基于BP神经网络的船舶气象航线决策系统

[目的]为应对国际燃油价格波动和降低温室气体排放的需求,提出一种基于BP神经网络的船舶气象航线决策系统,在考虑经济和环境因素的情况下提高船舶运营效率。[方法]首先,从航海日志和午报等提取船速、转速、平均吃水、吃水差、船上货物重量、风和海浪的影响等7种运营数据,通过BP神经网络方法预测船舶燃油消耗量;然后,提出基于改进Dijkstra算法的船舶气象航线决策系统,并利用该系统获得船舶最优航线。最后,对12 335 t多用途船营口至仁川的航线进行仿真分析。[结果]利用BP神经网络方法预测的燃油消耗量与实测值的拟合优度为79.97%,表明预测效果较好;通过决策系统获得了该船在15和17 kn航速下的气象航线。[结论]基于BP神经网络的船舶气象航线决策系统获得的船舶航线更准确、可靠,有助于减少船舶的燃油消耗量和CO2排放量,为船东和海事管理部门提供技术支持。     

基于遗传小波神经网络的港口船舶交通流量预测模型比较

对船舶交通流量进行准确预测在现代智能交通系统领域发挥着重要作用,为提高对船舶交通流量预测的准确性,本文将遗传算法分别与小波分析和神经网络进行结合,构建改进遗传小波神经网络模型,对广东省船舶交通流量的季度数据进行预测,并与遗传BP神经网络和传统小波网络等算法的预测进行对比。结果表明:经过遗传小波神经网络预测模型的误差相比传统的遗传BP神经网络模型和小波神经网络模型大幅度减小,提高了预测精度,从而保障水上交通安全,给水上安全主管部门的相关决策提供理论依据。     

一种改进的ARIMA预测模型在船舶系统中的应用

为实现船舶设备维护方式的智能化升级,用视情维修代替传统的定期巡检,提出一种基于改进粒子群算法(Particle Swarm Optimization,PSO)优化的Elman神经网络融合自回归差分移动平均模型(Auto-Regressive Integrated Moving Average,ARIMA)模型的组合预测模型,用于对设备状态参数进行预测。根据序列特征拟合ARIMA模型,利用改进的PSO算法优化Elman神经网络的权值和阈值,基于改进的PSO-Elman模型的残差预测值修正ARIMA模型预测结果。采用某船设备实际数据对该组合预测模型进行训练和验证,将其预测结果与其他模型的预测结果相对比,结果表明,该组合预测模型具有较高的预测精度和稳定性。     

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。     

基于神经网络的围网渔船横摇运动研究

为了快速预报一艘65 m的围网渔船在任意载况规则波中横摇运动频率响应函数及不规则波中各海况下的横摇角有义值,应用神经网络的原理和算法,以该船7种实际航运载况的耐波性计算数据为训练样本,建立满足精度要求的围网渔船横摇运动神经网络预估模型。并分析吃水、重心高度、航速和浪向对横摇运动的影响。该模型可应用于风浪中船舶航行安全性评估。     

具有外源输入的船舶横摇运动NARX神经网络预测

为了提高船舶在风浪中航行的安全性,需要精确地预测船舶在风浪中的横摇运动,以提高船舶横摇控制效果,本文通过应用一种带外源输入的非线性自回归（NARX）神经网络预测方法预测船舶横摇运动。该方法考虑了实船操纵性试验数据受风、浪、流等外界因素的的影响,将实测的风向、风速、流速、流向、浪向以及浪高的数据作为外源输入,能够有效提高船舶横摇运动的预测精度。基于“育鲲”轮,利用该方法对实际船舶海上横摇运动进行了实时预测实验,并将其实验结果与SAPSO-BP神经网络模型的预测结果进行对比。从对比结果可以看出,本文所提方法对复杂海浪环境具有良好的适应性,NARX模型的预测精度优于普通反向传播（BP）神经网络和自适应粒子群算法优化的普通反向传播（SAPSO-BP）神经网络.     

基于NeuralProphet-LSTM组合模型的港口货物吞吐量预测

为进一步提高货物吞吐量预测准确性,提出基于NeuralProphet时间序列模型与长短期记忆(LSTM)神经网络的组合预测模型。首先利用NeuralProphet模型对港口货物吞吐量数据进行训练得到预测值并计算残差序列,然后对残差数据建立LSTM神经网络模型进行预报修正,重构得到最终的预测值。以上海港、厦门港的月度货物吞吐量数据为样本展开试验,结果表明,该模型能够有效地解决数据异常波动造成的预测结果误差大、预测效果不稳定等问题;相比于传统单一模型与LSTM-支持向量机(SVM)、Bi-LSTM等组合模型,NeuralProphet-LSTM模型预测精度更高,可帮助港航企业及时调整规划决策与经营策略。     

基于显式模型预测控制的无人船航迹控制方法研究

针对模型预测控制在线计算量大,难以满足无人船实际航行中的实时性要求的问题,提出了一种基于显式模型预测控制的航迹控制方法。首先利用视线制导算法（line of sight, LOS）,根据无人船当前位置和期望航迹信息,设计了无人船艏摇角的参考值,将无人船航迹控制简化为艏向控制;其次,将显式模型预测控制算法应用于无人船艏向控制问题中,该算法既保持了模型预测控制方法的优势,又提高了计算速度;最后通过仿真试验验证了所提出的方法可以显著提高无人船航迹控制的实时性。     

横浪作用下LNG船运动量小波神经网络预测模型

港口码头设计中主要考虑的问题之一是系泊船舶的运动量。首先开展了26.6万m³LNG船舶系泊运动物理模型试验,测量了船舶在试验条件下的六自由度运动量;同时,考虑船舶运动响应的主要影响因素,根据横浪作用下26.6万m³LNG船运动六分量的试验数据,构建了189组容量的训练集,基于小波分析和神经网络,研究确定三层隐含层神经元数分别为8、12和22,进而建立系泊LNG船舶运动量的预测模型。预测结果表明,小波神经网络模型具有输出多参数的算法优势,能够综合考虑系泊船非线性系统中不易量化的众多影响因素(波浪波高、周期、波长以及船舶自身特性等),给出相对精确的预测结果。小波神经网络模型在研究系泊船舶运动量预测方面具有良好适用性,可以有效地预测船舶的运动量,为实际工程设计提供参考。     

船舶齿轮箱故障诊断及失效预报方法研究

针对船舶齿轮箱故障诊断正确率低的难题,提出蚁群优化神经网络的船舶齿轮箱故障诊断方法。首先采集船舶齿轮箱故障诊断的数据,并采用小波分析提取船舶齿轮箱故障诊断特征,然后采用神经网络建立船舶齿轮箱故障诊断模型,并采用蚁群算法克服神经网络存在的缺陷,最后构建了船舶齿轮箱失效预测方法,实验表明,本文方法提高了船舶齿轮箱故障诊断效果,并获得了高精度的船舶齿轮箱失效预测结果。     

港口集装箱吞吐量的灰色神经网络预测模型研究

为了降低港口集装箱吞吐量的预测误差,提高预测精度,文章通过分析传统的灰色预测模型和 BP 神经网络预测模型的优缺点,构建了灰色神经网络港口集装箱吞吐量预测模型,该模型充分发挥了灰色模型所需初始数据少和 BP 神经网络非线性拟合能力强的特点。以实际数值作为初始数据,各种灰色模型的预测值为神经网络的输入值,神经网络的输出值为组合预测结果。通过实例分析,结果表明：灰色神经网络预测模型提高了预测精度,预测结果比较理想,优于单一预测模型,因此,该模型用于港口集装箱吞吐量预测是可行的、有效的。     

基于神经网络精准规划船舶航行路线的算法

船舶航行中精准规划航行路线,合理避开障碍物是安全运行的关键。为此,设计一种基于神经网络精准规划船舶航行路线的算法。利用遗传算法优化神经网络权值,建立基于神经网络的船舶航迹预测模型,在模型内输入船舶航向与航速,输出船舶经、纬度差,即船舶航迹预测结果,依据该结果,获取船舶航行时路线规划环境;依据马尔科夫决策过程,得到路线规划最佳策略网络,通过深度强化学习神经网络确定最佳策略,在该网络内输入路线规划环境预测结果,确定规划策略内船舶执行动作,完成航行路线精准规划。实验证明：该算法可精准预测船舶航迹;在不同水域及场景下,均可精准规划航行路线,确保航行时无碰撞危险,降低航迹点平均距离偏差。     

基于BP神经网络的二手船价格评估研究

二手船价格是买卖二手船决策过程中非常关键的因素。为了准确地估算二手船价格,利用BP神经网络的高度非线性运算能力以及通过学习样本数据即可对事物复杂内在规律进行精确计算的特点,将BP神经网络应用于二手船价格的估算。利用从克拉克松获取的2009年到2012年120个灵便型干散货船交易数据,建立了基于船龄、船舶载重吨(DWT)、新造船价格和一年期期租费率的BP神经网络模型,网络输出结果与二手船实际交易价格的相对误差率在10%以内。     

基于CAWOA-BP的船舶凝给水系统故障诊断

为克服传统专家经验在故障诊断方面的不足,实现船舶凝给水系统的智能诊断,在标准BP神经网络基础上提出一种优化后的CAWOA-BP故障诊断模型。采用混沌映射以及自适应权重调整策略优化WOA鲸鱼算法,利用优化后的WOA鲸鱼算法改进BP神经网络的权值及阈值矩阵。由于船舶凝给水系统的状态监测数据是复杂多维度数据,利用UMAP降维算法对原始数据进行降维。最后,利用降维处理后的数据训练CAWOA-BP神经网络模型,实现故障诊断。通过对正常及故障数据的学习,发现优化后的CAWOA-BP模型相比于标准BP,WOA-BP,PSO-BP故障诊断模型具有更高的准确率、精确率、召回率及预测误差。研究表明,基于优化后的CAWOA-BP神经网络故障诊断方法能够更加精确实现船舶凝给水系统的故障诊断。     

航线配船与船队规划模型及算法实现

为提高船舶资源优化配置研究的实用性,建立了以船队总营运利润最大为目标函数的航线配船与船队规划数学模型.该模型将船队短期调配使用与长期发展规划结合起来统筹分析研究,利用线性规划的单纯形算法进行求解分析,并通过应用实例对模型和求解的有效性进行了验证.基于计算机语言混合编程的方法,设计并开发了航线配船与船队规划决策系统.运行结果表明,该系统稳定可靠,辅助决策效果良好.     

改进BP神经网络的城市交通流预测研究

由于交通流预测具有高度的非线性特点,这与BP神经网络能够处理非线性问题的特征相符合。但BP神经网络算法易使解陷入局部极小,而遗传算法的全局优化能力则恰恰可以克服这一缺点。文中将遗传算法应用于对BP神经网络模型的改进来对交通流进行预测。通过对预测数据与实测数据的比较分析,证实了改进后的方法更为有效。     

GWO-Elman模型在港口货物吞吐量预测中的应用

港口作为国内国际贸易的重要枢纽,在新时代区域经济发展中具有重要的战略地位。为提高港口货物吞吐量的预测精度,使用差分法、灰狼优化（GWO）算法和Elman神经网络模型对2010―2019年青岛港货物吞吐量进行了训练与预测。基于所收集到的时间序列数据,将其作为样本数据输入Elman神经网络模型进行训练与测试;在训练过程中,引入灰狼优化（GWO）算法来优化Elman神经网络的权重（w）和神经元阈值（b）;将GWO-Elman组合模型应用于青岛港货物吞吐量预测的实证研究中。结果证明：GWO-Elman算法模型相较于传统Elman神经网络模型,在预测货物吞吐量时有着更高的收敛速度与预测精度,这为港口货物吞吐量的预测提供了一种新的计算方法。     

港口国监控选船新模型研究

针对已有PSC选船模型采用层次分析法、模糊综合评价方法和BP神经网络等方法存在的诸如不能反映各风险因素之间相关性、专家主观因素带来偏差,样本需求量过大和收敛速度慢等问题,以2009/16/EC巴黎备忘录目标船选船机制NIR为研究对象,提出一种新的基于支持向量机理论的PSC选船模型,并选取巴黎备忘录“THETIS”检船数据库的部分船舶信息进行实证分析.结果表明,使用基于支持向量机理论的PSC选船模型测试的船舶样本结果与其公布的船舶实际情况一致,使用该算法可十分有效地在样本少且检查资源有限时对船舶进行快速分类,对PSC选船的实际操作具有实用价值.