船舶运动极短期预报中小波基和分层数的选取

对于随机海浪作用下船舶运动所具有的非平稳性和非线性,首先运用小波多尺度理论,将运动姿态时间序列分解为若干层近似意义上的平稳时间序列,再使用时间序列模型对每层的单支重构信号进行预报,最后综合每层的预报值得到原序列的预报值.同时根据原始时间序列的功率谱分祈,由小波多尺度分析的频带划分范围确定小波分析中分解层数的选取;再根据不同小波基函数各自的特性,分析并选取适合的小波基函数,仿真结果表明,所提出的分解层数和小波基函数的选取方法提高了预报精度和预报时长.     

船用柴油机机械活塞失效时间的预报研究

针对当前船用柴油机机械活塞失效时间的预报方法存在错误大,精度低等严重缺陷,提出了基于小波神经网络的柴油机机械活塞失效时间的预报方法。首先采用小波分析对柴油机机械活塞失效时间数据进行处理,然后采用神经网络对柴油机机械活塞失效时间数据进行学习,建立柴油机机械活塞失效时间预报模型,最后进行了具体实例分析,结果表明,本文方法可以准确、有效地对柴油机机械活塞失效时间进行估计,柴油机机械活塞失效时间预报精度要高于对比方法,失效时间预报效率高,有着较高的实际应用价值。     

基于LSTM网络的浮式海洋平台运动在线预报研究

海上浮式结构物运动响应的准确在线预报,对保障海上作业安全具有重要意义.本文基于长短期记忆(LSTM)神经网络模型,建立了浮式海洋平台运动响应极短期在线预报方法,可根据波浪时间序列信息对运动响应进行预报.通过半潜式平台模型试验得到大量波浪序列和运动响应数据,利用这些试验数据建立并训练LSTM模型,并对不同的测试工况进行运动预报和分析.结果表明,所建立的LSTM模型针对浮式海洋平台运动极短期在线预报具有较高的预报精度,预报提前量为12 s时,纵荡、垂荡和纵摇预报精度分别高于90％、93％和85％,且模型的计算效率高,每步计算时间为毫秒级,远小于预报提前时间,可以实现运动在线预报.     

雷达测波信息存储和实用化研究

目前,用于航行舰船上的测波设备只有测波雷达,其优势为可以测得当前较精确的海浪谱,这是精确预报舰船耐波性的基础。在测波雷达使用中,至少存在三方面矛盾:一是各船测得的海量海浪信息,如何实现快速查询;二是信息如何为众多的需求单位共享,以求解决海浪信息预报和深入研究海浪规律尤其是远洋航区的海浪规律问题;三是需要解决普遍存在有义波高测量误差偏大等测波信息航海实用化的问题。本文针对以上需求,以WaMoSⅡ测波雷达为例,从建立雷达测波信息数据库、有义波高的参数修正、相对频谱转化为绝对频谱以及基于雷达测波信息生成频率方向谱等方面,对测波信息的再处理进行研究,力求满足上述需求。     

由船舶响应反推当前海浪频谱的探索研究

借助白噪声谱在数学处理上的独特优势,利用计算流体力学方法(CFD),生成了高精度的白噪声长峰不规则波,实现了船模在该海浪环境下顶浪航行时的纵摇及垂荡耦合运动的数值模拟,从而计算船模纵摇和垂向加速度的响应幅值算子(RAO),达到了由海上实测摇荡时历反推较高精度海浪频谱的目标,并将反推结果与海上实测海浪数据进行了对比,效果良好,从而为在航船舶提供了一种获取当前海浪信息的新方法。     

海浪磁场噪声的仿真与消除

基于J.T.Weave的海浪电磁场的理论模型和PM海浪谱,对海浪磁场噪声进行了仿真,通过分析海浪磁场的频谱特性,发现海浪磁场和远程目标磁场的频谱是分开的,利用低通滤波器消除海浪磁场噪声,从而提高对远程磁性目标的探测精度.     

海浪非线性行为的参数化表征

针对实际海浪具有多方面非线性效应的特点,文章综合提出了描述非线性海浪特征的几种指标,包括频谱/方向谱、二阶谱和高阶谱、波高分布形式(偏度)、波面信息熵、局域小波能谱、Hilbert时频谱、主分量谱图、最大Lyapunov指数等,并对各种指标的慨念及计算作了简单介绍,为实际海浪模拟及实船摇荡运动预报打基础.     

潜艇操纵水动力小波神经网络预报方法研究

针对潜艇操纵性优化设计中水动力系数预报问题,在潜艇水动力预报中引入艇体肥瘦指数概念,确定了潜艇艇体几何描述的五参数模型。提出采用小波神经网络方法预报潜艇水动力,确定了神经网络的结构,利用均匀试验设计方法,设计了神经网络的学习样本。在验证CFD预报艇体水动力有效的基础上,完成了样本水动力系数的CFD计算;通过对样本进行学习,完成了潜艇艇体操纵性水动力系数小波神经网络预报。研究结果表明,只要确定适当的输入参数,选择适当的学习样本和网络结构,利用小波神经网络方法对潜艇水动力进行预报可以达到较高的精度。     

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.     

一种基于参数估计的自适应舰船运动预报方法

运动预报是部分舰船系统的重要组成部分。为了有效地解决这一问题,文章提出了一种基于海浪峰值频率估计的自适应舰船运动预报方法。在舰船运动与海浪激励的建模基础上,建立了基于最小二乘估计的自复位海浪峰值频率估计器。采用自回归移动平均(ARIMA)模型拟合方法预报舰船运动,并通过海浪峰值频率估计值自适应调节ARIMA模型的采样周期,提高了复杂海况下对舰船运动的预报能力。该方法与常规ARIMA模型方法、反向传播神经网络方法的仿真对比结果表明了该方法在解决舰船动态预报问题上的良好精度和鲁棒性。     

舰船摇荡预报中的双变量局域线性多步预报法

针对舰船各个自由度摇荡之间存在耦合的实际,介绍了一种基于双变量时间序列预报局域线性预测法,此方法可对具有一定耦合关系的二维时间序列进行综合预报.将此方法应用于陈氏吸引子仿真数据及真实海浪中某舰船摇荡时间序列数据的预测.通过与单变量时间序列预报效果的对比,发现时间序列的双变量局域线性预测法可以在一定程度上提高精度,减小误差,提高了舰船摇荡预报的有效性.对于船舶摇荡时间序列预报领域应用双变量预报方法进行了尝试.     

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。     

混沌理论和神经网络相结合的舰船摇荡运动极短期预报

舰船摇荡运动具有混沌特性,因而可以应用混沌理论对其进行预报.介绍了混沌时间序列预测原理;建立了基于混沌理论相空间重构技术的RBF神经网络模型,并将其用于舰船摇荡运动预报;通过对某实船纵摇时历的预报计算,证明了采用混沌和神经网络相结合的预报方法,能有效提高预报精度和延长预报时长.     

双峰谱海浪的数值模拟技术研究

海上的波浪观测资料统计表明，海上纯风浪和纯涌浪的出现机会比较少，大部分以混合浪形式出现，其频谱结构多为双峰甚至多峰。研究双峰谱波浪的模型表述和数值模拟技术，对三种典型的双峰谱海浪进行了数值模拟，仿真结果表明了双峰谱海浪数值模拟的有效性。     

基于灰色理论的海浪实时预报

在气垫船高速行进过程中,由于其自身的特点,对其运动参数进行精确控制时,需要对海浪进行实时预报,以减小滤波的滞后.文中基于ITTC双参数谱对海浪数据进行了仿真,并将灰色GM(1,1)模型用于海浪信号的实时预报.针对海浪数据的特殊性,提出一种新型的数据预处理方法.预报结果可知,经过镜像数据预处理后,灰色GM(1,1)模型完全可以对海浪数据进行实时预报,其精度满足实际工程需要.     

小波多尺度时间序列在船舶和海洋平台运动极短期预报中的应用

运用小波多尺度理论,将非平稳时间序列分解为若干层近似意义上的平稳时间序列,使用混沌时间序列Volterra自适应预报模型对每层的单支重构信号进行预报,综合每层的预报值得到原时间序列的预报值,讨论分解层数、小波类型对小波多尺度时间序列法预报效果的影响。仿真结果表明,此方法相比较于传统的时间序列法在预报精度上有了明显的提高。     

基于小波神经网络的短时交叉口交通冲突预测

文中针对交叉口交通冲突量的非线性时间序列特性,将人工神经网络和小波分析理论引入交通安全科学领域,并将两者有机地结合起来,构造基于小波神经网络的交叉口交通冲突微观预测模型,为道路交通事故预测提供了一种新的有效途径。预测结果表明,该模型具有较高的预测精度,同时能有效节省观测时间和人力消耗。     

基于LSTM神经网络的潮位预报及分析

因潮位预报受风、浪、流等环境因素影响,传统的潮汐调和分析预报方法不能很好地预报潮位时间序列的复合特征,提出一种基于长短期记忆（Long Short Term Memory,LSTM）神经网络的潮位预报方法,并分别对TPXO 9全球潮汐模型模拟潮位的2021年6月逐分钟潮位数据、4个不同潮汐类型验潮站（日照、鲅鱼圈、三亚、北海）的2010年逐时实测数据进行训练、预报及精度验证。利用上述试验确认LSTM模型中隐藏神经元数目、初始学习率、迭代训练次数等网络层参数的最优选择分别为90、0.001、200。对4个验潮站进行潮位预报,结果表明：当训练数据量设置为数据样本总量的30%时,即可得到精度较高的预报结果,精度约为3～5 cm。采用LSTM神经网络方法进行潮位预报是有效且可靠的。     

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。