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。     

大数据背景的船舶出航频率非线性估计

传统船舶出航频率非线性估计算法输出估计值与实际频率值之间误差较大,已经无法适应大数据背景下的估计应用。为了解决误差较大问题,提出大数据背景的船舶出航频率非线性估计方法。结合大数据计算特征,构建船舶出航参量进行出航流量的状态模型。通过模型输出相关频率变量特征,对频率估计误差展开分析计算。最后,根据分析系数值,对其进行估计内点差量的补偿计算,从而完成对非线性估计误差问题的优化。数据对比表明,提出的非线性估计输出值,相较传统评估输出值更为接近实际频率值。     

基于改进三参数灰色模型的海上交通事故预测

针对基于非齐次指数离散函数的灰色模型NHGM(1,1,k)在海上交通事故预测中存在的不足,提出一种优化背景值和残差综合修正的三参数灰色预测模型INHGM(1,1,λ,k),并通过改进的自适应粒子群优化(Adaptive Particle Swarm Optimization,APSO)算法对模型中的初始值和背景值进行优化计算。将INHGM(1,1,λ,k)模型和NGHM(1,1,k)模型与传统GM(1,1)模型应用于我国海上船舶交通事故的模拟与预测,并对模拟与预测数据的精度进行比较。结果表明:INHGM(1,1,λ,k)模型模拟和预测的平均相对误差较NGHM(1,1,k)模型更小,与传统的GM(1,1)模型相比预测精度较高,减少原模型由于参数近似替代所导致的模拟误差,在误差允许的范围内,可为船舶交通事故的预测和控制提供新的理论依据。     

集装箱船自适应舱群配载优化算法

传统船舶舱群配载算法在集装箱分布排列最优计算过程中,忽略了空间分布的约束条件,导致计算结构的适应值非最优值,降低了船舶空间使用率,增加了船舶运输成本的投入。因此,提出集装箱船舶自适应舱群配载优化算法研究。通过建立船舶舱群配载约束条件模型、配载分布数据模型与自适应优化模型,完成对集装箱船舶舱群配载过程中集装箱分布适应量的约束优化,通过对分布适应函数量的条件约束,获得分布最优量,完成优化计算。通过仿真对比实验表明,提出的集装箱船舶自适应舱群配载优化算法,在集装箱舱群配载仿真测试中的配载量大于传统算法的配载量,提出优化算法效果明显,符合实际要求。     

动力定位船舶自适应反步逆最优循迹控制

针对动力定位船舶的循迹任务,提出了一种基于逆最优思想的自适应反步控制器,并对误差系统的稳定性进行了分析。首先对无干扰的动力定位船舶线性化模型设计最优跟踪控制器,利用时变Riccati方程进行反步状态变换得到误差系统,再基于 Lyapunov 函数对定常干扰设计自适应律和使系统渐近稳定的控制律,最后给出此控制律作用下的最优性能指标。该方法不用论证带有H∞范数的广义Riccati代数方程可解性,避免了传统非线性 H∞鲁棒控制需要求解 Hanmilton-Jacobi-Issacs(HJI)方程的问题。动力定位船舶的循迹控制仿真研究验证了算法的有效性。     

基于BP网络的船舶磁性目标定位方法研究

船舶磁性目标定位是海上目标定位系统中重要的方法之一,优点是部署简单、定位精度较高;缺点是定位算法复杂度较高、计算量大,算法较易陷入局部最优解,需要进行改进。神经网络是解决目标最优问题的有效求解手段,利用各神经元权值系数调整能够计算出磁性目标定位的全局最优解。本文研究船舶磁性目标定位的算法结构,针对目标函数,设计基于BP神经网络的定位算法,最后给出基于神经网络算法仿真结果,并与传统算法进行对比。     

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。     

电力推进船舶电力负荷预测方法

传统电力负荷预测方法在混度向量模糊场景下,所得到的电力负荷预测结果与实际电力负荷截值之间的误差较大。为了解决上述混沌场景下的预测精准度问题,提出电力推进船舶电力负荷预测方法。实现步骤共分为建立模糊预测量模型、混沌量回归优化与向量机预测输出负荷的优化3部分。通过对预测不同阶段关系量的优化,实现提升预测精准度的效果。与传统预测方法的数据对比表明,提出方法的预测值与实际负荷值之间的误差,明显小于传统预测方法预测值,更适合电力推进船舶电力负荷的预测应用。     

基于自适应学习误差模型的船舶柴油机调速方法分析

传统船舶柴油机调速方法,存在调速误差较大的问题。导致船舶航行过程中速度控制精准度下降,影响船舶航行效率,同时为船舶航行安全留下隐患。通过对调速过程参量的分析发现,导致调速控制误差较大的根源,在于调速控制算法中的控制变量自适应性低。基于上述问题产生原因,提出基于自适应学习误差模型的船舶柴油机调速方法分析。首先对柴油机调速过程中的误差量进行模型计算,然后对误差数据网络络结构进行分析计算。最后,通过自适应学习算法,对误差结构变量进行优化,从而实现提升调速控制精准度,降低误差的效果。通过与传统控制方法的对比,证明提出方法具有解决传统方法不足的效果。     

基于联邦LSTM的突遇新频率船舶升沉运动预测策略

由于浮式起重船在海上进行风电设备安装和运维作业期间,离岸距离远且作业时间长,波浪变化多样且不确定,极易产生新频率的船舶运动,使得无法进行精确预测,从而导致海上作业无法安全进行甚至造成设备损坏,因此文章提出基于联邦学习的多变量多步长短期记忆网络（LSTM）预测方法。针对无线数据采集时间间隔不一致,将其和船舶升沉运动数据共同作为双层LSTM预测模型的输入变量并进行多步预测。同时针对突遇新频率船舶运动的情况,采用联邦学习方法联合多家海上风电安装运维企业的船舶升沉运动数据,共同训练适用于复杂海况下的船舶升沉运动LSTM预测模型。使用Stewart六自由度波浪补偿平台模拟浮式起重船的升沉运动,试验结果表明,在遇到新频率船舶运动时,该方法能有效提高船舶升沉运动的预测效果,模型预测精度（RMSE值）至少可达到0.095。     

基于RNN-LSTM的船舶运动轨迹预测

针对船舶轨迹预测精确性与实时性的需求，从数据层面探究影响船舶航行轨迹的特征，通过相关性分析确定网络的输入，提出结合循环神经网络-长短期记忆（Recurrent Neural Networks - Long Short Term Memory，RNN-LSTM）的船舶航行轨迹预测模型。通过船舶Z形试验相关数据与实船实际航行数据对网络模型进行训练，并对未来船舶航行轨迹进行预测。对未来轨迹的预测值与实际值进行对比。结果表明，模型预测误差小，验证该方案在船舶轨迹预测中的实用性和有效性。     

云计算平台下舰船航行应急响应资源需求预测分析

针对传统的应急资源需求预测分析模型易受干扰而导致的预测误差较大的问题,研究云计算平台下舰船航行应急响应资源需求预测分析模型。使用聚类算法对舰船航行应急资源需求评估,利用小波神经网络构建需求预测模型。在云计算平台中,对构建的资源预测模型参数求解,完成云计算平台下舰船航行应急响应资源需求预测分析模型的构建。设计与传统基于案例推理的资源需求预测模型的对比实验,通过实验证明构建的云计算平台下的预测模型预测误差更小,性能更佳。     

船舶应急电站输出频率自动控制技术

采用当前方法对船舶应急电站输出频率进行控制,对突发扰动控制效果较差,难以船舶输出频率的精准控制。提出一种基于自抗扰神经元网络的船舶应急电站输出频率自动控制技术方法。通过空间矢量脉宽调制模块将船舶机电电压矢量转换为开关信号,进一步减小预测模型参数误差对船舶机电系统稳定性的影响。引入自抗扰神经元网络对船舶机电一体化控制系统进行自适应训练,得到船舶机电系统外环控制器的适应度函数,以该函数为依据完成对船舶应急电站输出频率自动控制优化。实验仿真证明,所提方法可以对船舶应急电站输出频率控制进行精准预测,能够有效实现输出频率的自动控制。     

海上高速航行船舶触礁距离实时计算方法

为了提高船舶航行安全性,并应对航行过程潜在碰撞风险,提出海上高速航行船舶触礁距离实时计算方法。通过航海雷达探测船舶航行环境中的礁石目标,确定极坐标系下的位置坐标后,将其转换地心垂直坐标系下,构建基于PLSTM-FCN的船舶航迹预测模型,从船舶自动识别系统中获取高速航行船舶历史位置、航速、航向、船舶长度、宽度以及吃水深度等AIS数据,将其作为模型输入,模型输出为船舶航行实时位置预测结果,结合礁石目标位置,完成触礁距离的实时计算。实验结果表明,该方法可预测船舶航行航迹,预测MSE值仅为0.002 2;可实现船舶触礁距离的实时计算,计算结果与实际距离误差介于0.77～1.55之间。     

基于单波束仰扫回波信号强度处理的船舶吃水检测技术

针对内河船舶超吃水引发的船舶安全问题,提出单波束声呐在水下仰扫,对目标船舶回波信号的强度值进行处理并滤除干扰误差,测量内河船舶动态吃水值的检测方法。采用自适应阈值法甄别仰扫单波束声呐发射到船底的回波信号,利用中值滤波滤除回波信号异常数据得到单波束声呐到目标船舶底部的距离,用测深传感器测得的水深值减去此距离得到船舶的实时吃水值。对不同吃水值的模拟船舶进行吃水测量实验,结果表明:该系统能够较为准确测量船舶吃水值。     

基于NARX神经网络的船舶升沉运动实时预测方法

[目的]对船舶升沉运动进行预测有助于增强升沉补偿器的补偿效果,减少海浪对作业设备的干扰。为提高升沉预测模型的精度和稳定性,提出一种船舶升沉运动实时预测方法。[方法]基于带外源输入的非线性自回归(NARX)神经网络建立单海况预测模型,利用船舶系统仿真器获取母船升沉运动仿真数据,将NARX模型与卡尔曼(Kalman)模型、普通反向传播(BP)模型的预测结果进行对比。在此基础上,对单海况预测模型进行改进,建立多海况预测模型。[结果]多海况预测模型预测精度较高,且稳定性优于单海况模型,在2～5级海况下的最大预测误差均小于10-4量级。[结论]仿真结果表明,NARX神经网络对复杂海浪环境具有良好的适应性,它的预测速度和精度均优于BP神经网络和传统滤波方法,在高海况下仍可保持高预测精度。     

船舶港口建筑工程造价的预测模型构建

针对当前船舶港口建筑工程造价预测误差、准确度低的缺陷,设计了基于贝叶斯回归算法的船舶港口建筑工程造价预测模型。首先对当前船舶港口建筑工程造价预测现状进行分析,分析船舶港口建筑工程造价预测误差大的原因,然后根据船舶港口建筑工程造价数据,引入贝叶斯回归算法对船舶港口建筑工程造价的变化态势进行拟合和预测,最后通过船舶港口建筑工程造价预测的仿真实验分析预测效果,本文模型很好把握了船舶港口建筑工程造价变化规律,船舶港口建筑工程造价预测精度超过95%,船舶港口建筑工程造价预测的训练和测试时间短,船舶港口建筑工程造价结果要明显好于其他模型,为船舶港口建筑工程造价预测提供了一种新的研究工具。     

LSTM网络在船舶航行轨迹预测中的应用

针对传统船舶航行轨迹预测算法,计算得到的轨迹预测量的回归适应性差,导致预测结果与实际轨迹之间的误差较大,严重影响船舶航线调度与航行安全的问题,提出LSTM网络在船舶航行轨迹预测中的应用。利用LSTM网络模型的梯度传递特性,建立航行轨迹进行LSTM网络模型,优化轨迹预测学习器预测学习量,采用高斯回归算法,增强预测量的自适应性,减小预测误差,整合网络预测数据,完成轨迹预测输出计算。实验数据表明,提出的预测方法的预测结果与实际轨迹之间的误差较小,能够有效提升轨迹预测精准度。     

无人驾驶技术的水面船舶曲线航迹跟踪方法

传统水面船舶航迹跟踪方法仅能对线性航迹进行跟踪,针对与双体船结构特征相似的无人驾驶船舶航迹,在其无线航迹跟踪应用中表现出航迹跟踪坐标位置与实际坐标位置误差较大的问题,导致跟踪目标经常丢失。为此,结合双体船航迹跟踪特点,提出无人驾驶技术的水面船舶曲线航迹跟踪方法。首先对水面船舶航行条件建立模型,根据条件模型对船舶曲线轨航迹进行数据模型计算。最后,结合条件模型与曲线航迹模型,对跟踪算法进行差值优化计算,从而提升曲线航迹的跟踪精准度。通过仿真数据的模拟测试,采用提出方法的船舶,能够将曲线航迹跟踪精准度控制在98.6%以上,有效解决传统跟踪方法误差大的问题。     

大数据分析下双向通航港口船只调度方法

针对传统方法因缺少自适应蚁群调度优化算法,导致调度资源分析不足的问题。在大数据分析的技术支持下,为更好地提升双向通航港口船只调度的合理性与科学性,提出大数据分析下双向通航港口船只调度方法研究。通过大数据分析技术,对双向通航港口船舶调度数据进行分析计算。接着对港口调度能力进行模型建立,根据获得的数据引入自适应蚁群调度优化算法,完成数据科学调度计算。通过实验对比方式,对提出设计方法的合理性进行证明,对双向通航港口船只调度有科学意义。