船舶横向运动短期姿态预报数学建模可行性研究

传统的船舶横向运动短期姿态预报数学模型存在着预报性能低的缺陷,为此提出船舶横向运动短期姿态预报数学建模可行性研究。采用平均滤除法对船舶横向运动数据中的不良数据进行去除,完成船舶横向运动数据准备,将得到的船舶横向运动数据进行归一化处理,适应预报函数的需求,将得到的归一化的船舶横向运动数据输入到BP神经网络算法中完成船舶横向运动短期姿态的预报,实现了船舶横向运动短期姿态预报数学模型的建立。通过实验得到,构建的船舶横向运动短期姿态预报数学模型预报误差比传统模型低了21.41%,预报时间比传统模型高出3.25 s,充分说明构建的船舶横向运动短期姿态预报数学模型具备良好的可行性与预报性能。     

基于改进神经网络的船舶姿态准确预报技术

为了有效解决当前船舶姿态预测准确性问题,结合当前船舶姿态数据特征,改进传统神经网络并以此为基础建立新型船舶姿态预报技术。重构神经网络格式特征区,添加脉冲输出和神经网络数据放大和衰减参数量,构建耦合神经网络作为主要计算网络,结合达尔文进化算法和传统遗传算法特征,构建交叉概率算法,顶替传统经验算法获取放大衰减真实值,通过PC端数据传输和样本导入,实现船舶姿态准确预测。仿真实验数据表明,改进后的神经网络船舶姿态预报技术对于船舶横纵斜度的预测均提高30%以上,达到了提高船舶姿态预测准确度的目标。     

二阶灰色神经网络在船舶横摇预报中的应用

为了提高船舶的耐波性和适航性、对船舶横摇进行有效准确预报,提出了将灰色系统理论和神经网络进行有机结合的二阶灰色神经网络预报模型。介绍了二阶灰色预报模型,采用神经网络映射的办法构建灰色神经网络预报模型,并介绍了神经网络学习机制。另外,以某舰船横摇运动时间序列预报为例对模型进行仿真验证,有效改善了二阶灰色模型较大的预报偏差。仿真结果表明,GNNM(2,1)模型能准确预报船舶横摇运动,具有更高的预报精度和更好的数据稳定性。     

基于相轨迹特征的阻尼估算能量法改进研究

横摇是船舶在海上航行安全中首要考察的运动姿态。船舶横摇运动的高精度预报，需准确地估算横摇阻尼。引入相轨迹概念，以能量变化的视角，从船舶模型试验数据中提取幅值数据，进行横摇阻尼非线性特征的研究。分析幅值数据呈现的规律，提出新的幅值拟合函数，并相应改进横摇衰减拟合函数。采用线性加平方阻尼力矩模型，通过预设阻尼系数仿真生成静水船舶模型自由横摇数据，展开阻尼估算试验。试验显示：能量法的改进有效减小了阻尼系数的估算误差。基于阻尼系数进行数值预报，证明方法改进后的数值预报更加接近试验仿真数据。结果表明：能量法的改进是有效的，能更好地识别横摇阻尼的非线性特征，更准确地估算横摇阻尼系数。     

一种基于改进回声状态网络的船舶摇荡预报

回声状态网络在船舶摇荡运动姿态的预报中得到了广泛的应用,由于远洋风浪环境的复杂性,使得船舶摇荡的非线性程度进一步增加,因此传统回声状态网络的预测精度明显不足。本文利用改进的回声状态网络方法,引入小波函数对数据进行预处理,对船舶的实测摇荡时历进行处理,提高了预报的精度。实验结果表明,与传统回声状态网络方法相比,本方法的预报精度和可靠性得到了提高。     

神经网络方法在舰船姿态运动预报中的应用研究

将神经网络应用于舰船姿态运动预报中,利用带有延迟反馈的回归神经网络的暂态、学习效率高、动态映射等优点,提出多输入单输出简化的对角回归神经网络,并给出舰船姿态运动预报模型。在此基础上进行算法收敛性的说明。最后采集15个样本,通过分析样本的平均误差、均方误差和相对误差来说明本文所此采用的算法对舰船纵摇姿态的预报结果有效。为提高预报精度需要将船舶受到的外界干扰融合到模型中,从而可得到理想的预报效果。     

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.     

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。     

基于改进神经网络的船舶主机温度预测

由于传统神经网络存在收敛速度慢的缺陷,导致对船舶主机温度预测精度低,为了对船舶主机温度进行精确的预测,设计了基于改进神经网络的船舶主机温度预测模型。首先对当前船舶主机温度预测研究现状进行分析,找到引起预测效果差的因素,然后采集船舶主机温度变化的时间序列,并采用过程神经网络对船舶主机温度变化趋势进行估计,实现船舶主机温度预测,最后进行船舶主机温度预测验证性实验。结果表明,改进神经网络可以提高船舶主机温度预测精度,船舶主机温度预测误差远远小于传统神经网络,获得了比较满意的船舶主机温度预测结果。     

基于回声状态网络的船舶摇荡连续预报方法研究

回声状态网络(ESNS)是一种新型递归神经网络,可通过对有限的已知样本进行训练,建立非线性模型来预报未知样本。该算法在解决非线性问题时具有一定优势。无需知道海浪的先验信息和船舶航行姿态的状态方程,仅利用实测的船舶横摇、纵摇历史数据,寻求规律即可进行实测摇荡数据的极短期预报。仿真结果表明,该算法在预报15 s以内可达到较高的预报精度,通过预报窗口的平移,可以进行连续在线预报。     

基于回声状态网络的船舶摇荡连续预报方法研究

回声状态网络（ ESNS）是一种新型递归神经网络,可通过对有限的已知样本进行训练,建立非线性模型来预报未知样本。该算法在解决非线性问题时具有一定优势。无需知道海浪的先验信息和船舶航行姿态的状态方程,仅利用实测的船舶横摇、纵摇历史数据,寻求规律即可进行实测摇荡数据的极短期预报。仿真结果表明,该算法在预报15 s以内可达到较高的预报精度,通过预报窗口的平移,可以进行连续在线预报。     

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。     

船舶齿轮箱故障诊断及失效预报方法研究

针对船舶齿轮箱故障诊断正确率低的难题,提出蚁群优化神经网络的船舶齿轮箱故障诊断方法。首先采集船舶齿轮箱故障诊断的数据,并采用小波分析提取船舶齿轮箱故障诊断特征,然后采用神经网络建立船舶齿轮箱故障诊断模型,并采用蚁群算法克服神经网络存在的缺陷,最后构建了船舶齿轮箱失效预测方法,实验表明,本文方法提高了船舶齿轮箱故障诊断效果,并获得了高精度的船舶齿轮箱失效预测结果。     

基于小波滤波和LSTM神经网络的船舶运动极短期预报研究

为了提高船舶运动极短期预报精度及预报时间长度,本文采用小波多分辨率分析方法,将含有噪声的船舶运动信号进行了多尺度小波变换,通过采用阈值函数法对各尺度下细节信号的小波系数进行处理,对小波分解层数、小波基函数、阈值处理方法进行了深入研究,并通过模型试验数据对滤波效果进行了验证分析,实现了船舶运动信号的小波滤波.进一步针对船舶运动的非线性特性,基于深度神经网络的非线性映射能力,建立了基于LSTM网络的多步直接映射船舶运动极短期预报模型,并采用滤波后的船舶运动数据进行了不同工况下的预报分析.结果表明,不同时间长度的预报与试验结果幅值和相位吻合较好,验证了所建立的极短期预报模型的可行性.     

悬链式船舶链条机械磨损寿命预测准确度评估

为了提高悬链式船舶链条机械磨损寿命预测准确性能,设计了一种基于改进神经网络的悬链式船舶链条机械磨损寿命预测模型。首先对悬链式船舶链条机械磨损寿命预测研究现状进行分析,找到引起悬链式船舶链条机械磨损寿命预测精度的因素,然后收集悬链式船舶链条机械磨损寿命的历史数据,并采用BP神经网络建立悬链式船舶链条机械磨损寿命预测模型,并引入自适应遗传算法对BP神经网络的不足进行改进,最后采用仿真实验对悬链式船舶链条机械磨损寿命预测模型的准确度进行评估,结果表明,改进神经网络提高了悬链式船舶链条机械磨损寿命预测精度,预测结果比其他模型更加可靠。     

基于计算机大数据的船舶视频图像类型辨识分析

传统船舶视频图像类型识别算法在图像类型识别计算过程中,存在视频图像高频尺度空间像素子带系数计算精度较低,导致图像画面差异辨识度降低,无法高精度对比图像特征参量的问题。因此,提出计算机大数据船舶视频图像类型辩识分析。通过神经网络算法,建立视频图像特征的神经网络模型;根据特征模型推导建立辨识模型。在辨识模型的基础上,通过导入大数据高频子带尺度算法,对图像特征尺度空间内的高频子带系数进行优化计算,从而提升视频图像类型的辨识精度。通过实验数据对比表明:提出的视频图像辨识算法,能够有效改善图像类型识别环境,提升图像类型辨识精度,解决了传统辨识算法辨识精度低的问题。     

基于改进卷积神经网络的船舶目标检测

为提高无人船研究中的船舶辨识速度和精度,弥补海上船舶目标检测中船载自动识别系统(Automatic Identification System,AIS)和雷达图像的不足,提出一种基于改进卷积神经网络的船舶目标检测模型。设计多策略的卷积神经网络模型,利用船舶图像数据进行训练和测试,并将测试结果与基于区域提名和基于回归方法的卷积神经网络模型结果相对比。试验结果表明,改进的卷积神经网络模型的船舶检测准确率高于另外2种模型。     

基于混沌理论与RBF神经网络的船舶运动极短期预报研究

文章基于混沌动力系统相空间重构理论,利用关联维数法和最大Lyapunov指数法,对船舶运动时间序列的混沌特性进行了判定。并利用RBF神经网络较强的非线性映射功能,结合相空间重构理论建立了船舶运动极短期直接多步预报模型。实例预报结果表明,所建立的预报模型应用于船舶运动极短期预报取得了令人满意的预报精度,预报时间可达10 s。     

基于改进BP神经网络的降雨径流预报新方法

讨论了神经网络在降雨径流模拟中的运用现状,并利用改进的BP网络模型,实现了对复杂流域降雨径流的预报。在构建网络模型时,对模型进行了改进:基于各雨量站对径流模拟的影响不同的特点,采用两轴法计算流域平均日雨量;并把汛期和枯水期分开来建模,使降雨径流模型的预报更为准确。使用这种新方法建立了松花江干流流域的降雨径流预报模型,并与其他方法进行对比,实验表明,采用新方法预报精度较高,能较好地反映计算流域的降雨径流规律。     

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。