基于改进物元法的智慧港口发展水平评价模型

针对当下智慧港口建设如火如荼,而建设行业标准体系却迟迟未能统一的问题.首先利用智慧港口建设发展路径的研究基础,结合国内外信息化发展评价指标体系研究成果,构建了适合国内智慧港口建设发展的评价指标体系;其次利用主客观综合赋权法降低了传统评价过程中,主观因素对指标权重的影响,引入基于云模型的改进物元理论,解决了传统评价方法中模糊性和随机性带来的误差;最后以天津港智慧港口建设工程为算例,对天津港的智慧港口发展水平进行评估,计算得到期望为3.9956,发展等级为较好,与正态云模型和灰色关联分析法的验证结果一致.研究结果表明:评价体系符合现阶段智慧港口的发展方向,评价方法简洁有效,在降低了双重不确定性对于评价结果影响的同时计算了评价结果的置信度,为今后我国智慧港口发展和评价体系的建立提供了参考.     

对转桨水动力性能实时预报方法

为了实现对转桨水动力性能实时预报，基于BP神经网络构建对转桨水动力性能预报模型。首先，采用低阶速度势边界元法建立对转桨水动力性能预报模型，通过调整来流速度和前后桨转速开展对转桨水动力性能多工况计算，从而获得构建神经网络所需的样本空间。建立适用于对转桨水动力性能预报的神经网络架构，通过训练使其具备良好的泛化能力。以某组对转桨为研究对象开展水动力性能实时预报方法研究，结果表明，采用BP神经网络预报模型可获得与边界元法精度相当的预报结果，但该模型与边界元法相比计算所耗时间可以忽略不计，可有效实现对转桨水动力性能实时、快速预报。     

基于卷积神经网络的舰船图像类型识别

舰船图像类型识别是计算机视觉领域研究的热点,当前舰船图像类型识别方法存在误识率高、识别时间长等不足,为获得更优的舰船图像类型识别结果,提出基于卷积神经网络的舰船图像类型识别方法。首先提取舰船图像,对其进行增强、去噪、过滤处理,提升舰船图像质量,然后从舰船图像中提取识别特征,将其作为卷积神经网络的输入,舰船图像类型识别作为卷积神经网络的输出,建立舰船图像类型识别分类器,最后采用Matlab2017对5种类型的舰船图像进行仿真测试,卷积神经网络的舰船图像类型识别正确率超过95%,舰船图像类型的误识率和漏识别均低于5%,获得了理想的舰船图像类型识别结果,而且舰船图像类型识别性能远高于其他舰船图像类型识别方法,具有十分广泛的前景。     

高校思政课主导性和主体性相统一的话语路径

高校思想政治理论课坚持教学主导性和学习主体性相统一,对大学生进行马克思主义理论教育。从实际教学效果来看,教师话语内容窄化,话语方式单一,话语语境化不够,其根本原因在于忽视学生学习的主体性地位。从话语来看,学生学习的主体性是指提高话语的可接受度,转变话语方式,将单向灌输转为互动式对话交流,提高话语的共识性,从而贴近高校大学生的生活世界。     

基于RBF神经网络优化模糊规则的USV自适应模糊滑模控制

针对USV运动航向控制问题,利用基于Lyapunov稳定性理论的滑模控制方法设计USV航向控制律.考虑到USV运动系统具有不确定性,利用具有万能逼近性能的模糊系统对USV运动模型中不确定项及外界干扰项进行模糊逼近.为了进一步提高模糊系统的逼近性能,采用具有学习能力快的RBF神经网络对模糊系统进行在线学习,优化模糊规则.仿真结果表明基于RBF网络优化的模糊控制该算法能够实现USV航向连续稳定跟踪.     

云南省民航客运发展预测

民航运输是云南省在进行综合交通运输建设的重点之一,也是该省在未来"十四五"(2021-2025年)和"十五五"(2026-2030年)规划期间的研究热点。本文以云南省为研究范围,以省内民航客运为研究对象,选取省内主要的社会经济因素为影响因子,运用主成分分析法(PCA)、反向传播神经网络算法(BP神经网络算法)和回归分析法,构建了省内民航客运的预测模型,得出省内各主要机场在"十四五"末和"十五五"末的预计旅客吞吐量,对省政府在进行机场改扩建上有一定的指导意义。     

船舶动力设备退化基线计算及预测方法

船舶动力设备在自身性能退化过程中的相当长一段时间内仍能完成规定功能,对具有重要特征参数或性能指标的船舶动力设备而言,若使用定基线进行健康状态评估会导致评估值连续较低甚至误报警问题。为了解决这一问题,以目标设备按性能退化时间序列采集的特征参数为研究对象,首先建立退化基线计算方法,利用滑动概率神经网络和性能可靠度与基线值间的转换函数获得目标设备的动态退化基线;然后建立ARMA预测模型获得预测参数,并与退化基线计算方法结合对退化基线发生动态变化的时间节点进行预测;最后利用海水泵对建立的方法可行性进行验证。结果表明,本文建立的退化基线计算方法能够获得动态基线,退化基线预测方法能够对动态基线的变化时间节点进行准确预测。     

基于数据驱动的船舶油耗预测模型研究

以某客滚船为研究对象,将大量航行实际数据进行预处理,通过斯皮尔曼等级相关分析选择出船舶左右桨螺距、左右舷舵角、纵倾、船首风速、船舶对水和对地航速为油耗主要影响参数。建立基于LSTM神经网络的黑箱模型对数据进行学习并预测油耗,额外选取测试样本验证模型精度,优化模型内部结构以进一步提高预测精度。将最终得到的预测数据与实测数据对比,证明模型具有良好的准确性。该研究方法能为船舶运营人员优化运营方案提供参考,能够提高水路交通运输的经济性。