GMDH神经网络在数据预测中的应用

利用GMDH(Group Method of Data Handing)神经网络进行数据预测.与一般的前馈神经网络不同,GMDH网络的结构确定于训练过程之中,因而可大大提高神经网络性能,从而特别适用于数据预测.文中提供的两个实例表明,利用GMDH网络进行数据预测的结果与实际值符合得很好,特别在金融预测方面有很好的应用前景.     

GMDH神经网络在数据预测中的应用

利用ＧＭＤＨ（Ｇｒｏｕｐ Ｍｅｔｈｏｄ ｏｆ Ｄａｔａ Ｈａｎｄｉｎｇ）神经网络进行数据预测。与一般的前馈神经网络不同，ＧＭＤＨ网络的结构确定于训练过程之中，因而可大大提高神经网络性能，从而特别适用于数据预测。文中提供的两个实例表明，利用ＧＭＤＨ网络进行数据预测的结果与实际值符合得很好，特别在金融预测方面有很好的应用前景。     

基于GRNN算法的船用柴油机性能曲线模拟与油耗率预测

根据4190ZLC-2船用四冲程增压柴油机实际实验测得数据,建立基于广义回归神经网络(GRNN)的柴油机性能曲线和燃油消耗率预测模型。在所得实验数据中,选取柴油机油门、转速、扭矩等参数数值作为网络输入,柴油机的燃油消耗率作为网络输出。仿真结果表明:基于GRNN模型的神经网络学习速度快,预测精度高,可以很好地适用于柴油机燃油消耗率的性能预测中,并且能很好的实现预测仿真的效果。模型建立之后,可以根据测得数据实时了解柴油机的运行工况及性能状态。     

基于LSTM神经网络算法的船舶电站故障诊断

船舶电站是船舶中的重要组成部分,船舶电站的故障类型较为复杂。文章利用Simulink软件平台对船舶电站各种短路故障进行仿真建模,选取各相电流电压参数作为数据集的来源,并在MATLAB中进行数据的处理和预测图像的绘制。LSTM神经网络算法相比于其他算法,解决了长时依赖问题,并对预测数据有极高的解释度。结果表明：基于LSTM神经网络算法的故障诊断模型能够很好的对船舶电站故障模式做出诊断。     

基于Matlab神经网络工具箱进行港口集装箱运量预测

基于Matlab的神经网络工具箱，利用其自带的用于神经网络的函数，通过简单的编程实现了线性神经网络、BP网络和RBF网络三种神经网络的建立、学习和训练，并对一实例进行了预测，结果显示是很有效的。     

BP神经网络在长螺旋成孔压灌注混凝土桩单桩极限承载力预测中的应用

BP网络(Back Propagation Neural Network)是工程中广泛应用的一种神经网络模型。根据试验数据,运用BP网络对长螺旋成孔压灌注混凝土桩单桩极限承载力进行预测,将预测结果与实测值进行比较。结果表明,神经网络方法预测的结果与实测值的误差满足工程要求。     

基于遗传小波神经网络的港口船舶交通流量预测模型比较

对船舶交通流量进行准确预测在现代智能交通系统领域发挥着重要作用,为提高对船舶交通流量预测的准确性,本文将遗传算法分别与小波分析和神经网络进行结合,构建改进遗传小波神经网络模型,对广东省船舶交通流量的季度数据进行预测,并与遗传BP神经网络和传统小波网络等算法的预测进行对比。结果表明:经过遗传小波神经网络预测模型的误差相比传统的遗传BP神经网络模型和小波神经网络模型大幅度减小,提高了预测精度,从而保障水上交通安全,给水上安全主管部门的相关决策提供理论依据。     

基于神经网络对电控柴油机运行特性影响因素仿真研究

基于AVL-BOOST软件仿真平台建立某船用四缸柴油机仿真模型,标定后的模型进行柴油机全工况仿真计算。仿真出来的3 200组数据作为人工神经网络输入数据,采用贝叶斯统计方法对网络进行训练建立2层的反馈神经网络仿真模型。并分别通过实验、AVL-BOOST和神经网络数据曲线的对比分析,验证人工神经网络预测的准确性。利用验证好的人工神经网络模型预测进排气压力对柴油机转矩的影响,以及预测压缩比和供油定时对柴油机排放性能和动力性能的影响,最后利用扰动法分析不同工况下柴油机各个参数对柴油机性能的影响程度。     

神经网络在混凝土断裂能预测中的应用

通过神经网络中最广泛使用的BP网络建立预测模型,预测混凝土的断裂能。对模型的预测值与试验数据及已有的数学预测公式的预测值进行了比较。研究表明,神经网络方法由于综合考虑了更多的混凝土断裂能影响因素,而且能够实现非线性关系,所以具有较高的预测精度。神经网络预测模型在混凝土断裂能预测中具有广阔的应用前景。     

基于神经网络对电控柴油机运行特性影响因素仿真研究

基于AVL-BOOST软件仿真平台建立某船用四缸柴油机仿真模型,标定后的模型进行柴油机全工况仿真计算.仿真出来的3 200组数据作为人工神经网络输入数据,采用贝叶斯统计方法对网络进行训练建立2层的反馈神经网络仿真模型.并分别通过实验、AVL-BOOST和神经网络数据曲线的对比分析,验证人工神经网络预测的准确性.利用验证好的人工神经网络模型预测进排气压力对柴油机转矩的影响,以及预测压缩比和供油定时对柴油机排放性能和动力性能的影响,最后利用扰动法分析不同工况下柴油机各个参数对柴油机性能的影响程度.     

基于NeuralProphet-LSTM组合模型的港口货物吞吐量预测

为进一步提高货物吞吐量预测准确性,提出基于NeuralProphet时间序列模型与长短期记忆(LSTM)神经网络的组合预测模型。首先利用NeuralProphet模型对港口货物吞吐量数据进行训练得到预测值并计算残差序列,然后对残差数据建立LSTM神经网络模型进行预报修正,重构得到最终的预测值。以上海港、厦门港的月度货物吞吐量数据为样本展开试验,结果表明,该模型能够有效地解决数据异常波动造成的预测结果误差大、预测效果不稳定等问题;相比于传统单一模型与LSTM-支持向量机(SVM)、Bi-LSTM等组合模型,NeuralProphet-LSTM模型预测精度更高,可帮助港航企业及时调整规划决策与经营策略。     

神经网络模型在港口吞吐量预测中的应用与误差分析

应用神经网络BP算法对杭州港的吞吐量预测实例进行了详细分析。通过对网络各种参数的调试与组合得出,当隐含层节点数为15,训练控制误差为0.035,分级迭代级数为4级,平滑因子参数为0.2,学习速率参数为1.5时,网络性能最佳。将网络预测结果与时间序列和回归分析2种方法进行了比较,得出神经网络方法在短期预测中要优于传统方法。通过对模型预测误差产生原因的简要分析,得出神经网络方法并不适用于吞吐量长期预测。最后对其应用过程中可能存在的一些问题提出了建议。     

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。     

基于小波神经网络的上海港集装箱吞吐量预测

针对港口集装箱吞吐量预测精度不高的问题,采用小波函数作为隐含层传递函数改进BP神经网络进而建立小波神经网络,并对2008-2017年上海港的每月集装箱吞吐量数据按照前三个月预测后一个月的方式构建出训练数据和预测数据,同时与BP神经网络在同样数据情况下的预测精度进行比较分析。结果表明:小波神经网络的预测误差明显小于BP神经网络,其预测性能更好。     

基于BP神经网络与L-M算法的潜艇声纳自噪声预报

L-M（Levenberg-Marquart）算法与BP（Back-Propagation）神经网络相结合，使神经网络在多样本、大变量输入的情况下，具有更快的收敛速度和更高的逼近精度。将BP神经网络与L-M算法相结合应用于潜艇声纳自噪声预报；分析了影响潜艇声纳自噪声的各种声源参数；利用潜艇声纳实测数据进行网络训练，训练好的神经网络可以对潜艇声纳自噪声进行精确预报。     

RBF神经网络模型在边坡监测中的应用

在matlab环境下建立了边坡位移预测的RBF神经网络模型.利用已有的监测数据训练神经网络并进行测试,将训练好的网络模型用于预测边坡位移的变化值.最后将该预测方法用于斯里兰卡某边坡监测工程,预测结果与实测的监测数据相比误差较小,从而合理安排监测频次,提高了监测效率.     

基于BP神经网络的冲积河床桥墩局部冲刷深度预测模型

桥墩局部冲刷深度是确定桥墩基础埋深的重要依据,过大的冲刷是桥梁水毁的主要原因之一.利用神经网络和一些实测数据建立BP神经网络模型,进行冲刷深度的预测,用收集到的桥墩局部冲刷数据样本训练并测试BP神经网络模型.测试结果表明由BP神经网络模型得出的桥墩局部冲刷深度预测值与实测值比较吻合,说明该神经网络模型预测桥墩局部冲刷深度是可行的、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。     

基于神经网络的多向波作用下直立堤越浪量预测模型*

海岸工程中常采用直立堤的结构形式，波浪作用下的越浪量影响因素众多，特别是考虑实际多向波的作用，目前并没有统一的计算方法。利用神经网络方法在计算回归问题上的优势，构建反向传播神经网络模型，采用物理试验数据构建训练集，建立多向波浪作用下直立堤越浪量的预测模型。通过与测试集、经验公式以及其他物理模型试验结果的对比，显示了本模型具有良好的预测精度，可满足工程设计需要。利用该模型进一步分析波浪入射角度和方向分布宽度对波浪越浪量的影响规律，弥补了试验数据不全造成的变化规律不明显的问题。     

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。