船舶横向运动短期姿态预报数学建模可行性研究

传统的船舶横向运动短期姿态预报数学模型存在着预报性能低的缺陷,为此提出船舶横向运动短期姿态预报数学建模可行性研究。采用平均滤除法对船舶横向运动数据中的不良数据进行去除,完成船舶横向运动数据准备,将得到的船舶横向运动数据进行归一化处理,适应预报函数的需求,将得到的归一化的船舶横向运动数据输入到BP神经网络算法中完成船舶横向运动短期姿态的预报,实现了船舶横向运动短期姿态预报数学模型的建立。通过实验得到,构建的船舶横向运动短期姿态预报数学模型预报误差比传统模型低了21.41%,预报时间比传统模型高出3.25 s,充分说明构建的船舶横向运动短期姿态预报数学模型具备良好的可行性与预报性能。     

速比圆预报危险区模型及其在ARPA系统中的应用

本文在雷达避碰速比测定法研究的基础上提出了速比圆预报危险区的数学模型,这个模型可用于自动雷达标绘(ARPA)系统。文中分别简述和分析了速比圆(可能碰撞圆)预报危险区的构造原理及数学模型。在TRS-80微型计算机上的计算结果表明,速比圆预报危险区模型比现有的ARPA系统中的预报危险区模型能提供更多的避碰信息。     

水下航行体空间操纵性预报研究

通过建立水下航行体空间的操纵运动数学模型,运用Visual C++设计开发水下航行体操纵运动预报系统,对水下航行体水平面、垂直面及空间典型操纵运动进行数值预报,数值模拟结果合理,能够较为全面地预报水下航行体的空间操纵运动。     

中国海域潮汐预报软件Chinatide的应用

对中国海域潮汐预报软件Chinatide的理论基础、使用方法进行了简介;使用现场实测资料对Chinatide软件预报结果进行了对比验证;指出了应用Chinatide软件预报潮汐应该注意的问题。对于海岸河口潮流数学模型来说,Chinatide是一个很好的提供开边界条件的软件。     

潜艇大攻角操纵运动预报

舱室破损进水是造成潜艇失事的主要险情之一.文中针对潜艇首部破损进水并采取应急吹除上浮时出现的大攻角运动状态,建立了潜艇大攻角操纵运动数学模型.通过数学模型中有、无考虑大攻角水动力修正的两种形式,对潜艇首部舱室破损进水的挽回操纵进行了仿真预报比较.仿真结果表明,潜艇在大攻角状态下的操纵运动预报,数学模型中考虑了大攻角水动力修正后的预报更加合理.而且,在潜艇舱室破损进水采取应急吹除挽回时,需要重点关注升降舵对纵倾的控制.     

基于系统辨识的复合三体船回转模式运动分析

通过对复合三体船模回转模式运动试验,获得了回转运动数据,并将损失函数的优化过程作为辨识准则,对数据进行分析处理。针对复合三体船回转运动特性建立了回转运动的数学模型,确立了辨识的目标函数;运用遗传算法编制的VB程序对数学模型中的变量进行辨识,并预报了角速度值。对辨识结果和实验值进行了误差分析,得到了理想的预报结果,验证了该套数学模型及辨识程序的可行性。辨识结果亦可用于与船模大小相同的三体无人艇。     

舟山港环境动力预报系统研制

以舟山港溢油模拟信息系统的研制为背景,提出了研制舟山港环境动力预报系统的思想。该系统充分利用了国际上先进的数值预报方法,针对舟山海域建立了理想的数学模型,对影响舟山海域的环境要素(海面风、海流等)进行了模拟和预报。该系统融合了GIS技术,具有良好的人机交互界面,并最后将该动力环境预报系统应用于溢油模拟中。经过实例的检验,表明预报的环境要素与实测的吻合较好。     

基于改进的LS-SVM的潜水器拘束模试验分析方法

本文以最小二乘支持向量机为基础,将增量法和滑动窗口法相结合,建立适用于分析处理大样本数据的方法。采用该方法对某潜水器拘束模斜航试验和纯横荡试验进行了分析,获取了可以反映潜水器横向力、转首力矩的数学模型中的水动力系数,并利用构建的数学模型,预报多种工况下的潜水器所受到的水动力。通过比较预报结果和试验结果,证明了该方法的有效性。     

全回转双桨船舶操纵性预报

为实现对全回转桨船操纵性的预报,根据船舶分离型运动模型的建模方法,考虑全回转桨在水平面上周转的灵活性与受力的特殊性,着重分析双桨受力,建立适用于全回转对转桨船模的MMG操纵运动数学模型;模拟船模进行PMM运动,求得水动力导数并采用四阶龙格—库塔法对操纵性常微分方程进行求解;对某工程船在静水中的回转运动和Z形操纵运动进行数值仿真预报,并将预报结果与自航模操纵性试验结果进行对比。结果表明,两者吻合度较高,验证了针对全回转对转桨船模所建立的船舶运动数学模型的有效性,可为全回转桨船的操纵性预报提供一种较为可靠且行之有效的方法。     

基于VB的舰船某开盖机构模拟装置数学模型仿真

论述了运用VB高级语言开发软件对舰船某开盖机构模拟装置数学模型进行仿真的技术,并进行了仿真结果与系统试验结果的对比分析.分析结果表明,数学模型仿真的方法正确合理,达到了预报系统性能的目的.     

一种新的支持向量回归算法及其在集装箱吞吐量预测中的应用

支持向量机是基于统计学习理论框架下的一种新的通用机器学习方法,是一种处理非线性分类和非线性回归的有效方法。由于具有完备的理论基础和出色的学习性能,该技术已成为当前国际机器学习界的研究热点,能较好地对应解决小样本、高维数、非线性和局部极小点等实际问题。近来,SVR方法被引入求解回归和预测问题,并在各领域中得到广泛的应用。文章提出了一种新的基于单参数的Lagrangian支持向量回归算法,并将该算法应用在集装箱吞吐量预测中。估算结果证明了这种改进的支持向量回归算法在集装箱吞吐量预测中的有效性和实用性。     

Ship motion extreme short time prediction of ship pitch based on diagonal recurrent neural network

A DRNN （diagonal recurrent neural network） and its RPE （recurrent prediction error） learning algorithm are proposed in this paper . Using of the simple structure of DRNN can reduce the capacity of calculation. The principle of RPE learning algorithm is to adjust weights along the direction of Gauss-Newton. Meanwhile, it is unnecessary to calculate the second local derivative and the inverse matrixes, whose unbiasedness is proved. With application to the extremely short time prediction of large ship pitch, satisfactory results are obtained. Prediction effect of this algorithm is compared with that of auto-regression and periodical diagram method, and comparison results show that the proposed algorithm is feasible.     

基于单参数的Lagrangian支持向量回归算法及其应用

支持向量机(Support Vector Machines,SVM)是基于统计学习理论框架下的一种处理非线性分类和非线性回归的有效方法。由于具有完备的理论基础和出色的学习性能,该方法已成为当前国际机器学习界的研究热点,能较好地解决小样本、高维数、非线性和局部极小点等实际问题。这里提出了一种基于单参数的拉格朗日(Lagrangian)支持向量回归算法,并将该算法应用在外贸货物吞吐量预测中。估算结果证明了这种改进的支持向量回归算法在吞吐量预测中的有效性和实用性。     

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。     

Short-term prediction of vehicle waiting queue at ferry terminal based on machine learning method

Ferry service plays an important role in several cities with waterfront areas. Transportation authorities often need to forecast volumes of vehicular traffic in queues waiting to board ships at ferry terminals to ensure sufficient capacity and establish schedules that meet demand. Several previous studies have developed models for long-term vehicle queue length prediction at ferry terminals using terminal operation data. Few studies, however, have been undertaken for short-term vehicular queue length prediction. In this study, machine learning methods including the artificial neural network (ANN) and support vector machine (SVM) are applied to predict vehicle waiting queue lengths at ferry terminals. Through time series analysis, the existence of a periodic queue-length pattern is established. Hence, methodologies used in this study take into account periodic features of vehicle queue data at terminals for prediction. To further consider the cyclical characteristics of vehicle queue data at ferry terminals, a prediction approach is proposed to decompose vehicle waiting queue length into two components: a periodic part and a dynamic part. A trigonometric regression function is introduced to capture the periodic component, and the dynamic part is modeled by SVM and ANN models. Moreover, an assembly technique for combining SVM and ANN models is proposed to aggregate multiple prediction models and in turn achieve better results than could be attained from a lone predictive method. The prediction results suggest that for multi-step ahead vehicle queue length prediction at ferry terminals, the ensemble model outperforms the separate prediction models and the hybrid models, especially as prediction step size increases. This research has important practical significance to both traffic service management interests and the travelers in cities along waterfront areas.     

基于机器学习的船舶能耗智能预测方法验证分析

船舶能耗智能预测是实现船舶能效智能评估与优化决策的基础和前提。大数据、人工智能、机器学习等新兴技术促进了船舶能耗预测方法的不断发展,为分析不同基于机器学习的船舶能耗预测算法的预测精度与效果,进行了不同预测算法的实例验证分析。结合船舶油耗及其影响因素实船采集数据,通过采用不同机器学习算法对船舶能耗进行预测分析,验证了各算法的特点和优势,从而为选择合适的船舶能耗预测算法提供参考。     

舰船运动极短期建模预报的研究现状

综述了舰船姿态运动极短期建模预报的发展历史及现状，讨论了各种建模预报方法在舰船运动极短期建模预报中存在的问题，着重介绍了投影寻踪学习法用于舰船运动建模预报。此外，对舰船运动极短期建模预报的研究作了展望。     

基于SVM的粉煤灰混凝土抗氯离子渗透性预测方法

提出一种基于支持向量机(SVM)的粉煤灰混凝土氯离子渗透性新型智能预测模型,并给出了相应的步骤和算法。通过该模型分析了水胶比、水泥用量、用水量及粉煤灰掺入量4个因素对粉煤灰混凝土渗透性的影响。在此基础上,能利用有限的试验数据方便地由不同的配比对所浇注混凝土渗透性进行预测,有助于准确认识混凝土耐久性随配比参数的变化规律。通过具体实例及与BP预测方法效果对比表明,该模型构造速度高2~3个数量级,预测精度高5倍左右。因此该模型在混凝土性能预测和优化设计中具有广阔的应用前景。     

加权支持向量回归算法在运力预测中的应用

支持向量机(Support Vector Machines,SVM)是基于统计学习理论框架下的一种新的通用机器学习方法,是一种处理非线性分类和非线性回归的有效方法。由于具有完备的理论基础和出色的学习性能,该技术已成为当前国际机器学习界的研究热点,能较好地解决小样本、高维数、非线性和局部极小点等实际问题。近来,SVR方法被引入求解回归和预测问题,并在各领域中得到广泛的应用。本文在分析现有基于高斯核的支持向量回归方法优缺点的基础上,突破目前在构造支持向量机中存在的"所有支持向量与样本之间的在特征空间中的内积所对应的核函数参数一定要相等"的这一思维定势,提出了一种新的算法——"基于高斯核参数加权的支持向量回归机"算法,并将该算法应用在世界散货船队运力预测中。估算结果证明了这种改进的支持向量回归算法在船队运力预测中的有效性和实用性。     

基于混沌理论和改进极限学习机的船舶升沉预报

船舶升沉运动预报是主动升沉补偿系统中的重要组成部分.为了满足船舶升沉运动预测的实时性和准确性要求,本文提出了一种混沌理论与增强搜索极限学习机相结合的混合方法(CES-ELM).在混沌动力系统相空间重构的基础上,采用基于误差最小化的方法生成ELM隐藏节点并不断更新权值;利用优化后的模型参数建立船舶运动预测模型.不同海况下的仿真结果表明,该方法的预测平均绝对百分误差小于10％,与传统的ELM和LSSVM模型相比,该模型能有效提高预测精度和鲁棒性.