基于回声状态网络的船舶横摇运动预报

针对普通的递归神经网络训练过程较复杂,而且存在记忆渐消等问题,提出一种基于回声状态网络的船舶横摇运动预报方法.该网络将隐层设计成一个巨大的动态记忆库,具有记忆功能,隐层中的神经元在学习过程中不进行权值调整,而通过线性回归的方式训练网络,使网络记忆功能加强,学习速度加快.运用该网络对某型船舶在海浪遭遇角为90°海况下的横摇运动进行预报.结果表明:回声状态网络训练简单,加速了网络的训练速度,有更好的记忆性能,以预报60步为例,回声状态网络和对角递归神经网络预报的均方根误差分别为0.003 9和0.024 9,提高了近8倍,在相同的预报精度下,回声状态网络的预报时长明显增长,验证了该方法的可行性与有效性.     

基于误差反传神经网络的船舶横摇时间序列预报

给出了误差反传神经网络模型和学习型算法及其改进型学习算法，并将其应用于船舶横摇运动时间序列预报，取得了较好的效果。亦可用于纵摇、艏摇的时间序列预报。     

基于双向差分的船舶横摇时间序列的预报

根据船舶在随机海浪作用下的运动特性,基于双向差分算法建立模型,并运用于船舶横摇运动时间序列的预报,取得较好的效果.该模型也可用于纵摇、艏摇的时间序列的预报.     

船舶横摇与纵摇运动的非线性耦合方程

以欧拉角描述船舶的摇摆运动,考虑规则波浪力及船舶受定常力矩的情形,将水动力展为Ｔａｙｌｏｒ级数,利用欧拉动力学方程推导出船舶横摇与纵摇二自由度耦合的非线性运动方程,为船舶内共振运动响应动力行为分析奠定基础。     

二阶对角递归神经网络船舶横摇运动预测

提出一种船舶横摇时间序列预测方法.该方法使用在隐层具有2个反馈权值的对角递归神经网络进行预测,给出了此网络易于实现的动量梯度学习算法(DBP),并对其收敛性进行了验证.运用该模型对我国某型船舶在横浪中航行情况进行预测,结果表明:本网络可以储存更多的历史数据,有更好的记忆性能,所使用的模型比DRNN模型及前向网络BP模型能快速、准确地预测船舶横摇运动时间序列,仿真实验验证了该方法的可行性与有效性.     

基于小波变换理论的船舶横摇运动分析与预测

为获得横摇运动在不同时间尺度下的演变规律,提出基于小波变换(WT)理论进行船舶横摇运动非线性时间序列分析与预测的方法.通过小波变换对横摇运动时间序列进行多分辨率分析(MRA),将原序列分解为多个相对简单的准周期信号,对信号的趋势项、周期项和随机项进行分离,并采用人工神经网络(ANN)模型对上述准周期信号进行预报和集成.仿真结果表明:该方法有效提高了预报长度,并可获得较高建模及预报精度.     

基于深度学习的船舶横摇运动姿态控制研究综述

深度学习是人工智能领域的一个研究热点,在学术界、工业界以及政府部门均可发挥重要的作用。深度学习在船舶运动姿态领域的研究尚处于起步阶段,目前可查的研究成果甚少。该文首先概述了4种机器学习算法,包括监督学习、无监督学习、半监督学习和强化学习,介绍了几种重要的神经网络模型与常用大规模训练方案;其次分析几种常用的深度学习优化算法,并在此基础上,结合船舶横摇/艏摇运动模型,阐述了船舶横摇角和艏摇角的数据训练系统、数学模型和预测方法;最后总结了该领域存在的问题和发展前景。     

船舶横摇状态下行人疏散速度分析

为研究船舶横摇对行人疏散速度的影响,通过计算行人在横摇运动空间中不同维度的受力,依据实时更新的横摇角度和角速度,建立一种考虑船舶横摇运动的三维动态社会力模型。以横摇幅度和横摇周期为变量,设置多场景的仿真实验,计算行人平均运动速度和疏散时间,分析不同横摇状态下的行人运动规律。仿真结果表明：相较静态倾斜,船舶横摇进一步导致行人移动速度衰减及疏散进程延缓,随着横摇幅度增大,行人速度不断降低,横摇幅度超过15°后,疏散时间迅速增加;增大船舶横摇周期对疏散过程有一定的积极影响,可以有效提升人员行走速度,减少疏散时间,但其影响程度仍与横摇幅度有关;在相同横摇幅度情况下,当横摇周期达到10 s及以上时,疏散效率可以显著提高。研究结果可为设计人员提升船舶安全性和管理者制定人员疏散决策提供理论依据和技术支撑。     

船舶参数激励横摇运动研究综述

为避免参数激励导致船舶出现不稳定横摇,提出有效抑制参数横摇的方法.分析参数激励引起的大幅横摇运动的动力特性,从船舶非线性耦合运动、横浪运动、纵浪上参数激励运动和波浪上参数与波浪联合激励运动方面,对目前研究现状及取得的主要成果进行综述,对船舶参数激励横摇运动及其倾覆机理的研究前景进行展望.     

基于非线性横摇运动的风翼助航船舶航行安全性研究

应用非线性动力学理论与随机理论,建立随机风浪作用下风翼助航船舶非线性横摇运动数学模型,分析风翼助航船舶在随机风浪作用下的非线性横摇运动。以一艘76000 DWT巴拿马型散货船为目标船,仿真分析其加装风翼前后在轻载和满载时的横摇特性。仿真结果表明,风翼助航船舶轻载状态较满载状态产生的固定横倾角大得多。风翼助航船舶应尽量避免轻载航行或轻载航行时应减少风翼数量,以提高船舶航行安全性。     

一种新的基于DFNN的时间序列预测

对时间序列预测, 利用自回归移动平均模型(ARIMA)给出了一种新的基于动态模糊神经网络(DFNN)的模型, 该模型中主要是考虑了输出误差这个重要因素. 将ARIMA模型产生的非线性特征用DFNN模型模拟. 能够产生比DFNN和ARIMA单个模型更加精确的模型. 因此, 它可以作为一个适当的替代模型来预测任务,特别是当需要更高的预测精度的时候. 最后用Mackey-Glass时间序列验证了模型的有效性.     

基于指数平滑法和马尔科夫模型的零售额预测

该文基于零售业商品零售额的实际值,应用指数平滑法进行预测了2012年零售业零售额,以-25％、-20、-15％、-10％为划分阈值,将指数平滑法预测结果的相对误差划分为4个状态区间,应用马尔科夫模型对指数平滑法的预测结果进行修正,并与指数平滑法的预测结果进行比较。最后用马尔科夫模型进行修正并对预测结果加以评价。提出的方法精度较高,满足实际需求。