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。     

浮式防波堤消浪特征研究

在分析各类浮式防波堤消浪机理及影响因素的基础上，将将式防波堤的消波作用概化为1种非线性的输出与输入的泛函，以人工神经网络作用原理建立浮式防波堤透射系数神经网络模型，在波浪槽中用不同类型的浮式防波堤进行多次消波效果的试验，结果表明，浮式防波堤透射系数神系数神经网络模型具有较好的模拟预测效果。     

基于PSO-BP神经网络的船体分段任务包工时定额模型

为解决船体分段任务包工时定额的计算过度依赖线性公式而忽略工时定额与工艺参数之间的非线性关系的问题,提高工时定额计算的效率和精确度,将PSO-BP神经网络技术应用到船体分段任务包工时定额中。通过对影响船体分段中间产品额定工时的工艺参数进行分析,建立多输入单输出的PSO-BP神经网络模型,并应用实际数据对PSO-BP神经网络进行训练,测试仿真结果与实际值之间的误差在允许范围内。验证结果表明,采用PSO-BP神经网络建立船体分段任务包工时定额模型,能对任务包作业工时进行准确预测。     

基于选择性神经网络集成的船舶避碰问题研究

船舶碰撞危险度的确定是保证海上船舶航行安全的重要问题,也是一个复杂的过程,受很多因素的影响,具有很强的非线性特征。神经网络集成是用有限个神经网络对同一个问题进行学习,集成在某输入示例下的输出由构成集成的各种神经网络在该示例下的输出共同决定。本文基于粒子群优化算法实现一种选择性神经网络集成方法,并基于该方法对船舶碰撞危险度问题进行了建模。仿真结果表明,基于粒子群算法的选择性神经网络集成方法适合于船舶避碰问题模型,且模型的精度很高。     

基于BP网络的复杂曲面钢板角变形量分析

通过计算外板展开所产生的变形量来确定水火弯板的加工工艺参数。以钢板厚度、角变形及角变形量作为输入参数,中性层位移系数作为输出参数,建立BP神经网络模型。通过实板实验数据对网络模型进行训练,得到中性层位移系数与这些输入参数的关系,提出了一种准确的计算复杂曲面钢板角变形量的方法。     

基于非线性组合模型的船舶无线网络流量预测

流量预测是船舶无线网络管理中的重要技术,传统组合方法只能描述船舶无线网络流量的部分变化规律,无法获得令人满意的船舶无线网络流量预测结果,为了全面反映船舶无线网络流量变化规律,提出基于非线性组合模型的船舶无线网络流量预测方法。首先分析单一预测方法和传统组合方法的局限性,然后采集船舶无线网络流量历史数据,采用RBF神经网络、BP神经网络、灰色算法分别对船舶无线网络流量进行预测,最后采用支持向量机要对它们的预测结果进行非线性组合,输出船舶无线网络流量最后预测结果,测试结果表明,非线性组合模型的船舶无线网络流量预测十分精确,船舶无线网络流量预测误差可以忽略不计,完全能够满足船舶无线网络管理要求,船舶无线网络流量预测结果显著优于传统组合方法,为解决复杂船舶无线网络流量预测问题提供了一种新的建模思路。     

基于相空间重构的水资源时间序列混沌预测模型研究

针对水资源时间序列非线性预测难题,建立了基于相空间重构的混沌预测模型。通过将原始时间序列非线性映射到一个高维特征空间中进行相空间重构,获得输入向量和期望输出向量,选择统计学习理论中的SVM模型进行预测,经实证分析,文中模型比ANN模型和AR模型具有拟合效果好,预测精度高,泛化能力强等优点。     

基于BP神经网络的海堤沉降研究

海堤沉降是其失稳的主要诱因,BP神经网络是工程中普遍运用于非线性等复杂工程问题的神经网格模型,本文分析引起海堤沉降变形因素进行分析,并对BP神经网络原理进行简要介绍,依据海堤监测数据,利用BP神经网络技术建立海堤施工过程中沉降量与时间之间相关性模型,对海堤沉降变形值进行预测,将计算值值与实测值进行分析,结果表明计算结果与实测值基本吻合,为今后海堤沉降过程模拟提供可借鉴的方法。     

基于解析模型预测控制的欠驱动船舶路径跟踪控制器设计

针对欠驱动船舶路径跟踪控制系统中存在风、浪、流等外界干扰的影响,将船舶运动模型转化到Serret-Frenet标架下进行研究,通过引入重定义输出将原单输入多输出控制系统转化为单输入单输出控制系统,并将解析模型预测控制与非线性观测器相结合,提出一种鲁棒路径跟踪控制算法。该算法能够使欠驱动船舶跟踪并镇定于给定的参考路径。计算机仿真结果表明,所提出的控制器具有良好的控制性能以及鲁棒性能。     

基于遗传算法和BP神经网络的Stewart平台正解研究

位置正解是并联机构控制与应用的基础。提出采取遗传算法优化BP神经网络的混合算法来处理Stewart平台位置正解问题。利用位置反解模型求得的杆长结果作为神经网络的输入,把平台的位姿作为输出,对其进行预测。仿真结果表明该混合算法模型的计算精度高,求解速度快,能够为Stewart平台的控制策略提供数值参考。     

基于PCA和RBF神经网络的绞吸挖泥船实时产量预测

绞吸挖泥船在实际作业过程中的动态特性非常复杂,影响产量的控制因素众多。若这些控制因素全部参与产量预测比较耗时。为了实时训练网络及预测产量,先对影响绞吸挖泥船产量的控制因素进行主成分分析(PCA),再根据分析结果约减控制因素;在系统仿真建模中,分别以全部因素和约减后因素作为径向基(RBF)神经网络的输入变量,以产量作为输出变量来建立绞吸挖泥船产量预测模型。结果表明,减少输入变量,不仅降低产量预测模型的复杂程度,减少神经网络计算耗时,而且能保持模型良好的预测精度,从而为施工现场的操作人员提供实时的产量参考。     

The application of modeling and prediction with MRA wavelet network

As there are lots of non-linear systems in the real engineering, it is very important to do more researches on the modeling and prediction of non-llnear systems. Based on the muhi-resolution analysis (MRA) of wavelet theory, this paper combined the wavelet theory with neural network and established a MRA wavelet network with the scaling function and wavelet function as its neurons. From the analysis in the frequency domain, the results indicated that MRA wavelet network was better than other wavelet networks in the ability of approaching to the signals. An essential research was carried out on modeling and prediction with MRA wavelet network in the non-linear system. Using the lengthwise sway data received from the experiment of ship model, a model of offline prediction was estab lished and was applied to the short-time prediction of ship motion. The simulation results indicated that the forecasting model improved the prediction precision effectively, lengthened the forecasting time and had a better prediction results than that of AR linear model. The research indicates that it is feasible to use the MRA wavelet network in the short -time prediction of ship motion.     

BP神经网络应用于散货船空船质量估算

以搜集的200余条散货船为样本,建立了空船质量统计回归模型和三种情况下的BP神经网络模型,并选取10条散货船对各模型进行了测试和比较。三种BP神经网络模型测试结果与实际值很接近,精度优于传统的统计回归模型,表明用BP神经网络进行空船质量估算是可行和实用的。     

内河河口建设航电枢纽预评价

在支流入汇河口地区建设航电枢纽既有一般枢纽普遍存在的共性问题,又有支流人汇对于流壅水顶托的影响,这种影响是一个非线形动力学过程。以某河段拟建航电枢纽为例,借助神经网络处理非线形问题的优势,利用实测水文资料作为学习样本,建立了预测枢纽尾水位的BP数学模型。用该模型预测了枢纽三种调水方式下枢纽上、下游的水位落差,评价了枢纽建成后支流入汇对枢纽的出力、泄流能力和通航等方面的影响,为工程设计提供了依据。     

船用中速双燃料发动机放热规律神经网络预测模型的开发

以船用中速双燃料发动机为研究对象,提出其放热规律神经网络预测模型的开发方法。首先建立船用中速双燃料发动机的多维性能仿真模型,对增压空气压力、燃气喷射量和引燃油喷射提前角等不同控制参数进行数值组合,计算多组不同工况条件下的放热率曲线;通过对多条放热率曲线进行参数化分析,明确描述放热率曲线的4个曲线特征参数和特征方程;建立双燃料发动机放热规律神经网络预测模型,以控制参数作为输入量,以放热率曲线特征参数作为输出量,利用多组放热率数据对神经网络模型进行训练和测试。该模型揭示了控制参数与放热率之间的规律,可由控制参数对放热率曲线进行预测。仿真计算结果表明:相比一般的发动机实时仿真模型,神经网络预测模型结果更加贴近发动机实际工作状态。     

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。     

基于加权矢量神经网络的辐射源识别方法

现有的很多分类识别方法包括基于专家系统的方法[1]、基于贝叶斯理论的方法、基于模糊模式识别的方法[2]、基于最近邻的方法[3]、基于人工神经网络的方法[3]等等在辐射源识别中都有比较成功的应用,但这些方法一般都针对测量参数为标量形式的测量值进行处理,在一定程度上解决了由于参数测量误差所引起的辐射源识别问题,对于误差的另一种情形,即测量参数为区间类型模糊值的情况讨论却较少,文献提出了一种基于模糊IF-Then规则的神经网络算法,给出了能够处理模糊输入的神经网络体系结构,同时给出了一种基于代价函数的学习算法,其代价函数由实际模糊输出和无模糊输出决定,通过学习该网络能够实现模糊输入到模糊输出的非线性映射。     

基于BP神经网络的船舶企业员工综合评价模型

为了保障船舶工业企业内部对其员工的使用管理和评价上的客观性和准确性,提出基于BP神经网络的综合评价方法,在建立了员工评价的指标体系基础上建立了基于BP神经网络的评价模型,将评价员工综合素质的指标值作为模型的输入量,评价结果作为模型输出量,用样本对神经网络进行训练,利用收集的中国船舶工业集团某造船企业管理执行层员工信息,使用MATLAB对模型进行模拟仿真训练,用验证样本对评价模型检测,检测结果是仿真输出与期望输入基本一致,说明网络合理,评价模型能够较好对船舶企业员工的综合素质进行评价.