,提出了将广义回归神经网络模型应用于软土地基沉降预测中的方案。通过广义回归神经网络的基本理论和概念,采用实际工程数据,用 BP 神经网络方法和广义回归神经网络方法进行了预测分析,比较了2种方法的3组预测结果。工程实例预测结果表明,广义回归神经网络方法的均方误差和决定系数表现都优于 BP 神经网络方法;证明该方法是可行且有效的。     

神经网络在单桩承载力预测中的应用

运用基于BP神经网络的组合预测模型对PHC桩的极限承载力进行预测。分别利用灰色GM(1,1)模型和BP神经网络对桩在荷载作用下的沉降进行估算,然后利用人工神经网络中的BP网络对所得的结果进行组合预测;最后利用Lagrange算法计算桩的极限承载力。计算实例表明,使用该组合预测方法所得的预测结果比单纯使用灰色GM(1,1)模型或神经网络模型所得结果的总体误差要小,因而该方法是可行的、有效的。     

基于遗传BP神经网络的耙吸挖泥船产量预测研究

耙吸挖泥船的工作效率和经济效益直接取决于干土方的生产率,因此预测干土方生产率对耙吸式挖泥船疏浚机构分析和效率优化具有重要意义。耙吸挖泥船疏浚过程模式是一种复杂的非线性动力学模型,该模型受多种因素的影响,为了减少各种因素带来的影响,我们采用通过遗传算法(GA)优化的BP神经网络来构建干土方生产率的预测模型。为了评估预测模型的性能,未优化的BP神经网络预测模型也用于实验比较。实验结果表明,遗传算法优化后的神经网络预测模型能够满足预测需求,训练好的神经网络可以作为干土方生产率预测的有用工具。     

基于GA优化BP神经网络的港口集装箱吞吐量预测

为了提高港口集装箱吞吐量的预测精度,在BP神经网络的基础上,结合遗传算法(GA)建立一个新的预测模型。该模型利用GA自适应搜索能力和较快的收敛速度,进而确定BP神经网络中的最优权值和阈值。以青岛港2012-2018年集装箱吞吐量统计数据为例,进行实例验证。结果表明,与传统的BP神经网络相比,该模型能显著地提高港口集装箱吞吐量的预测精度,用于预测港口集装箱吞吐量具有一定可行性。     

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IGA-BP算法的船舶航向智能自适应控制系统设计

在深入研究基于BP学习算法的前向神经网络以及模糊神经网络控制器的基础上,针对模糊神经网络控制器难以设计以及传统BP学习算法易于陷入局部收敛的不足,结合免疫遗传算法的全局收敛特性以及BP学习算法局部收敛的快速性,提出了一种基于混合计算智能方法的IGA-BP算法的神经网络参数的优化设计方法.将设计的控制器用于建立船舶航向控制系统模型,仿真结果表明,在船舶无干扰和存在随机干扰的情况下,基于IGA-BP算法设计的船舶航向控制系统均能使船舶转向控制无超调,跟踪快,比BP学习算法的控制效果更理想.     

Black-box modeling of ship manoeuvring motion based on feed-forward neural network with Chebyshev orthogonal basis function

Based on polynomial interpolation and approximation theory, a novel feed-forward neural network, the feed-forward neural network with Chebyshev orthogonal basis function, is proposed for black-box modeling of ship manoeuvring motion. The neural model adopts a three-layer structure, in which the hidden layer neurons are activated by a group of Chebyshev orthogonal polynomial activation functions and the other two layers’ neurons use identity mapping as activation functions. Weight update formulas are derived by employing the standard back-propagation (BP) training method. With the simulated 15º/15º zigzag test data as input and calculated values of the hydrodynamic forces and moment as output, the feed-forward neural network with Chebyshev orthogonal basis function and the BP neural network are applied to identify the nonlinear functions in the nonlinear hydrodynamic model of ship manoeuvring motion. With the simulated 20º/20º zigzag test data and 35º turning test data as input, the hydrodynamic forces and moment are predicted by using the identified nonlinear functions. Comparison between the calculated and predicted hydrodynamic forces and moment shows that the feed-forward neural network with Chebyshev orthogonal basis function is superior to the BP neural network in identifying the nonlinear functions of the nonlinear hydrodynamic model of ship manoeuvring motion and is an effective method to conduct the black-box modeling of ship manoeuvring motion.     

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-GA算法的环肋锥柱壳多目标优化设计

本文以超大潜深的潜艇耐压壳结构为研究对象,利用排水量表达式估算潜艇主尺度。通过Ansys软件的Apdl语言建立环肋锥柱壳的有限元模型,并分析计算耐压壳的强度及稳定性。以肋骨间距、耐压壳厚度和肋骨尺寸作为离散设计变量,以结构重量、总体失稳临界压力作为优化目标,实现基于神经网络和遗传算法的环肋锥柱壳多目标优化设计。在Matlab平台上,首先用拉丁超立方体抽样,再用BP神经网络建立起样本点和目标函数之间的映射关系,构建神经网络代理模型,最后调用多目标优化函数gamultiobj进行优化。优化结果表明,利用BP神经网络和遗传算法相结合进行复杂模型环肋锥柱壳的多目标优化,效率较高,精度较好,达到较理想的优化效果。     

多信息融合技术在船舶动力装置故障诊断中的应用

船舶动力装置工作过程中会产生大量多域故障信号,通过收集、挖掘隐藏的关联信号,可以解决船舶动力装置在故障诊断中面临的诊断时长问题.文章采用K-均值聚类算法(K-means)对数据进行聚类,聚类结果输入BP神经网络进行模型训练,并在此基础上,设计了主成分分析法(PCA)对模型进行优化.结果 显示,2种算法都能有效降低网络诊...     

基于BP人工神经网络和遗传算法的船舶螺旋桨优化设计

在原有图谱设计方法的基础上,采用BP(Back-Propagation)人工神经网络模型和遗传算法GA(GeneticAlgorithm),建立了一种船舶螺旋桨优化设计方法。BP人工神经网络模型通过训练可以具备强大的非线性映射能力,以数学解析的形式,较好地提取了海量螺旋桨水动力性能数据特征;GA不依赖于问题的具体领域,对问题的种类有很强的鲁棒性,为计算机辅助船舶螺旋桨优化设计提供了一种通用的多参数优化框架。针对三体消波艇半浸式螺旋桨和沿海巡逻艇螺旋桨的设计实例表明,该方法能快速可靠地搜索到最优解,不仅具有足够的工程精度,而且实用方便,适用性强。     

Underwater vehicle sonar self-noise prediction based on genetic algorithms and neural network

1Introduction Sonarself noiseisakeyfactorinfluencingthehiding capabilityofanunderwatervehicleanddetectioncapa bilityofsonar.Decreasingsonarself noisehasimpor tanteffectonenhancingtheprobabilityofsonardetec tionandbattleeffectivenessofunderwatervehicle.An …     

基于神经网络的汽轮发电机组推力瓦块拆检周期改进

运用人工神经网络的方法对某舰用汽轮发电机组的滑油铜含量进行分析,找出铜含量的变化规律,然后与曲线拟合进行数据处理的方法作比较,结果表明,基于遗传算法的BP网络模型比曲线拟合模型的预报精度明显提高,预报结果稳定,且建立模型的过程较为简单。