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。     

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.     

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.     

基于小波理论的舰船非线性横摇运动特性分析

探索采用小波分析方法研究船舶在波浪中非线性摇摆运动的动力学特性．对在几种不同的典型波浪参数情况下,得到的船舶在波浪中非线性摇摆的响应,进行小波变换．利用小波变换所特有的时频窗,可以同时在时域和频域中研究船舶横摇响应的模图和相图．通过分析所得模图和相图的典型特征,得到舰船非线性横摇幅值和频率等动力学特性．且小波变换适应不同频率的窗口特性具有更好的分辨率,可以获得更多的横摇运动响应特性信息．研究表明,小波分析在非线性横摇运动动力学特性分析的研究中是可行的,可以加强对船舶横摇非线性复杂动力学特性的分析能力．     

基于灰色PSO-ANFIS模型的船舶横摇运动预报分析

为了准确高效的预测船舶在波浪中的航行状态以保证人员、货物和船舶的安全,提出了一种基于灰色模型粒子群优化算法的自适应神经模糊推理系统(Grey Particle Swarm Optimization-Adaptive Neural-fuzzy Inference System, GPSO -ANFIS)。GPSO-ANFIS预测模型使用模糊C均值聚类算法对输入样本进行聚类分析,得到模糊规则数量并建立神经模糊推理系统,再使用粒子群优化算法对建立的预测系统进行优化训练,从而得到最优的预测系统模型。其中灰色模型用于横摇数据的预处理,以便削弱横摇状态中的非线性影响因素。最后通过实船“育鲲”轮的横摇数据进行仿真实验,实验结果验证了GPSO-ANFIS模型的实用性和可行性,具有较高的预测精度。并为船舶航行智能化提供了一种有价值的理论依据。     

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.     

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。     

一种基于小波分析理论的灰色预测方法

提出一种基于小波分析理论的灰色预测方法．该方法通过小波分解将非平稳时间序列分解到多个尺度上以减少序列的随机性，然后建立灰色预测模型对分解后的时间序列分别进行预测，从而得到原始时间序列的预测值．并通过对上证指数的预测，结果表明该方法预测效果良好，优于一般灰色预测方法．     

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。     

基于小波神经网络的船舶运动预报

利用残值学习算法进行小波节点的选择,利用Akaike 准则确定预测模型的结构,采用误差反传方法在线调整网络连接参数.通过建立的自适应神经网络模型有效辨识船舶操纵运动动态.船舶航向预报仿真结果显示,基于小波神经网络的船舶航向预测器可以较高精度预报船舶操纵运动过程中船舶航向的变化.     

离散小波变换在电力系统故障检测中的应用

传统的傅立叶分析难以处理电力系统故障时产生的暂态信号.小波变换具有良好的时频局部化特性,为分析非平稳、突变信号提供了有效的途径.通过多尺度分析,将连续小波变换离散化,得到适合数字信号处理的快速算法——离散小波变换.最后给出了应用离散小波变换进行输电线路故障测距的实例,通过仿真分析证明该方法可以极大地提高测距精度.     

小波变换和神经网络用于红外光谱定量分析

为扣除开放光路法红外光谱中的背景干扰 ,发挥开放光路法的优势 ,提出了针对多组分气体体系的小波变换(WT)和人工神经网络 (ANN)相结合的红外光谱定量方法。该方法在数据处理阶段利用小波变换方法扣除了样品光谱中的背景干扰 ,然后通过计算谱峰强度和组分浓度之间相关系数的方法确定了待测组分的特征峰 ,最后利用 ANN技术实现了定量分析。该方法用现场实测光谱进行了检验。结果显示其综合性能优于其它几种常用的方法 ,是一种有效的红外光谱定量方法     

基于小波分析的HDTV信源编码技术

分析研究了基于MPEG-2标准的高清晰度数字电视信源编码技术,阐述了小波分析中多分辨分析的基本思想和理论,并将基于多分辨思想的Mallat算法较好地应用于HDTV的图像压缩编码系统中.     

基于多分辨率B样条小波网络的船体曲面光顺和重建

为用于船体型线设计中船体曲面重建和光顺,基于多分辨率小波网络原理,引入三次B样条函数作为小波基函数,三次B样条基函数作为尺度函数,利用小波网络的权值和激励函数的线性组合,构造了新的二维多分辨率B样条小波网络(multi-resolution B-splinewavelet net work,MRBWN).将曲面分解为相互正交的u、v方向函数,用该网络来拟合自由曲面;并利用梯度下降法对网络进行训练.最后对船体曲面进行了光顺,实例证明了该方法的有效性和正确性.     

小波分析和人工神经网络方法用于重叠色谱峰的解析

将神经网络与小波分析相结合，提出一种利用小波变换提取重叠色谱峰信息，再用人工神经网络解析的方法，为色谱峰重叠难于分开物质的测定提供一种方法，提高了色谱分析的准确度，并将此方法应用于高效液相色谱中，建立了混合体系中3，4-二甲酚和2，5-二甲酚同时测定的新化学计量学方法．     

基于小波包变换的船舶轴系轴心轨迹特征提取

为实现通过轴心轨迹识别船舶轴系的工作状态,在船舶轴系轴心轨迹测试实验台上测试各轴承处水平和垂直的位移信号,应用小波包变换对各轴承处的轴心轨迹进行特征提取及分析.结果表明:实测船舶轴系轴心轨迹混乱,无法用于船舶轴系工作状态的识别;利用小波包变换提取的轴心轨迹呈清晰的香蕉形、椭圆形及外“8”字形,其中香蕉形和外“8”字形轴心轨迹刻画了转子不对中工作状态,椭圆形轴心轨迹刻画了转子不平衡工作状态.因此,小波包变换可用于船舶轴系轴心轨迹的提取,实现船舶轴系工作状态的识别.     

基于小波神经网络的股票预测

通过将Morlet母小波基函数作为神经网络隐含层神经元的激励函数,构建了Morlet小波神经网络,对网络结构进行了隐含层节点的优化,对股票收盘价的变化进行仿真和预测,实验结果表明,Morlet小波神经网络具有较好的逼近非线性映射的能力,其泛化性能和预测能力较优.