基于VDM与APSO优化极限学习机的船舶运动姿态预报

为提高船舶在海上运动的耐波性与适航性,并为解决具有非线性、随机性和非平稳性特点的船舶运动姿态难以准确预测的问题,提出运用一种基于变分模态分解和自适应粒子群算法优化极限学习机的组合预测模型。该算法首先利用变分模态分解将船舶运动姿态序列分解为一系列限带内本征模态函数,并且变分模态分解可以避免经验模态分解技术所产生的模态混叠和端点效应,可以降低序列的非平稳性对预测精度的影响;然后对各模态分量分别建立极限学习机预测模型,并用改进的粒子群算法对极限学习机的初始权值和阈值进行优化;最后将各模态分量预测结果进行叠加,得到最终的船舶运动姿态预测值。通过模拟试验测试并与其他传统的预测方法进行比较,结果表明所建立的组合预测模型具有更高的预测精度。     

基于SAPSO-BP网络模型的港口潮汐实时预报

为了提高港口码头潮汐预报的精度,提出一种自适应变异的粒子群优化算法SAPSO,将SAPSO优化算法与BP神经网络结合,用以潮汐水位的实时预报。SAPSO-BP网络模型运用自适应变异的PSO算法优化BP神经网络的网络参数,克服了传统BP神经网络所具有的对初始权值阈值敏感、容易陷入局部极小值的缺点,最后选用Isabel港口的实测潮汐值数据进行潮汐水位的实时预报仿真试验,用以验证SAPSO-BP预测模型的实用性和可靠性。     

基于粒子群优化的深度随机神经网络

针对传统多层随机神经网络性能不稳定问题,提出了一类利用粒子群优化算法来优化各层权值的深度随机网络方法.该方法利用粒子群优化算法,结合网络的输入输出灵敏度信息,逐层对自动编码器的输入层权值进行优化,通过改善自动编码器的性能来改善多层随机神经网络的性能.最后利用粒子群优化方法,对整个网络的权值作适当优化,进一步提高深度随机神经网络的性能.相对于传统深度学习算法,该方法在保持收敛精度的基础上降低了时间开销;相对于传统深度随机神经网络,该方法在增加时间开销基础上提高了收敛精度,从而较好地平衡了时间复杂度和收敛精度.     

基于粒子群优化粒子滤波的声呐目标检测前跟踪

针对传统固定粒子数粒子滤波算法计算量大、复杂环境下声呐微弱目标检测与跟踪鲁棒性不强的问题，提出基于粒子群优化（PSO）算法的粒子滤波检测前跟踪方法（IPSO-PF-TBD）。该算法在滤波预测与步骤更新之间加入PSO算法，结合预测信息和更新完成的粒子分布状态进行优化，将粒子集合转移到后验概率密度较大的区域，并充分利用声呐回波信号中目标粒子的权重信息设置粒子自适应采样策略，通过检测前跟踪（TBD）技术的数据帧间能量累积和目标检测，提高目标检测前跟踪的性能。仿真试验结果表明，提出的检测前跟踪处理方法对低信噪比及快速机动等复杂环境下的目标进行跟踪时，在位置估计精度和误差值方面明显优于粒子滤波（PF）和PSO-PF算法，具有一定研究和应用价值。     

基于神经网络和粒子群算法的环肋圆柱壳优化设计

对于潜艇外壳等外压容器来说,满足稳定性要求至关重要。本文利用Matlab编写改进粒子群算法优化程序,利用 Ansys的 Apdl语言完成了环肋圆柱壳的参数化建模,以圆柱壳厚度、肋骨尺寸和肋距作为离散设计变量,以稳定性要求作为约束条件,构造了合适的惩罚函数,以质量最轻作为设计目标,实现了基于 BP神经网络和粒子群算法的环肋圆柱壳优化设计。在优化过程中,首先采用拉丁超立方体抽样完成了样本点的选取,然后对样本点进行有限元分析,根据有限元分析结果构建 BP神经网络代理模型,并探讨了样本点数量对代理模型预测精度的影响,最后采用改进粒子群算法对代理模型进行优化。优化结果表明,对于需要考虑离散变量和复杂非线性约束的结构优化问题,采用 BP神经网络和粒子群算法联合优化的方法能够节省大量计算时间,并达到理想的优化效果。     

基于神经网络和粒子群算法的环肋圆柱壳优化设计

对于潜艇外壳等外压容器来说,满足稳定性要求至关重要。本文利用Matlab编写改进粒子群算法优化程序,利用Ansys的Apdl语言完成了环肋圆柱壳的参数化建模,以圆柱壳厚度、肋骨尺寸和肋距作为离散设计变量,以稳定性要求作为约束条件,构造了合适的惩罚函数,以质量最轻作为设计目标,实现了基于BP神经网络和粒子群算法的环肋圆柱壳优化设计。在优化过程中,首先采用拉丁超立方体抽样完成了样本点的选取,然后对样本点进行有限元分析,根据有限元分析结果构建BP神经网络代理模型,并探讨了样本点数量对代理模型预测精度的影响,最后采用改进粒子群算法对代理模型进行优化。优化结果表明,对于需要考虑离散变量和复杂非线性约束的结构优化问题,采用BP神经网络和粒子群算法联合优化的方法能够节省大量计算时间,并达到理想的优化效果。     

坐底式深水网箱振动实测信号分析处理方法

为提高变分模态分解的精度,通过引入相关性分析及频域最大值分析,对模态阶次进行自适应调整,改善变分模态分解算法的性能。利用改进的方法对坐底式深水网箱的实测数据进行分析。结果表明,此方法可以自适应对测试信号进行分解,分解精度较高,适合于对坐底式深水网箱结构进行安全监测。     

基于改进PSO的BP神经网络在船舶设计中的应用

针对船舶设计中需要的大型BP（BackPropagation）神经网络的特点,加入了改进的粒子群优化算法（ParticleSwarmOptimization,PSO）。该改进方法将粒子群的初始粒子分布在边界面上,因此能有效的搜寻高维空间,同时在速度公式等方面进行一些改进使得它更适合该环境。分别利用基于改进PSO的BP神经网络和标准的BP神经网络对泰勒系列船模试验数据进行拟合,结果表明基于改进PSO方法的BP神经网络训练更加高效和稳定。     

一种单脉冲末制导雷达抗质心干扰算法

为了提高单脉冲末制导雷达的抗质心干扰能力,结合信号到达方向（DOA）的极大似然估计法和卡尔曼滤波,提出了一种新的算法。首先,在假设目标和干扰数量、参数已知的情况下,建立雷达多次接收信号匹配滤波后跟踪回波附近的多个相邻采样点的似然函数。其次,计算得到目标和干扰信号DOA、延迟和功率的极大似然估计,并应用最小描述长度（MDL）准则判断目标和干扰数量。最后,设计了合适的卡尔曼滤波器用于正确跟踪目标。仿真结果验证了算法的有效性。     

基于自适应变异 PSO-BP算法的船舶横摇运动预测

为了准确高效预测船舶在海上的航行状态,以保证人员、货物和船舶的安全,提出一种自适应变异的粒子群优化算法（self-adapting particle swarm optimization algorithm,SAPSO）,将该算法与误差反传（back propaga-tion,BP）神经网络结合。SAPSO-BP预测模型使用SAPSO算法优化BP网络的网络参数。克服传统BP神经网络对初始权值阈值敏感,容易陷入局部极小值的缺点,同时也克服了传统PSO算法早熟收敛、搜索准确度低及迭代效率低等缺点。运用该模型对科研教学船“育鲲”轮在海上航行的横摇情况进行实时预测实验,验证该方法的可行性与有效性具有较高的预测精度。     

基于自适应变异PSO-BP算法的船舶横摇运动预测

为了准确高效预测船舶在海上的航行状态,以保证人员、货物和船舶的安全,提出一种自适应变异的粒子群优化算法(self-adapting particle swarm optimization algorithm,SAPSO),将该算法与误差反传(back propagation,BP)神经网络结合。SAPSO-BP预测模型使用SAPSO算法优化BP网络的网络参数。克服传统BP神经网络对初始权值阈值敏感,容易陷入局部极小值的缺点,同时也克服了传统PSO算法早熟收敛、搜索准确度低及迭代效率低等缺点。运用该模型对科研教学船"育鲲"轮在海上航行的横摇情况进行实时预测实验,验证该方法的可行性与有效性具有较高的预测精度。     

基于PSO-BP神经网络的燃气轮机结垢性能预测

针对传统BP神经网络存在的学习速度慢,容易陷入局部极小的问题,为了提高诊断效率和非线性拟合能力,提出利用粒子群算法、遗传算法和布谷鸟算法优化BP神经网络对燃气轮机积垢性能预测,将各算法所得误差和拟合度进行对比。结果表明:粒子群算法优化BP神经网络的非线性拟合度为0.934 4,优于其他算法,相较于其他算法具有更低的绝对误差平均值,有效避免了局部最优情况。     

高分辨方位估计在鱼雷声成像垂直尺度识别中的应用

在鱼雷声成像垂直尺度识别中,根据潜艇垂直方向上目标亮点相距较近的特点,采用高分辨的MUSIC算法,对潜艇垂直方向上的目标亮点进行估计。由于MUSIC算法是一种基于阵列数据协方差矩阵特征分解的高分辨DOA估计方法,通常具有较大的运算量,为增强算法的实时性,本文提出了一种基于正交解调的MUSIC算法。该算法首先对阵列接收到的高频信号进行正交采样,在降低采样率的基础上,再利用MUSIC算法对低频信号进行DOA估计。仿真结果表明,改进的MUSIC算法在有效减小运算量的同时又不降低其性能,具有较好的工程实用价值。     

改进粒子群-BP物联网络算法的PSC选船模型

港口国监督管理(PSC)在保障船舶安全、保护海洋环境、提高运营效率等方面发挥着越来越重要的作用。如何提高PSC选船效率和质量是行业研究的重点。粒子群算法是一种通过迭代搜索最优解的进化算法。BP神经网络是一种具有自主学习能力的多层前馈网络。本文研究粒子群算法原理,从惯性权重和压缩因子两方面对粒子群算法进行改进,结合BP神经网络算法,提出基于改进粒子群-BP物联网络算法的PSC选船模型,提高了选船效率和质量。     

粒子群算法在单矢量水听器方位估计中的应用

粒子群优化算法是一种新颖的进化算法,它基于群体迭代.群体中的粒子在解空间中追随适应度最优的粒子,调整速度与位置并搜索最优解.根据MUSIC算法的定向原理,建立适应度函数,利用粒子群算法对单矢量水听器方位估计算法进行优化.结果表明,优化后可以提高低信噪比时方位估计的精度,并实现对目标的三维定位,同时还可以避免因成阵所带来的使用限制.     

一种宽带水声目标DOA估计方法

针对现有的基于压缩感知的宽带水声目标DOA估计方法中存在估计计算时间长、失败率高的问题,将稀疏贝叶斯学习重构方法应用到宽带水声目标DOA估计中,采用定点方法对SBL算法中的核心超参量进行求解,提出一种基于稀疏贝叶斯学习的宽带水声目标DOA估计方法.通过仿真实验,验证了该方法的可行性与有效性,并证实该算法相对于常用的波束形成算法、MUSIC算法、SBL算法以及BP算法具有运算速度快、重构精度高等优点.     

船用计程仪信号传输系统的神经网络故障诊断算法

计程仪信号传输系统是由步进电机通过齿轮带动多个旋转变压器。为实现对其故障的智能诊断,提出一种基于BP神经网络算法的故障诊断方法,并采用LM(Levenberg-Marquardt)最优化算法对BP网络进行训练。通过Matlab神经网络工具箱仿真计算,结果表明LM算法提高了BP神经网络的学习效率及稳定性,明显加快了网络的收敛速度。使用BP神经网络对步进电机带动多旋变系统故障诊断的方法行之有效,在减少故障诊断人员工作量同时提高了系统故障诊断的效率。     

胶囊网络矢量水听器DOA估计

针对水下环境信噪比低的特点,以及传统子空间算法计算复杂度高等问题,提出一种基于胶囊网络（capsules network,CapsNet）的波达方向（direction of arrival,DOA）估计模型。将水下矢量水听器阵列采集的协方差数据实虚部分离作为二维数据输入,利用胶囊结构构建向量神经元,通过动态路由的特征传递方法,得到相应矢量胶囊的分类输出,实现低信噪比条件下的DOA估计。为了验证胶囊网络模型的性能,在不同信噪比下条件下,与多重信号分类（multiple signal classification,MUSIC）和卷积神经网络（convolutional neural networks, CNN）的DOA估计结果进行对比分析。仿真结果表明,训练后的胶囊网络,具有更高的水下DOA估计准确率,抗噪性方面优势更加明显,并且在提升性能的同时,加快了方位估计速度。     

基于VMD与IMWPE的舰船辐射噪声特征提取研究

舰船辐射噪声的特征提取是水下识别的依据,传统的特征提取可识别性较弱,水下识别较为困难。本文提出一种基于变分模态分解（variational mode decomposition, VMD）与改进多尺度加权排列熵（improved multisacle weighted permutation entropy, IMWPE）相结合的方法进行特征提取,将原始信号通过VMD分解成多个固有模态函数（intrinsic mode function, IMF）,选取能够充分体现目标复杂度特征的IMF作为研究对象,然后通过IMWPE方法采用平移均值法解决多尺度加权排列熵（multisacle weighted permutation entropy, MWPE）的单一粗粒化问题。实验数据表明,将本文算法与对比算法提取的特征参数经过粒子群优化的支持向量机（particle swarm optimization support vector machine, PSO-SVM）进行分类识别,IMWPE算法识别率最高,具有良好的稳定性和优越性。     

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。