共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
3.
4.
5.
为了提高舰船水上纵向运动的控制精度,提出一种舰船水上纵向运动的非线性数学控制模型。首先对舰船水上纵向运动非线性控制的研究现状进行分析,然后采用多种模型分别对舰船水上纵向运动非线性控制进行预测,得到预测结果并确定各种模型的权值,利用证据理论确定出最优权值,最后对这些模型舰船水上纵向运动非线性控制预测结果进行加权,得到舰船水上纵向运动非线性控制精度。测试结果表明,本文模型不仅克服了当前舰船水上纵向运动非线性数学控制模型的缺陷,提高了舰船水上纵向运动的控制精度,而且舰船水上纵向运动的控制误差小于其他舰船水上纵向运动非线性数学控制模型,可以满足舰船水上纵向运动控制要求。 相似文献
6.
7.
8.
9.
舰船航行速度具有十分强烈的非线性变化特点,而当前舰船航行速度建模方法均只考虑其线性特性,使得舰船航行速度预测错误很大。为了提高舰船航行速度预测精度,提出一种航行速度预测的非线性建模方法。首先采用舰船航行速度的历史样本数据,建立舰船航行速度预测的训练样本集合,然后引入回声状态网络对舰船航行速度训练样本的变化规律进行描述,建立舰船航行速度预测模型,最后采用具体舰船航行速度数据对非线性建模性能进行测试。本文建模方法可以捕捉舰船航行速度强烈的非线性变化特点,舰船航行速度预测错误小,舰船航行速度预测精度要小于当前线性建模方法,而且降低了舰船航行速度建模的时间,具有比较显著的优越性。 相似文献
10.
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。 相似文献
11.
基于灰色动态MGM(1,n)模型的舰船纵摇-升沉运动预报 总被引:2,自引:0,他引:2
舰船在实际海况中的运动因受到各种因素的影响而非常复杂,六个自由度之间相互耦合构成一个复杂的系统,因此建立描述舰船运动的系统模型并对各自由度运动进行实时预报具有非常重要的意义.灰色MGM(1,n)模型用微分方程的形式表现了一个系统中n个因素对某个因素变化率的影响,可以用于对非线性复杂系统的系统预测.通过对灰色系统理论的学习发现对原始数据用极差变换进行预处理后会更适合MGM(1,n)模型的拟合,为模型预测打下了良好的基础.在充分的理论研究基础上,本文对船模水池试验获得的纵摇、升沉运动数据以及海浪数据进行极差变换后建立灰色MGM(1,n)模型,并对纵摇、升沉进行非线性预报,得到了较好的效果. 相似文献
12.
13.
14.
15.
16.
详细介绍小波神经网络和灰色系统理论的基本原理,在舰船瞬时运动模型的基础上,采用组合优化理论,将小波神经网络和灰色系统理论结合,设计一种舰船航行速度预测模型,后期的仿真实验证明,基于组合优化理论的舰船航行速度预测具有较高的精度. 相似文献
17.
18.
舰船机械部件是一个非线性系统,舰船机械部件出现故障概率相当高,当前故障预测方法无法描述舰船机械部件故障的不确性,因此舰船机械部件故障预测精度低,为了提高舰船机械部件故障预测精度,克服当前舰船机械部件故障预测方法的缺陷,设计了一种舰船维护中机械潜在故障智能预测方法。首先提取描述舰船机械部件故障类别的特征信息,然后采用BP神经网络对舰船机械部件故障特征信息进行学习,确定相对应的舰船机械部件故障类别,并解决BP神经网络参数确定问题,最后与其他方法进行了对比实验。结果表明,本文方法的舰船机械部件故障预测精度超过95%,远远高于对比方法的舰船机械部件故障预测精度,改善了舰船机械部件故障诊断速度,具有十分广泛的应用前景。 相似文献
19.
单一模型难以准确对舰船装备维修费用进行建模与预测,为了提高舰船装备维修费的预测精度,设计了一种组合优化理论的舰船装备维修费预测模型。首先分别采用灰色模型和神经网络对舰船装备维修费进行预测,然后确定2种模型的舰船装备维修费预测权值,加权得到最终的舰船装备维修费预测结果,最后采用VC++6.0实现了舰船装备维修费预测仿真测试,仿真结果表明本文模型获得了较高的舰船装备维修费预测精度,相对于单一模型,本文模型的舰船装备维修费预测结果具有比较显著的优势。 相似文献