聚类分析在船舶碰撞中的应用分析

为避免船舶发生碰撞,提高船舶航行安全性,本文首先建立船舶碰撞模型。基于有限样本点,采用神经网络算法对其进行聚类分析,使得样本拟合误差收敛,具有较高的稳定性,并且收敛精度较高,可为工程实践提供参考。     

RBF神经网络混沌背景下微弱信号检测方法研究

船舶信号检测系统在检测水场压力值等信号时,会遇到海浪、强风等较强的噪声干扰。为了有效降低信噪比,提取微弱信号,本文提出基于RBF神经网络的混沌背景下微弱信号的检测方法。该微弱信号检测方法基于混沌动力学和静力学原理,利用RBF神经网络算法将敏感程度高的混沌振子与RBF神经网络拓扑结构相结合,构建抗干扰能力强、接收信号能力强的微弱信号检测系统。     

基于数据融合的船用核动力系统故障诊断方法

现有舰艇的动力系统一部分为核动力装置,相对于传统的动力装置,系统复杂度﹑对安全性及可靠性要求都大大提高。一旦核动力装置系统出现故障,需要在规定的时间内及时诊断排除故障。依据经验库及人的故障检测方法已不适用于核动力装置系统,需要一种高可靠及自动智能化的故障排除方法。本文对出现故障的核动力装置数据进行融合,结合神经网络,设计时效性及自动化程度高的动力系统检测系统,最后进行仿真实验。     

基于BP神经网络的道路预防性养护决策研究

吉林的夏季炎热,冬季严寒的气候条件对于具有温敏性的沥青路面极为不利。此区域沥青路面病害类型丰富、发生很早且发育很快,因此,投入到沥青路面养护维修中的经费数额巨大。采取预防性养护措施防患于未然是解决上述问题的"钥匙"。传统的人工养护方法决策过程效率较低且受工作人员主观因素影响较大。在对季冻区沥青路面病害综合调查基础上,对其进行量化并建立"病害库",同时,结合季冻区养护规范建立沥青路面"预防性养护措施库",采用MATLAB工具箱中的BP神经网络实现对病害的分类分级,并以此将"病害库"与"养护措施"进行样本训练学习,建立对应各种类各程度道路病害的预防性养护模型。     

广州地铁A2型车辆牵引系统电压传感器可靠性预测方法研究

基于经典故障统计分析法和BP神经网络,对广州地铁A2型车辆牵引系统电压传感器可靠性进行预测分析,并对比研究两种分析方法的预测误差,从而选择更合适的可靠性分析方法,获得更准确的可靠性分析结果,为制定维修策略提供基本信息。     

广州地铁B型车风机运用可靠性分析

针对广州地铁B型车风机故障频发的问题,对列车所用的风机进行归类统计,借助可靠性平台收集风机故障数据,并通过BP神经网络算法建立广州地铁B型车整车风机的可靠性网络,通过列车风机的可靠性网络表现提出风机的维护维修方法。     

高速铁路动卧旅客对价格敏感度的识别与研究

计算、评分铁路旅客群体对价格的敏感度，并在此基础上实现旅客群体分类，对于新线开通票价制定、既有线票价浮动测算、丰富常旅客营销手段、预售期票价折扣实施等方面工作具有重要参考意义。选取多次乘坐高速铁路（简称:高铁）动卧的旅客为样本对象，根据其在票价动态调整开始实施后出行行为的变化，运用K-means聚类算法和BP神经网络，将每位高铁动卧旅客对价格的敏感度进行识别和评价，并最终将所有旅客群体分成3类。结果表明，该方法能够较好地评价旅客价格敏感度，准确识别出价格敏感度较高的旅客群体，为铁路旅客运输利用价格手段实现“削峰填谷”、减少客流波动、提高经营效益的市场化目标提供助力。     

基于改进LSTM-SVM的多传感器船舶旋转机械快速故障诊断方法

微小故障的快速诊断是预防和减少重大显著性故障发生的关键.近年来,基于深度学习的智能故障诊断方法已成为船舶旋转机械领域研究的热点.本文提出了一种基于改进的LSTM-SVM的循环神经网络深度学习算法,解决船舶旋转机械在多传感器监测环境下的快速故障诊断问题.该算法首先采用多层堆叠的LSTM网络作为特征提取器捕获多通道时间序列原始数据中的故障微弱特征,然后在网络末端采用非线性支持向量机(SVM)代替传统的Softmax函数作为分类判别器,进一步提升诊断准确率.实验结果表明,提出的方法具有更高的诊断准确率和更快的诊断速度,更适用于多传感器监测环境下微小故障的快速诊断和实时检测.     

改进神经网络的舰船电力系统稳定性容错控制

大部分舰船电力系统控制方法只能完成电力系统的基础控制任务,没有考虑电力系统状态控制,造成控制后电压稳定性较差的问题。因而,设计改进神经网络的舰船电力系统稳定性容错控制方法。引用改进神经网络设计状态诊断网络,完成舰船电力系统状态诊断。设计模糊滑膜变结构控制器为容错控制器,引用模糊控制技术控制电力系统中电流与电压的变化,实现对舰船电力系统的稳定性控制。通过测试对比可知,此方法与原有2种控制方法相比,此方法完成控制后的输出电压更加稳定。综上可知,改进神经网络的舰船电力系统稳定性容错控制更适用对电力系统的状态进行控制。     

基于ARIMA-RBF神经网络的沿海港口吞吐量预测研究

在沿海吞吐量预测中，影响因素多且复杂，传统的计量经济模型很难得到满意的结果。针对此特点，提出一种组合预测模型，先后用ARIM A模型和RBF神经网络模型探求港口吞吐量历史数据的线性和非线性变化规律，最后将两者预测结果组合。对福建省港口货物吞吐量预测作为实例进行验证，结果表明，相对单一预测模型，该方法的预测精确度更高。